AIで開発する

OpenAIリーダーがSol、Astra、永続エージェントの使い分けを解説

OpenAIのEMEA開発者リードが、GPT-6.1 SolとAstraモデル間のトレードオフ、および常時稼働するdotsによるエンジニアリングワークフローの自動化について詳述します。

デスク上のAIモデルティアとエージェント接続のイラスト
この記事用に生成されたイラスト

英語の原文から自動翻訳されました。

サンフランシスコで開催された2026年のDevDayにおいて、OpenAIは新モデル、開発者ツール、自律エージェントを含む20件以上のアップデートを発表しました。同社のEMEA開発者体験リードであるVaibhav Srivastav氏は、エンジニアがこれらの選択肢をどのように活用すべきかについて明確にし、コスト効率の良いモデル選択と、永続的なバックグラウンドエージェントの実用的な価値を強調しました。

何が起きたのか

OpenAIは9月29日に開催した第4回DevDayで、GPT-6.1 Solと、GPT-6 Astra向けのUltrafastティアを導入しました。その後、10月8日にはSol向けにもUltrafastサポートを追加しました。これらのリリースは、開発者がパフォーマンス、速度、コストに対して細かな制御を行えるようにすることを目的としています。Srivastav氏によれば、Astraが機能面での最先端を表す一方で、Solは日常のほとんどのタスクにおいてほぼ同等のパフォーマンスを、大幅に低い価格帯で提供します。

発表には、バックグラウンドで継続的に実行可能な永続エージェント「OpenAI dots」も含まれていました。これらのエージェントは、OpenAIのプラグインエコシステムを通じて数千のアプリケーションに接続し、ワークフローの監視、通信文書の作成、プルリクエストの管理を行います。さらに、OpenAIは迅速な構造化出力分類のためのDecisions APIを開始し、Agents API内のコンピュータ使用機能を拡張して、モデルがソフトウェアインターフェースと直接対話できるようにしました。

Srivastav氏は、OpenAI内部での採用パターンが外部の開発者の経験と類似していることを指摘しました。多くの従業員が、知能と手頃な価格のバランスが取れているため、主要な日常利用ツールとしてGPT-6.1 Solに切り替えています。同社はチームに対し、すべてのタスクで最も高価なオプションをデフォルトにするのではなく、異なるモデルに対して具体的なユースケースをテストし、コストと成果の最適なバランスを決定することを推奨しています。

仕組み

GPT-6.1 Solは、SWE-benchやTerminal-Bench 4.0などのベンチマークにおいて、GPT-6 Astraの約95%のパフォーマンスを達成しますが、トークンあたりのコストは5分の1です。敵対的レビューや深いセキュリティ分析が必要なタスクについては、Srivastav氏はSolが見逃す可能性のある穴を特定するためにAstraを使用することを推奨しています。Ultrafastティアは両モデルで毎秒300トークン以上を提供し、不正検知やライブコード調査などリアルタイムのニーズに対応しますが、プレミアム価格となります。

OpenAI dotsは、Slack、GitHub、Gmail、カレンダーなどの接続ツールからコンテキストを集約する常時稼働エージェントとして機能します。ユーザー定義のルール(マネージャーからのメッセージのフラグ付けや緊急のプロダクトローンチの識別など)に基づいてタスクを優先順位付けします。アクションを実行する前に、軽量なLunaレベルのモデルが安全ポリシーに対する自動レビューを行い、エージェントが明示的な承認なしにメールを送信したり機密データを共有したりしないように保証します。このガードレールシステムは現在、CodexおよびChatGPTのサブスクライバー向けに無料で提供されています。

主要な詳細

  • GPT-6.1 Solは、標準コストの20%でAstraの95%のパフォーマンスを提供します。
  • UltrafastモードはSolとAstraの両方をサポートし、毎秒300トークン以上を提供します。
  • OpenAI dotsは、プラグインを通じて4,000以上のアプリに接続する永続エージェントです。
  • Decisions APIは、従来の方法より10倍速くテキストと画像を分類します。
  • 自動レビューでは、軽量モデルを使用してエージェントのアクションをユーザーポリシーに対してチェックします。
  • OpenAIは、古いAPIモデルに対して3か月前の廃止通知を提供します。

なぜ重要なのか

エンジニアリングリードや創業者にとって、SolとAstraの区別はAI支出を最適化するための明確な道筋を示します。すべてのタスクに最高ティアのモデルを使用することは不要であり、高額になります。複雑でリスクの高いレビューにはAstraを予約し、通常のコーディングやドラフト作成にはSolを使用することで、チームはコストを抑制しながら高い出力品質を維持できます。この階層化されたアプローチにより、組織は予算を比例して増やすことなくAIの使用量をスケールさせることができます。

dotsのような永続エージェントの導入は、反応的なプロンプト入力から積極的な支援へのパラダイムシフトをもたらします。開発者は数千件の通知を手動で選別する代わりに、監視やルーチンな管理タスクをエージェントに委任できます。これにより、コンテキストスイッチによる疲労が軽減され、高価値なエンジニアリング作業やチームコラボレーションのための時間が確保されます。ただし、不正なアクションを防ぐために、安全ガードレールの慎重な設定が必要です。

できること

  • 現在のAI使用状況を監査し、AstraからSolへ移行できるタスクを特定してください。
  • 日常のコーディング、ドラフト作成、ルーチンなコードレビューにGPT-6.1 Solを実装してください。
  • 敵対的テスト、セキュリティ監査、複雑な問題解決にはGPT-6 Astraを予約してください。
  • OpenAI dotsを設定し、緊急項目のために特定のチャンネルやリポジトリを監視してください。
  • エージェントが承認なしにデータを送信したりコードをマージしたりしないよう、厳格な自動レビューポリシーを定義してください。
  • レイテンシーとコストを削減するために、大量の分類タスクでDecisions APIをテストしてください。
  • #openai
  • #llm ops
  • #agent workflows
  • #cost optimization
  • #software engineering

Bytechapストアのツール

$89

DocBento

すべてのスキャンを読み取り、ページ出典を提示して回答するセルフホスト型ドキュメント管理システム。

ライブデモ

続きを読む

AIで開発する

NVIDIA DGX SparkでMoE推論を高速化するための3つの最適化

Ling-3.0-flashのプロファイリングにより、デコーディングがメモリ帯域幅に制限されていることが判明しました。カーネルの置き換え、LMヘッドの量子化、マルチトークン予測の導入により、GSM8Kでのスループットが42.5%向上しました。

AIで開発する

AI生成の研究アイデアに対するLLMの新規性判定は失敗する

Hugging Faceによる新しい研究では、大規模言語モデル(LLM)がAI生成の科学的アイデアの新規性を信頼できる形で評価することに苦戦しており、プロンプトのわずかな変更によって性能が急激に低下することが明らかになりました。

AIで開発する

AWS BedrockでCDKとマネージドナレッジベースを用いたエージェント型リトリバルを構築

Amazon Web Servicesは、Managed Amazon Bedrock Knowledge BasesとAWS Cloud Development Kitを使用してエンタープライズ向けのエージェント型リトリバルを展開する方法について詳述しています。これにより、手動でのベクトルストア管理が自動化に置き換えられます。

すべての記事