OpenAIはGPT-5.6 Solを弱体化させたのか？「ジュース・バリュー」論争を理解する

GPT-5.6 Solが広く利用可能になった直後、一部のCodexユーザーが予期せぬ変化を報告し始めた。モデルの応答は速くなったものの、難しい問題に深く取り組む意欲が低下したというのだ。コミュニティが内部設定「ジュース・バリュー」に大幅な変更があったことを示すスクリーンショットを公開すると、論争は激化した。ユーザーはこの数値を隠された推論予算と解釈し、Sol Maxの体感性能低下と結びつけた。OpenAIはモデル自体が弱体化したことを否定している。

发布于 2026年7月16日•general•GEO 评分: 0•6 次阅读

选择语言

العربية Deutsch English Español Français Italiano 日本語 한국어 Português Русский 中文

暗い背景の中央に、ぼやけた雲のような模様と神経網を思わせる線が描かれている。模様の上部に「GPT-5.6」と大きな文字で表示され、下部には「Sol Nerf Explained」の文字があり、「Sol」は緑色、「Nerf Explained」は青色で示されている。この画像は文書の冒頭に位置し、GPT-5.6 Solのパフォーマンス問題、Juice Values実験、Codexのコンテキスト制限、OpenAIの対応などをテーマとした記事のタイトル画像として、内容を視覚的に表現している。

OpenAI は GPT-5.6 Sol を弱体化したのか？「能力値」論争を読み解く

はじめに

GPT-5.6 Sol が広くリリースされた直後、一部の Codex ユーザーから予期せぬ変化の報告が相次ぎました。モデルの応答は高速化したものの、複雑な問題に深く取り組もうとする意欲が低下したというのです。

コミュニティが「能力値」と呼ばれる内部設定の大幅な変動を示すスクリーンショットを共有したことで、議論はさらに激化しました。ユーザーはこの数値を隠された推論予算と解釈し、Sol Max の性能低下と結びつけました。OpenAI はモデル本体が意図的に弱体化されたことを否定する一方、異常な高使用量を調査中に推論努力設定を一時的に調整したことを認めています。

この区別は極めて重要です。モデルの基盤となる重みは変更されていなくても、実行設定、利用可能なコンテキスト、ツール権限、推論努力、マルチエージェント動作などが変化する可能性があります。ユーザーから見れば、これらの運用設定の変更により、同じ名前のモデルが異なる時期に異なる振る舞いを見せることになります。

本稿では、確認された事実とコミュニティの観察結果を区別し、開発者がモデルの動作をより確実にテストする方法を解説します。

GPT-5.6 Sol が導入した機能

OpenAI は 2026 年 6 月 26 日に GPT-5.6 Sol を初めてプレビューし、Terra や Luna を含むモデルファミリーのフラッグシップモデルと位置づけました。その後、より広範な GPT-5.6 バージョンが 2026 年 7 月 9 日にリリースされました。

今回のリリースの大きな特徴は、より広範な推論設定範囲です。Codex では、Sol は以下の複数の推論レベルを使用できます。

低
中
高
非常に高
最高
極致

OpenAI は「最高」を Sol に最も深い推論時間を与える設定と説明しています。「極致」はさらに進んで、サブエージェントを活用して複雑なタスクを分解し、並行処理します。

高い推論努力には代償が伴います。通常、より多くの時間を要し、より多くのトークンを消費しますが、計画、反復的なテスト、エラー回復、複数の解決策の比較が必要なタスクには有効です。

ユーザーが Sol Max の弱体化を疑う理由

最も広く報告された苦情の一つは、カスタムコマンドラインツールを使用する日本の市場調査チームから寄せられました。

Reddit への投稿によると、Sol Max は以前、複雑なプロンプトに対して 10 分以上かけて処理し、アイデアを繰り返しテストし、信頼性の高い結果が得られるまでツールを使用していました。ところが、ある日を境に性能が突然低下し、チームメンバー全員が同じ業務日内に推論の深さが浅くなったことに気づいたといいます。

この報告は実際のユーザー体験として重要ですが、制御されたベンチマークテストではありません。エージェントのコード実行に影響を与える要因は数多くあります。

選択された推論レベル
利用可能なコンテキストウィンドウ
ツール権限とサンドボックス設定
コードベースの状態
プロンプトの表現
サーバー側のルーティングまたは設定
マルチエージェント動作
レート制限と使用量統計
実行間のランダムな差異

経験豊富なチームが気づいた突然の差異は調査に値します。しかし、これだけで OpenAI がモデルの重みを変更したり、Sol の能力を恒久的に低下させたことの証明にはなりません。

「能力値」とは何か？

「能力値」という表現が議論の中心となりました。

Codex および ChatGPT Work チームの Thibault Sottiaux が公開アップデートを発表した後、論争が始まりました。

このアップデートで Sottiaux は、OpenAI が推論投入量を調整する実験を行い、内部ではこれらの設定を「ジュース値」と呼んでいたと述べています。また、この実験は取り消されたとも述べています。

最も単純に解釈すれば、ジュース値とはモデルがタスクにどれだけの推論作業を投入できるかに関連する内部制御パラメータであり、自動的に知能スコアと見なされるべきものではありません。

低い推論割り当ては以下のような動作に影響を与える可能性があります。

モデルが探索する手法の数
回答生成前の計算時間
生成されたコードが自動テストされるかどうか
失敗した修正の修正またはロールバックの頻度
モデルがサブエージェントにタスクの一部を委任するかどうか
エッジケースの確認に投入される作業量

しかし、OpenAI はユーザー向けの推論レベルと具体的なジュース値の間の公式な数値マッピングを公開していません。

報告された 960 から 128 への変化

コミュニティの投稿やスクリーンショットによれば、Sol Max は以前 960 に近いジュース値を使用していたものが、後に 128 と表示され、約 87% の減少となりました。

これらの数値は未確認のコミュニティ観察結果として扱うべきであり、GPT-5.6 のモデル文書には記載されておらず、隠されたプロンプトや「モデルフィンガープリンティング」技術を通じて抽出された値が実際のサーバー側の計算割り当てを確実に表しているとは限りません。

確認されている部分は限定的です。OpenAI は推論投入実験を認め、関連する変更は取り消されたと述べています。

OpenAI の回答

Sottiaux のアップデートは GPT-5.6 Sol が意図的に弱体化されたという主張を否定し、代わりにいくつかの運用上の問題と変更点を説明しました。

1. 推論最適化

OpenAI は推論最適化を展開し、節約されたリソースをサブスクリプションユーザーに還元したと述べており、この改善だけで約 10% の追加使用量を提供できると見込んでいます。

効率化により、品質を低下させることなくモデルを高速化または経済的にできます。ただし、最適化が他の設定実験と同時に導入された場合、ユーザーは変更に気づく可能性があります。

2. コンテキスト制限の調整

OpenAI は GPT-5.6 Sol の利用可能なコンテキスト制限を GPT-5.5 の 272k から約 372k に引き上げました。

コンテキストの拡大により、使用量の消費が予想以上に増加しました。OpenAI は一時的に制限を 272k に戻し、課金動作を修正した後に 372k を再展開するとしています。

これにより、2 つの問題が同時に議論された理由が説明できます。

ユーザーが使用枠の消費がより速くなったと感じた
一部のユーザーが利用可能なコンテキストウィンドウが小さくなったと感じた

コンテキストウィンドウの調整はモデルの重み変更とは無関係ですが、長期的なリポジトリタスクやドキュメント集約型のワークフローには影響を与える可能性があります。

3. 推論投入実験

OpenAI は、使用量の異常な増加を追跡中に推論投入量を調整したと述べており、これらの内部設定はジュース値と呼ばれています。

同社はこの実験は取り消されたと述べています。

4. マルチエージェントと自動レビューの使用状況

OpenAI はまた、「高」および「非常に高」モードにおいて、マルチエージェントの実際の使用率が予想よりもわずかに高かったと報告しています。同社はこの動作を修正し、自動レビューの効率を向上させていると述べています。

これが重要なのは、エージェント委任が大量のリソースを消費するためです。より多くのサブエージェントを起動したり、追加のレビュー作業を実行する実行は、シングルエージェント実行よりもはるかに速くサブスクリプション枠を消費する可能性があります。

推論予算が小さいとモデルは賢くなくなるのか？

必ずしもそうとは限りませんが、困難なタスクにおいてモデルが能力不足に見える可能性はあります。

3 つの層を分けて考えると理解しやすくなります。

モデル能力

これは主に訓練済みモデル自体に由来します。その重み、アーキテクチャ、学習した知識、そして中核的な問題解決能力です。

実行時推論割り当て

これは、システムがモデルに特定のリクエストに対して費やすことを許可する時間または計算リソースの量を決定します。

エージェント環境

これには、ツール、コンテキスト、メモリ、権限、サブエージェント、テストランナー、ファイルアクセス権、再試行戦略が含まれます。

推論割り当てが制限された強力なモデルは、単純な質問には正しく回答できるかもしれませんが、長期間のコーディングタスクではパフォーマンスが低下します。最初に妥当と思われる解決策を見つけた時点で停止し、代替案を試したり、初期の誤ったアプローチから回復したりしない可能性があります。

これは、モデルの基盤となる能力が消えたことを意味するものではありません。特定の実行中に、その能力が発揮される程度が低下したことを意味します。

なぜ新しいモデルの重みがなくても、知覚される性能が変化するのか

本番環境の AI システムは、常にまったく同じ方法で提供される静的なファイルではありません。プロバイダーはモデルの名前を変更せずに、多くの運用パラメーターを変更できます。

例えば、プラットフォームが以下のものを変更すると、ユーザーは差異を感じる可能性があります。

最大推論時間
トークンまたは計算予算
コンテキスト制限
ツール呼び出し制限
再試行動作
並行エージェントルール
キャッシュ
セキュリティチェック
負荷分散
サブスクリプション枠

これが、モデル名のみでは異なる日付、製品、プラン、推論設定において一貫した動作が保証されない理由です。

企業ユーザーにとって、重要なのは「どのモデルを選んだか？」だけでなく、「そのモデルにはどのような実行時保証が付随しているか？」という点です。

Codex の性能変化をテストする方法

効果的なテストには、可能な限り変数を制御する必要があります。変化が疑われる前後にプロンプトを 1 回ずつ実行するだけでは不十分です。

ステップ 1: タスクを固定する

同じリポジトリのコミットバージョン、入力ファイル、依存関係、環境変数、テストスイートを使用します。

実行のたびに Git チェックポイントを作成し、開始状態が完全に同一であることを確認します。

ステップ 2: 設定を記録する

Codex CLI で、現在のアクティブモデルとセッション設定を確認します。

/status

必要に応じてモデルセレクターを使用します。

/model

特定のモデルで Codex を起動することもできます。

codex

--model gpt-5.6


繰り返し可能な非対話型タスクの場合：

```Bash
codex exec -m gpt-5.6 "現在の変更をレビュー"

記録するもの

推論レベル、権限、コンテキスト使用量、Codex バージョン、有効化されたツールやプラグイン。

ステップ 3：客観的な成功基準を使用する

開始前に結果の定義を明確にします。有用な指標は以下の通りです：

合格したテスト
修正されたバグ
ベンチマークスコア
正しく変更されたファイル
回帰缺陷の数
必要な手動修正の回数
合格に要した時間
ツール呼び出しと再試行の回数
消費された総リソース量

回答がどれだけ「賢く」見えるかだけで評価するのは避けてください。

ステップ 4：各条件を繰り返す

同じ条件で複数回実行してください。推論モデルやエージェントは試行ごとに異なる可能性があるため、1回の実行は誤解を招く恐れがあります。

最適または最悪の例を選ぶのではなく、中央値と失敗率を比較してください。

ステップ 5：一度に変更する変数は1つだけ

他のすべての条件を一定に保ったまま、Medium と Max を比較します。次に、日付、バージョン、コンテキスト制限をそれぞれ比較します。

複数の変数を同時に変更すると、どの変数が結果の変化を引き起こしたのか特定できなくなります。

ステップ 6：ログを保存する

プロンプト、端末出力、差分、テスト結果、所要時間、リソース使用データを保存します。明確な記録は回帰缺陷の報告に役立ち、他のユーザーがテストを再現できるようにします。

Codex ユーザー向け実践ガイド

日常的なタスクでは、OpenAI はデフォルトの推論設定から始め、より深い計画や分析が必要な場合にのみレベルを上げることを推奨します。

以下のプラクティスにより、困難なタスクをより確実に実行できます：

合格基準を明確に述べる。
Codex に編集前にコードベースを確認させる。
関連テストを実行させる。
未解決の失敗を報告させ、問題を隠さないようにする。
重要な変更の前後で Git チェックポイントを使用する。
高コストなタスクを開始する前に、現在のモデルと推論レベルを確認する。
チームにとって重要な作業のために、再現可能なベンチマークを保持する。

特に困難なプロジェクトでは、Max または Ultra が適切な場合があります。問題をサブエージェントに割り当てられる場合、Ultra は有用ですが、より多くのリソースを消費します。

論争が明らかにする「固定された知能」の真実

より大きな問題は、議論の的となっている内部数値が 960 なのか 128 なのかということではありません。より深い懸念は、ユーザーが通常、モデル名が固定され安定した動作レベルを表していると想定していることです。

実際には、ユーザーエクスペリエンスはモデルとそれを取り巻くサービス構成に依存します。プロバイダーは、モデル名を変更せずに、推論の最適化、コンテキスト制限の変更、推論割り当ての調整、エージェントオーケストレーションの修正を行う可能性があります。

この柔軟性は大規模サービスを運用する上で有用ですが、透明性の問題も引き起こします。重要なワークフローを構築する開発者は、どの機能が信頼でき、どれが動的に変化する可能性があるかを知る必要があります。

より明確なドキュメントには以下を含めるべきです：

推論レベルの安定した定義
コンテキストウィンドウの保証
意味のあるランタイム調整の変更履歴
リソース使用の会計ルール
実験的構成をデプロイする際の通知
再現可能な評価のガイドライン

これらの情報がない場合、ユーザーは応答速度、トークン使用量、主観的な出力品質からシステムの変化を推測せざるを得ません。

よくある質問

GPT-5.6 Sol は公式に弱体化されましたか？

OpenAI は意図的にモデル性能を弱体化したわけではないと述べています。同社は一時的な実験を行い、推論強度設定、コンテキスト、マルチエージェント、使用量統計パラメータを調整したことを公式に認めています。

GPT-5.6 Sol の「ジュース値」とは何ですか？

OpenAI はこの用語を、推論強度に関連する内部設定を指すために使用しています。この値は推論リソースを制御または表しているようですが、同社は完全な技術的定義や公式の数値基準をまだ公開していません。

Sol Max のジュース値は本当に 960 から 128 に低下しましたか？

この主張はコミュニティのスクリーンショットと隠しプロンプト実験に由来しています。OpenAI はこれらの数値のいずれも公式に確認しておらず、したがって検証済みのモデル仕様として扱うべきではありません。

Sol がより速く感じられるが、深みが減ったように感じるのはなぜですか？

より低い推論割り当ては、モデルが探索する方法が少なくなる、検証回数が減る、または早期に終了する原因となります。コンテキスト制限、ツールの動作、サーバー構成、ランダムな変動などの他の要因も同様の影響を与える可能性があります。

372k Codex コンテキストウィンドウはどうなりましたか？

OpenAI は、GPT-5.6 Sol のコンテキスト制限が 272k から 372k に引き上げられたが、この変更により使用量の消費が予想以上に速くなったと述べています。372k を再リリースする準備が整うまでの間、一時的に 272k の制限に戻されました。

開発者は常に Max 推論を使用すべきですか？

いいえ。より高い推論設定は時間がかかり、より多くのリソースを消費します。デフォルト設定から始め、タスクに深い計画、テスト、またはエラー回復が本当に必要な場合にのみ設定を上げることをお勧めします。

チームはモデル劣化の疑いをどのように検証できますか？

同じコードベース、プロンプト、ツール、権限、推論レベル、テストを使用して繰り返し実行します。テスト合格率、エラー率、完了時間、ツール呼び出し、使用量消費などの客観的指標を追跡します。

まとめ

GPT-5.6 Sol の論争は、Max 推論が高速になったが深みが不足しているというユーザーの実際のフィードバックから始まりました。コミュニティのスクリーンショットは、この体験を内部の「ジュース値」の既知の調整と結び付けましたが、具体的に 960 から 128 に低下したという主張は未確認のままです。

OpenAI は意図的なモデル弱体化を否定する一方で、推論努力設定の調整を試みたこと、コンテキスト制限を一時的に変更したこと、マルチエージェントおよび自動レビューワークフローでの予期しない使用を確認したことを認めています。これらは基盤となるモデルウェイトの交換を確認するものではなく、運用レベルの変更ですが、運用調整は実際のパフォーマンスに影響を与える可能性があります。

Codex に依存するチームにとっての最善の対応は、再現可能なベンチマークを確立し、ランタイム設定を記録し、直感ではなくテストによって結果を測定することです。

重要な教訓は、モデル名だけではユーザーが実際に得る動作を完全に説明できないということです。推論割り当て、コンテキスト、ツール、サービス構成も同様に重要です。
```