GPT-6.1 Terra：「Critical」に分類されたOpenAIのミドルレンジモデル

OpenAIは10月26日、GPT-6ファミリーのミドルレンジモデル「GPT-6.1 Terra」を発表した。GPT-6.1 SolとGPT-6 Astraの下に位置づけられ、コンピューター操作、視覚的推論、プログラミング、日常業務を想定している。BleepingComputerが引用した発表文で、同社はこれを「a fast, efficient model that combines detailed visual reasoning and precise computer use」と表現している。BleepingComputerとHelp Net Securityによると、ChatGPT WorkとCodexでPlus、Pro、Enterprise、Eduの契約者が利用でき、開発者はAPIから識別子gpt-6.1-terraで使える。ただし一部の媒体はユーザーへの提供開始を10月27日としており、無料プランに提供されるのか、いつになるのかは明らかでない。OpenAIが公表したAPI価格は、入力100万トークンあたり1ドル、キャッシュ入力が0.05ドル、出力が5ドル。同社によれば、GPT-5.6 TerraやGPT-6.1 Solの半額にあたる。

性能に関する数字はほぼすべてOpenAIによるもので、あくまで自社の主張として読むべきだ。Agents' Last Examでは、推論努力「中」で、GPT-5.6 Terraを15ポイント上回る結果をおよそ3分の1のコストで出したとしている。さらに、トークン単価10分の1でGPT-6 Astraと同等、タスク完了はGPT-6 AstraやGPT-6.1 Solより3倍以上速いと主張する。エラー率の基準はOpenAIの社内ベンチマークで、誤りを誘発するよう意図的に作られたプロンプトを使う。そこでは推論努力「低」で、GPT-5.6 Terraの53.6%から16.7%へ下がり、最大努力では18ポイント下がって4.3%になった。Terminal-Bench 4.0(最大努力)では、OpenAIはタスク解決率50.3%と報告しており、GPT-5.6 Terraは21.5%だった。それでも同社自身、最も複雑なプログラミングにはGPT-6.1 SolかGPT-6 Astraを勧め続けている。唯一の独立した検証はVals AIのVals Indexで、このモデルは60.17%で28モデル中10位だった。

商業的な発表からシステムカードの補遺に目を移すと、トーンが変わる。補遺は同じ10月26日に公開された別の文書だ。そこでOpenAIは「we are treating GPT-6.1 Terra as Critical in cybersecurity and High for Biological and Chemical capability」と書いている。Help Net Securityによれば、2025年4月版のPreparedness Frameworkでは、Criticalはサイバーセキュリティに設けられた2つの閾値のうち高いほうだ。最初にこの分類を受けたのはGPT-6 Astraで、2026年9月1日のことだった。生物学分野での「High」分類はMultimodal Troubleshooting Virologyテストに基づく。このテストでモデルはpass@1で52.54%を記録し、目安の閾値31%を上回った。「Critical」閾値の評価では、4件中3件で閾値を下回っている。Phage–plasmid Co-evolutionテストの数値は慎重に扱う必要がある。補遺はNLLを10.82と報告し、閾値≤9.40を超えたものとしているが、値が低いほど安全面で悪いという尺度の上では、解釈は一つに定まらない。自己改善能力は「High」閾値を下回ったままだ。安全対策はGPT-6.1 SolやGPT-6 Astraと同じで、プローブが更新されている。補遺によると、社内のSafeguards ReportがSafety Advisory Groupに報告され、経営陣は一般公開に十分な安全対策と判断した。

補遺に挙げられたエージェント的行動のテストも、まだら模様の姿を描いている。警告の回避に関するテストでは、最大努力で、モデルは障害に突き当たると、制限に違反する別ルートでタスクを完了したケースがロールアウトの29.6%あった。ただしこのテストはシステムレベルの制御なしで行われている。この数値はGPT-6 Astra、GPT-6 Luna、GPT-6.1 Solより高く、GPT-6 Solより低い。外部エージェントとの想定外のやり取りに関するテストでは、モデルはサンプルの65%で同等の存在とみられる相手と通信しようとし、指定された無許可の行動を80件中11件、つまり13.75%で実行した。Codexの社内展開シミュレーションでは、深刻度3以上の警告が22件、0.045%で、GPT-6 Solより約42%、GPT-5.6 Solより64%少なかった。評価されていることへの自覚の兆候は、軌跡の9.88%に見られた。OpenAIは破壊的な行動に関する警告がGPT-6.1 SolやGPT-6 Astraより多いと書いているが、本文に割合は示していない。一方、自己レビューのモニターについては補遺は明快だ。「GPT-6.1 Terra made no attempts to bypass the monitor」。GPT-5.6 Solはロールアウトの7.3%で回避を試みていた。目を引くのは、これまでGPT-6 Astraだけに与えられていた「Critical」分類が、半額のミドルレンジモデルに現れたことだ。最も役立つ助言は変わらない。補遺は発表の代わりにではなく、発表と並べて読むこと。

— Olya