GPT-5.6のモデル選択基準: 価格は5倍差、コーディング性能は4.1%p差

GPT-5.6はモデルがSol/Terra/Lunaに分かれ、さらにMax/Ultraモードが付きます。
作業ごとに何を選ぶべきか毎回迷うので、公開されているベンチマークをもとに整理しました。

まず2つの軸を分けて考える必要があります

• モデル等級(Grade): Sol / Terra / Luna。知能レベルと基本コストを決めます。
• 動作方式(Mode): 基本推論 / Max / Ultra。計算量と処理構造はここで分かれます。
• Maxは単一エージェントが1つの問題を深く掘り下げ、Ultraは4つのエージェントが並列で分担します。

API価格 (100万トークンあたり入力/出力)

• Sol $5 / $30
• Terra $2.5 / $15
• Luna $1 / $6
• 最大5倍差。キャッシュ読み取りは90%割引なので、繰り返し作業なら実際の差はさらに縮まります。

性能は価格ほど開きません (Terminal-Bench 2.1)

• Sol Ultra 91.9% / Sol 88.8% / Terra 87.4% / Luna 84.7%
• 価格が5倍のSolとLunaの差は4.1%pです。
• SolとTerraは1.4%p差なのに、価格は2倍です。
• Terra(87.4%)は前世代のフラッグシップであるGPT-5.5(85.6%)を上回ります。

日常的な知識業務ではさらに差が縮まります (Agents' Last Exam)

• Sol 52.7% / Terra 50.4% / Luna 50.3% / GPT-5.5 46.9%
• TerraとLunaの差は0.1%pです。単純な要約やQ&AならLunaで十分です。

Solが常に1位とは限りません

• SWE-Bench Pro(コード構造分析): Sol 64.6% / Claude Mythos 5 80.3% / Fable 5 80.0%
• 一方で環境を直接操作する作業ではSolが優勢です。
  OSWorld 2.0(コンピュータ制御): Sol 62.6% vs Claude Opus 4.8 54.8%
  BrowseComp(ブラウジング): Sol Ultra 92.2% / Sol 90.4%
• ターミナル操作かコード構造分析かによって分かれるようです。

Ultraモードは思ったほど伸びません

• コーディング +3.1%p、セキュリティ分析 +3.1%p、ブラウジング +1.8%p
• この2〜3%pを得るために、トークンは約3倍使います。
• 失敗コストが大きい、あるいは精度がどうしても必要な作業にだけ使うのがよさそうです。

まとめると

• Luna: 単純反復、大量処理、速度優先
• Terra: ほとんどの汎用作業。実質的なデフォルト
• Sol: 複雑な論理構造、失敗コストが大きい業務
• Max: 1つの問題を深く
• Ultra: 複数の作業を並列に

数値はすべてOpenAI公式リリース記事のベンチマーク表を基準にしています。
https://openai.com/index/gpt-5-6/

ベンチマークは単一結果なので、実際のプロジェクトコストや体感とは差があるかもしれません。
特にSWE-Bench Proのように順位が逆転する区間もあるため、作業タイプごとに違って見えることもあります。
実際に使ってみて体感が違った部分があれば気になります。
見落としや誤読があれば教えていただければ修正します。