2026年9月3日、OpenAIが最新世代のフラッグシップ「GPT-6 Astra」を発表しました。発表時点ではTrusted Access Programの企業向けから提供を始め、APIとChatGPTのPlus、Pro、Business、Enterpriseへ段階的に展開すると案内されています（公式：GPT-6 Astra）。
7月のGPT-5.6から約2か月。Sol（太陽）、Terra（地球）、Luna（月）に続いて、今度はAstra（星）です。名前が増えて少しややこしい。
ただ、筆者が気になったのは新しい名前よりも、Astraが出たことで「普段の開発まで最上位モデルを使う必要があるのか」が、むしろ分かりやすくなったことでした。
結論から言うと、設計や難しい調査にはAstraを使いたい。一方で、日常のコーディングはGPT-5.6 LunaをHigh推論で回すくらいが、かなりバランスよく感じます。
Astraは、難しい仕事を最後までやらせるためのモデル
OpenAIはGPT-6 Astraを「最も難しいend-to-endの仕事」のための最上位モデルとして案内しています。複雑な推論、コーディング、computer use、research、文書作成などが主な用途です。
筆者が実際に触った範囲でも、長めのエージェント作業で前提を保ちながら修正を続ける力や、複数ファイルにまたがる問題を追う粘り強さは、5.6世代より扱いやすく感じました。
もちろん、これはベンチマークだけではなく筆者の使用感です。すべてのタスクで常にAstraが大差をつける、という意味ではありません。
むしろ差を感じやすいのは、途中で仮説を立て直したり、複数の失敗を踏まえて別の検証方法へ切り替えたりするような仕事です。アーキテクチャ設計、原因の見えにくいバグ、広いリファクタなど、間違えたときの手戻りが大きい場所では最上位モデルを使う理由があります。
ただし価格差はかなり大きい
一方で、Astraを毎日の細かな作業まで常用するには価格差が大きいです。
2026年9月時点のOpenAI公式API価格は次の通りです。
| モデル | 位置づけ | 入力 / 出力（100万トークン） |
|---|---|---|
| GPT-6 Astra | 最難関のend-to-end作業 | $10.00 / $50.00 |
| GPT-5.6 Sol | 複雑な専門作業 | $4.00 / $20.00 |
| GPT-5.6 Terra | 知能とコストのバランス | $2.00 / $12.00 |
| GPT-5.6 Luna | コスト重視・大量処理 | $0.20 / $1.20 |
OpenAI自身も、Astraを最上位、Terraを知能とコストのバランス、Lunaをcost-sensitiveな高頻度処理向けとして位置づけています。
ここまで差があると、「最高性能だからAstraを使う」だけでは運用しにくい。エージェントはファイルを読み、ツールを実行し、失敗すればやり直すので、1タスクのトークン量が人間との短いチャットよりずっと大きくなりやすいからです。
LunaをHighで回すと、普段使いとしてちょうどいい
以前のGPT-5.6比較記事では、日常開発の中心にTerraを置くのが扱いやすいと考えていました。
いまは少し考えが変わっています。
GPT-5.6 Lunaは、公式にnoneからmaxまでのreasoning effortを選べます。軽いモデルを安いまま使うだけでなく、必要なときはHighまで思考させられるわけです。
日々の開発には、テスト追加、型修正、既存パターンに沿った機能追加、軽いバグ修正のように、問題の範囲がある程度決まっている仕事がかなりあります。こうした作業では、筆者はLunaをHighで動かす方が気楽です。
基礎能力そのものはAstraの方が上です。それでも、普段の作業で必要なのは毎回最高峰の知能ではなく、十分な精度で、速く、何度も試せることだったりします。
100k入力・20k出力なら、どれくらい違うか
キャッシュを使わず、1タスクで入力100,000トークン、出力20,000トークンを使ったと仮定すると、単純なトークン料金はこうなります。
| モデル | 概算料金 |
|---|---|
| GPT-6 Astra | 約$2.00 |
| GPT-5.6 Sol | 約$0.80 |
| GPT-5.6 Terra | 約$0.44 |
| GPT-5.6 Luna | 約$0.044 |
LunaをHighで動かし、たとえばreasoningを含む総出力が30,000トークンまで増えたとしても、入力100,000トークンとの合計は約$0.056です。
同じ前提ならAstraの約36分の1。Terraと比べても約8分の1です。
もちろん、実際の料金はキャッシュの効き方、tool call、長文コンテキスト、出力量などで変わります。この表は「どのくらい桁が違うのか」を見るための単純化した試算です。
でも、この差なら日常作業をLunaへ寄せたくなる。
難所だけAstraへ上げる
筆者なら、モデルを細かく使い分けすぎません。
普段はLuna Highで始める。そこで問題なく進むなら、そのまま終わらせる。
仕様の前提が曖昧、複数の設計案が絡む、同じ修正を繰り返しても原因へ届かない、広い範囲の整合性を見ながら判断する必要がある。そうなったときにAstraへ上げます。
つまり、Astraを標準にして簡単な仕事だけ下げるのではなく、Lunaを標準にして、難しさが見えたところだけAstraへ上げる運用です。
GPT-6 Astraが出たことで、最上位モデルの価値は確実に上がりました。でも筆者にとって同じくらい大きいのは、「最上位を毎回使わなくてもいい」と割り切りやすくなったことです。
難所にはAstra。普段はLuna High。
エージェントをたくさん動かすなら、このくらい役割を分けた方が、速さもコストも扱いやすいと思います。