技術資料

GPT-6 Astraが公開されたので、GPT-5.6 Sol、GPT-5.6 Lunaと比べて、どのように使い分けると良さそうかを調べています。

今回は、CodexとOpenAI APIを主な対象に、料金とUsage消費、コーディング作業での使い分けについて、現時点での情報をメモとしてまとめます。

まだ公開直後のため、長期間使った結果や、条件を揃えたベンチマーク結果ではありません。OpenAIの公式情報と、私が情報収集した範囲での使い方の仮説を分けて記載します。料金や利用上限は変更される可能性があるため、確認日も残しておきます。

前提

この記事の確認日は2026年9月6日です。対象は次の環境です。

• Codexアプリ
• Codex CLI
• CodexのVS Code拡張
• OpenAI APIのResponses API
• OpenAI APIのChat Completions API

CodexをChatGPTアカウントで使う場合と、APIキーで使う場合では、適用される料金体系が異なります。前者はプランに含まれる利用枠やクレジット、後者はAPIのトークン料金が基本になります。

また、モデルが利用できるかどうかは、プラン、アカウント、ワークスペース、管理者設定、利用するクライアントによって異なる場合があります。この記事に書いた内容だけで、すべての環境で利用できるとは判断しないでください。

GPT-6 Astraは公開直後のモデル

GPT-6 Astraは、OpenAIの公式ドキュメントでは、難しいエンドツーエンドの作業向けのモデルと説明されています。複雑な推論、コーディング、コンピューター操作、リサーチ、ドキュメント作成などが主な対象です。

GPT-6 Astraの公式モデルページでは、APIのモデルIDはgpt-6-astra、reasoningの設定はlow、medium、high、xhigh、maxと記載されています。

一方で、公開直後のモデルについて「このモデルなら必ず正しい」「このモデルが最も安い」と断定するのは難しいと思います。同じモデルでも、渡したファイルの量、指示の書き方、ツールの使用回数、reasoningの設定によって、結果と消費量が変わるためです。

そのため、この記事ではAstraを無条件に推奨するのではなく、どのような作業なら試す価値がありそうか、という観点で整理します。

CodexのUsageとAPI料金は分けて考える

今回の比較で最初に注意したいのは、CodexのUsage消費と、OpenAI APIのトークン料金を同じものとして扱わないことです。

CodexをChatGPTアカウントで使う場合

ChatGPTにログインした状態でCodexを使う場合は、プランに含まれる利用枠やクレジットを消費します。公式の料金ページには、モデルごとのメッセージ数の目安が掲載されていますが、これは固定回数ではありません。

2026年9月6日に確認した公式料金ページでは、Plusの目安は次のようになっていました。

モデル	Plusの目安	相対的な消費
GPT-5.6 Luna	250〜2,000件	小さい
GPT-5.6 Sol	10〜100件	Lunaより大きい
GPT-6 Astra	5〜45件	Solより大きい

この件数は、コンテキスト量、reasoning、ツール実行、タスクの内容などによって変わる目安です。実際の残り利用枠やリセット時刻は、利用状況の画面やCodex CLIの/statusなどで確認します。

以前に見かけた情報では、Astraの目安が3〜30件とされているものもありました。しかし、公開直後は料金ページの内容も更新されるため、確認日時点の公式情報を優先する必要があります。

OpenAI APIを使う場合

APIキーでCodexを使う場合や、アプリケーションからOpenAI APIを呼び出す場合は、ChatGPTのプラン内利用枠ではなく、APIの料金が適用されます。

2026年9月6日時点の各モデルのテキスト料金は、次の通りです。

モデル	入力 / 100万トークン	キャッシュ済み入力 / 100万トークン	出力 / 100万トークン
GPT-5.6 Luna	$0.20	$0.02	$1.20
GPT-5.6 Sol	$4.00	$0.40	$20.00
GPT-6 Astra	$10.00	$1.00	$50.00

単純なトークン単価だけを見ると、AstraはSolより入力・出力ともに2.5倍、Lunaより入力で50倍、出力で約41.7倍です。APIを大量に呼び出す処理では、この差を無視できません。

APIの概算費用は、例えば次のように考えられます。

概算費用
= 入力トークン数 × 入力単価
+ キャッシュ済み入力トークン数 × キャッシュ単価
+ 出力トークン数 × 出力単価

実際には、キャッシュの作成、長い入力に対する料金、ツールの利用、処理モードなども関係します。APIの利用量を比較する場合は、請求額だけでなく、入力・キャッシュ済み入力・出力のトークン数も記録した方が、後から原因を確認しやすくなります。

3つのモデルをどう捉えるか

各モデルの公式ページに記載された位置付けと、今回の使い分けの仮説をまとめます。

モデル	公式上の位置付け	今回の仮説
GPT-5.6 Luna	コスト重視、大量処理向け	普段の修正、調査、テスト追加
GPT-5.6 Sol	複雑な専門的作業向けの標準モデル	設計判断や複数レイヤーの実装
GPT-6 Astra	最も難しいエンドツーエンド作業向け	難しい調査、大規模変更、長いAgenticタスク

GPT-5.6 Lunaは、公式モデルページでもコスト重視・高ボリュームのワークロード向けと説明されています。GPT-5.6 Solは、公式モデルページでGPT-5.6ファミリーのフラッグシップモデルと説明されています。

ここでいう使い分けは、公式ベンチマークから機械的に導いたものではありません。私がCodexを使うときの作業内容と、公開直後に調べた各モデルの位置付けを組み合わせた、現時点の仮説です。

私のCodexでの使い分けメモ

最近のコーディングでは、私はGPT-5.6 LunaのHighを基本にしています。

例えば、既存のコード構成に沿ったControllerやServiceの追加、Vueコンポーネントの修正、テストの追加、Markdownや仕様書の更新などです。すでにプロジェクトの方針や実装パターンが決まっている作業なら、Lunaでも十分に進められることが多いと感じています。

ただし、これは「Lunaならどの作業でも十分」という意味ではありません。複数のレイヤーをまたぐ変更や、仕様書を多数読み込んで整合性を保つ必要がある作業では、GPT-5.6 Solの方が安定しそうです。

さらに、原因が分からない不具合を調査しながら、コードの変更、テスト、エラー解析、再修正まで連続して進めるような作業では、GPT-6 Astraを試す価値があると思っています。

現在の仮の運用方針は、次の3段階です。

1. 普段のコーディングはGPT-5.6 Luna-High
2. Lunaで難しい場合はGPT-5.6 Sol
3. 大規模・高難度・長時間のAgenticタスクだけGPT-6 Astra

私の場合の目安としては、「Solで3回以上やり直しそうな仕事ならAstraを検討する」という考え方があります。AstraのUsage消費がSolの約3倍になる場合、Astraを1回使って完了できるなら、Solを何度も試す場合と比べて極端に不利とは限りません。

ただし、これは実測した固定ルールではありません。作業の内容や失敗の原因によっては、Astraへ切り替えても解決しないことがあります。単価の倍率だけで判断せず、完了までに必要な試行回数も含めて考えたいところです。

OpenAI APIではResponses APIとChat Completionsを分けて考える

今回の比較では、OpenAI APIのResponses APIとChat Completions APIの両方を対象にします。3モデルとも、公式モデルページでは両方のエンドポイントが案内されています。

単純な入力に対するテキスト出力を比較するなら、同じ入力をそれぞれのモデルへ送り、Usageと出力内容を比較すればよいと思います。一方で、ツール呼び出しや複数段階の処理まで含める場合は、Responses APIを使う方が現在のモデルの使い方に合わせやすそうです。

GPT-6 Astraの公式ガイドでも、Astraを使う場合はResponses APIでmodelにgpt-6-astraを指定する例が案内されています。また、ツール呼び出しを使う場合はResponses APIを使うよう説明されています。

一方、Chat Completionsを使っている既存アプリケーションであれば、単純にモデル名だけを変更してよいとは限りません。モデルごとに利用できるパラメータや、reasoningの指定方法を公式ドキュメントで確認する必要があります。

reasoningの設定

reasoningを強くすると、難しい問題へ時間をかけて取り組ませやすくなります。ただし、強くすれば常に費用対効果が上がるわけではありません。

日常的な小さな修正で過剰に推論させると、応答までの時間や消費量が増える可能性があります。反対に、複雑な設計や原因調査で推論を弱くしすぎると、こちらが追加の指示を何度も出すことになるかもしれません。

そのため、モデルだけでなく、reasoningの設定も比較条件として記録します。例えば、次のような組み合わせです。

作業	最初に試す設定
軽微な修正、調査	Luna / Medium〜High
複数ファイルの実装、レビュー	Sol / Medium〜High
難しい不具合、大規模なAgentic作業	Astra / Medium

この表も、現時点の使い方の仮置きです。Astraの公式ガイドでは、現在の設定を維持したまま、会話途中でreasoningを変更する機能も説明されています。実際に利用できる設定やクライアントごとの挙動は、利用環境で確認します。

コスパを比較するときの見方

API単価が安いモデルを使えば、必ずコスパが良くなるとは限りません。何度も修正指示を出したり、別のモデルでやり直したりすると、1回あたりの単価差が小さくても、タスク全体の費用が増えるためです。

反対に、Astraのように1回あたりの消費が大きいモデルでも、難しい作業を少ない試行で完了できれば、タスク単位では比較しやすくなる可能性があります。

この考え方を式にすると、次のようになります。

タスク単位のコスト
= 1回あたりのUsageまたはAPI費用 × 試行回数

実際には、作業時間、人が確認する時間、失敗した変更を戻す手間などもあります。ただ、まずはAPI単価とUsage消費を中心に見るなら、少なくとも次の値を残すと比較しやすくなります。

• モデル名
• reasoningの設定
• 入力トークン数
• キャッシュ済み入力トークン数
• 出力トークン数
• CodexのUsageまたはクレジット消費
• 完了までの試行回数
• 最終的にテストが通ったか

比較するなら同じ作業で試す

モデルを比較するときは、モデルごとに違う作業をさせない方がよいと思います。Astraには難しい作業、Lunaには簡単な作業という分け方をすると、モデルの差なのか作業の差なのか分からなくなるためです。

例えば、Codexでは次のような作業を同じリポジトリ状態から依頼します。

1. 既存のPHP・Laravelコードへ、既存パターンに沿った小さな変更を加える。
2. Backend、Frontend、テストなど複数の領域へまたがる変更を加える。
3. 原因が分からないテスト失敗を調査し、修正して、関連テストまで実行する。

依頼する内容、参照するファイル、テスト条件を揃えた上で、モデル名だけを変更します。変更されたファイル、テスト結果、追加指示の回数、Usage消費を記録すると、少なくとも自分の作業における傾向は見やすくなります。

OpenAI APIでも、同じ入力をResponses APIとChat Completionsでそれぞれ確認します。単純なテキスト出力と、ツールを使う処理は分けて比較した方がよいでしょう。ツールを使う処理では、モデルの出力だけでなく、ツールを何回呼んだかや、ツール結果を含む入力の量も記録する必要があります。

現時点での使い分け

2026年9月6日時点で、私が考えている使い分けは次の通りです。

作業	第一候補	切り替えの目安
既存コードの説明、軽微な修正	Luna	既存パターンから外れる判断が必要になったらSol
通常の機能追加、テスト追加	Luna	複数レイヤーの整合性が必要ならSol
複数レイヤーをまたぐ設計・実装	Sol	調査や再修正が長引くならAstra
原因不明の難しい不具合	Sol	複数回の試行でも進まないならAstra
調査から実装、テストまで続く長い作業	Astra	利用枠とAPI費用を確認してから実行

なお、詳細な仕様を詰めるための壁打ちと、その結果として仕様書ドキュメントをMarkdownで作成する作業には、ChatGPTのGPT-5.6 Sol-Highを使っています。仕様や作業分解をChatGPTで整理してから、生成した仕様書MarkdownをもとにCodexへ既存コードの調査、実装、テストを依頼する流れです。実装部分以外でのCodexのUsage消費を抑えられるのでお勧めです。

普段の作業までAstraにすると、難しい作業へ使いたいときにUsageを残せない可能性があります。安価なモデルを基本にして、必要なときだけ上位モデルへ切り替える方が、現在のところは運用しやすそうです。

公開直後の情報として注意すること

料金と利用上限は変わる

今回掲載したAPI料金やCodexのメッセージ目安は、2026年9月6日に確認した情報です。料金、クレジット、利用上限、モデルの提供範囲は変更される可能性があります。

特にCodexのメッセージ数は固定の回数ではなく、入力されたコンテキストや作業内容を含めた目安です。自分のアカウントで表示されるUsageを確認してください。

APIキー利用とChatGPTログインを混同しない

CodexへAPIキーでログインする場合は、ChatGPTのプランに含まれる利用枠ではなく、API料金が適用されます。ChatGPTアカウントで利用する場合と、同じモデル名でも、料金の見え方や利用上限が同じとは限りません。

性能の印象を一般化しない

今回のメモに書いた「Lunaは普段使い」「Solはバランス型」「Astraは難しい作業向け」という整理は、公式の位置付けと私の使い方を組み合わせたものです。すべてのプログラミング言語、リポジトリ、指示方法で同じ結果になるとは考えていません。

まとめ

GPT-6 Astraが公開された直後の情報として、GPT-5.6 Sol、GPT-5.6 Lunaとの使い分けを整理しました。

現時点の私の仮の運用方針は、普段のコーディングをGPT-5.6 Luna、複数レイヤーにまたがる作業をGPT-5.6 Sol、難しい調査や長時間のAgenticタスクをGPT-6 Astraに任せる、というものです。

ただし、CodexのUsage消費とOpenAI APIのトークン料金は別の指標です。Codexではプラン内の利用目安と実際のUsageを、APIでは入力・キャッシュ済み入力・出力トークンを確認します。

Astraは1回あたりの消費が大きいモデルですが、難しい作業を少ない試行で完了できるなら、タスク全体のコストで見ると選択肢になる可能性があります。今後は、同じPHP・Laravelの作業や同じAPI入力を使って、実際の消費量と結果を比較していく予定です。

この記事は公開直後に情報収集した時点のメモなので、利用前には必ずGPT-6 Astraの公式モデルページとChatGPT・Codexの公式料金ページを確認してください。

参考資料

• GPT-6 Astra Model | OpenAI API
• GPT-5.6 Sol Model | OpenAI API
• GPT-5.6 Luna Model | OpenAI API
• Model guidance | OpenAI API
• 料金 | ChatGPT Learn
• 新着情報 | ChatGPT Learn
• ワークスペースでのモデルの利用可否 | ChatGPT Learn