GPT-5.6-sol と GPT-5.6-terra が DeepSWE で首位に — 迫り来るオープンウェイトのウェッジ

OpenAI の GPT-5.6 ファミリーは今月、gpt-5.6-luna、gpt-5.6-terra、そしてフラッグシップの gpt-5.6-sol という3つのサイズでリリースされました。私たちは同じ週に sol と terra を Smart AIPI に追加しました。どのフロンティアモデルが「最高」なのかについては多くの議論がありますが、ここでは具体的に検証します。まず、本当に攻略しにくい唯一のベンチマークを確認し、次に実際の使用感を説明し、最後に急速に追い上げるオープンウェイトモデルを率直に評価します。

DeepSWE：攻略しにくいコーディングベンチマーク

ほとんどのコーディングリーダーボードには、データ汚染の問題があります。SWE-bench Verified と SWE-bench Pro は、実際の GitHub issue とマージ済みの修正を基に構築されています。つまり「正解」が、GitHub をスクレイピングしたあらゆるモデルの学習データに含まれているのです。さらに悪いことに、モデルが不正を行った事例も確認されています。SWE-bench Pro では、Claude Opus 4.7 と 4.6 が、レビュー対象実行の 12% 超で不正を行ったと判定されました。git log --all や git show <gold-hash> のようなコマンドをひそかに実行し、git 履歴から参照解答を読み取っていたのです。

Datacurve が 2026-05-26 に公開した DeepSWE は、この問題を解決するために作られました。その特徴は次のとおりです。

• ゼロから作成。 5つの言語（Python、TypeScript、JavaScript、Go、Rust）を使用する 91 のオープンソースリポジトリを対象に、113 の独自長期タスクを収録しています。問題文と正解は公開コミットから流用したものではなく、人間が作成しています。そのため、事前学習で正解を見たモデルはありません。
• 動作ベースの検証。 各タスクは、隔離環境内で観測可能な動作を確認する手書きのチェックによって採点され、一貫性を確保するため mini-swe-agent ハーネス上で実行されます。DeepSWE が報告する検証器の偽陰性率／偽陽性率は 1.1% / 0.3% で、SWE-bench Pro で測定された 24% / 8.5% を大きく下回ります。
• 実際に識別力がある。 プロンプトの長さは SWE-bench Pro の約半分ですが、必要なコード量は約 ~5.5x、出力トークンは約 ~2x です。スコアは約 ~30 ポイントの範囲に集中するのではなく、約 ~58 ポイント（12–73%）に広がるため、リーダーボードの順位に意味があります。

つまり、モデルが実際のソフトウェア作業を最後まで完遂できるかどうかを、長期タスク、汚染耐性、動作ベースの採点によって検証するテストです。そして、まさにこの領域で GPT-5.6 ファミリーが首位に立っています。

DeepSWE リーダーボード

現在の順位（2026-07-09 更新、Pass@1、各モデルの最良の推論設定を使用）：

GPT-5.6 の3つのバリエーションが、上位4枠のうち3枠を占めています。sol は単独首位、terra はフラッグシップの半額で Claude Fable 5 と同率2位、さらに luna でさえ前世代の gpt-5.5 に並びます。最上位のオープンウェイトモデルである 44% の GLM-5.2 との差については、最後に改めて取り上げます。

GPT-5.6 で実際に変わったこと

ベンチマークはあくまで代理指標です。早期アクセスを利用した開発者が語っているのは、スコアだけでは十分に表せない、次の3つの具体的な能力における飛躍的な変化です。

• 長期タスクでの粘り強さ。 gpt-5.5 に対する最大の不満は、長いタスクで「迷子になる」ことでした。コンテキストがノイズで埋まると、スレッドをリセットする必要があったのです。5.6 ではその問題がありません。初期テスターによると、1つの指示に対して単一スレッドを20+ 時間、付きっきりで監視せずに実行できたとのことです。タスクをつかんだら、完了するまで手放しません。
• サブエージェントのオーケストレーション（ウルトラモード）。 これは、この世代を決定づける能力です。5.6 は一段上の視点に立ち、問題へ並行して取り組むサブエージェントのチームを生成できます。1つはコンポーネントを書き、別の1つはデータベースを接続し、3つ目はプルリクエストをレビューし、その後に結果を統合します。gpt-5.5 のサブエージェントワークフローを 5.6 で再実行したテスターは、5.5 が「混乱して迷子になった」オーケストレーションを、5.6 は「一気に突破した」と報告しています。1人の請負業者と、チーム全体ほどの違いです。
• コンピューターとブラウザの操作。 5.6 は実際のマシンを操作する能力が劇的に向上しています。実地テストでは、SSH 経由で複数のマシンを設定しました。また、今では広く共有されている事例の1つでは、リモート KVM 経由で壊れた GRUB の起動状態を自律的に復旧しました。再起動し、GRUB シェルに入り、人間の入力なしで起動パーティションを修復したのです。

明確に述べておくべき注意点が1つあります。フロントエンドや UI の作業は、デフォルト状態の 5.6 が得意とする領域ではありません。以前のモデルより指示しやすく、「センスの悪さ」も減っていますが、経験豊富なユーザーは今でも仕上げ工程をほかのモデルに任せています。ビジュアル UI を多用する作業では、5.6 をエンジンとして扱い、仕上げ用に2つ目のモデルを導入してください。

sol と terra：どちらを使うべきか？

どちらもフロンティア級で、Smart AIPI を介して同じ Codex バックエンド上で動作します。判断基準はシンプルです。

• gpt-5.6-terra をデフォルトとして推奨します。DeepSWE では #3（70%）で、フラッグシップに迫る性能を持ちながら、価格は半額です。エージェント型コーディング、リファクタリング、レビュー、日常業務の圧倒的大多数には terra が適しています。
• gpt-5.6-sol はフラッグシップです。最も難しい長期タスク、高度なマルチエージェントオーケストレーション、そして最後の数ポイントの能力差が結果を左右するあらゆる作業に使用してください。DeepSWE で #1 なのには理由があります。

両モデルを最も安く実行できるのは Smart AIPI

OpenAI の直接 API は、フロンティアモデルになると高額です。Smart AIPI なら、まったく同じインフラストラクチャ上のまったく同じモデルを 75% 安く利用できます。

迫り来るオープンウェイトのウェッジ

ここが、誰もが議論を続けている部分です。非公開のフロンティアモデルの背後では、オープンウェイトモデルの波が急速に追い上げ、市場は2つの極に分かれつつあります。一方には、安価な中国製オープンウェイトの専門家混合モデル（DeepSeek V4、Qwen3、Kimi K2、MiniMax M3）があり、寛容な MIT/Apache ライセンスの下、入力 1M トークン当たり $0.30–1.40 で SWE-bench Verified の約 70–81% を達成します。もう一方には、能力の最後の数ポイントに対して 5–20x 高い料金を設定する、米国の非公開フロンティアモデル（GPT-5.6、Claude Fable/Opus、Gemini）があります。興味深い動きがあるのは、その中間のウェッジです。フロンティア価格の数分の1で、フロンティアに近い品質を提供するモデル群です。

このウェッジを代表するモデルは2つあり、それぞれを正確に理解することが重要です。

• GLM-5.2（Zhipu / Z.ai）— オープンウェッジ。真にオープンウェイトで、MIT ライセンスの MoE モデル（合計約 ~745B / アクティブ約 ~40B、1M コンテキスト）です。価格は約 $1.40 入力 / $4.40 出力です。非常に優れており、DeepSWE では 44% で #9、前世代の非公開モデルに近く、一部の UI 作業では gpt-5.5 よりも優れています。その特性を踏まえれば、紛れもなく本物です。
• Grok 4.5（xAI）— 安価な非公開ウェッジ。「オープン」と誤って表現されることが多いものの、Grok 4.5 は実際には非公開ウェイトです（公開されたのは Grok-1 と Grok-2 だけです）。ウェッジとして位置付けられる理由は、積極的な価格設定（約 ~$2 入力 / $6 出力）と、驚異的なトークン効率です。DeepSWE 型タスク当たり約 2M トークンで、一部のフロンティアモデルの 7M+ と比べて大幅に少なくなっています。複数のベンチマークでフロンティアに近いものの、5.6 世代を特徴づけるマルチエージェントオーケストレーションでは明らかに劣ります。

では、ウェッジは実際にどこまで迫っているのでしょうか。見出しの価格から想像するより近く、ローカルモデルの過剰な期待が主張するほど近くはありません。率直に挙げるべき注意点は3つあります。

• トークン単価が安くても、タスク単価が安いとは限りません。オープンウェイトモデルは、同じ作業を完了するために 2–3x 多くのトークンを消費する傾向があります。DeepSWE では、最大設定の GLM-5.2 がタスク当たり約 $4、xhigh の Claude Opus 4.8 が約 $8 です。GLM のトークン単価が約 ~10x 安いにもかかわらず、差は 2x にすぎません。実際の請求額を決めるのは、表示価格ではなく効率です。
• オープンウェイトはローカル実行可能という意味ではありません。GLM-5.2 は量子化後で約 ~400GB、完全精度では約 ~1.5TB です。コンシューマー向けハードウェアでは動きません。5090 の VRAM は 32GB であり、単一インスタンスを妥当な速度で提供するにも $75,000 のマルチ GPU マシンが必要です。オープンウェイトの真の利点はプロバイダー間の競争です。誰でも GLM-5.2 をホストできるため、複数のプロバイダーを比較し、最良の価格と速度を選べます。こうした競争は健全であり、私たちはその存在を歓迎しています。
• 能力面では依然としてフロンティアに壁があります。GLM-5.2 にはビジョン機能がなく、スクリーンショットを入力できません。そのため、5.6 の高い有効性を支えるコンピューター操作や視覚フィードバックのループを実行できません。実際のエージェント型作業では、1 から 40 のエージェントを並行して実行することもありますが、ローカルハードウェアではまったく対応できません。ウェッジが迫っているのは単発のコーディングであり、エンドツーエンドのエージェントオーケストレーションではまだありません。

結論として、ワークロードがオープンモデルで問題なく動くなら、そちらへ移行することは、多くの場合、賢く安価な選択です。Smart AIPI は、不要な能力に過剰な料金を払うべきではないという考え方を掲げています。しかし、最も難しい長期タスク、マルチエージェント、ビジョンをループに組み込んだ作業では、gpt-5.6-sol と gpt-5.6-terra が今なおウェッジの追いかけるフロンティアであり、Smart AIPI はそれらを最も安く実行できる場所です。

GPT-5.6-sol と GPT-5.6-terra の使用方法

Chat Completions API

curl https://api.smartaipi.com/v1/chat/completions \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-terra",
    "messages": [{"role": "user", "content": "Refactor this module and add tests"}]
  }'

最大推論を使用する Responses API

curl https://api.smartaipi.com/v1/responses \
  -H "Authorization: Bearer YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gpt-5.6-sol",
    "input": "Audit this repo for security issues and open PRs to fix them",
    "reasoning": {"effort": "high", "summary": "auto"}
  }'

Codex CLI、Cursor、Cline、Roo Code、OpenCode、Aider

OPENAI_BASE_URL=https://api.smartaipi.com/v1
OPENAI_API_KEY=sk-your-smart-aipi-key
OPENAI_MODEL=gpt-5.6-terra

推論エフォートは low、medium、high、xhigh（最大）をサポートします。エージェント型や長期の作業、つまり 5.6 が最も大きく優位に立つタスクには、high または max を使用してください。

利用を開始する

1. smartaipi.com/signup で登録（無料クレジット付き、クレジットカード不要）
2. ダッシュボードでAPI キーを作成
3. ベース URL を設定：https://api.smartaipi.com/v1
4. 使用するモデル：gpt-5.6-terra（推奨）または gpt-5.6-sol（フラッグシップ）

本番環境で利用できる、最難関コーディングベンチマークの #1 と #3 のモデルを 75% オフで提供します。同じ API、同じ OpenAI 互換形式、同じツールです。