GPT-5.6を論文とベンチマークで読む：Codex・AIエージェント・安全性の現在地

2026年8月21日確認：公式評価と研究ベンチマークを更新

GPT-5.6の正式発表後も、公式scoreはモデル、reasoning effort、agent harness、対象taskで意味が変わります。8月時点の公式ページではSWE-Bench Pro、Artificial Analysis Coding Agent Index、BrowseComp、OSWorld 2.0、Agents’ Last Examなどが示されていますが、1つの数字をCodexの実repo作業の成功率へ置き換えません。

公式scoreを自分のrepoへ移す時の3つの分解

• modelとaliasを固定する。現行Model guidanceではgpt-5.6 aliasがgpt-5.6-solへ向くため、model ID、reasoning effort、pro / maxの条件を記録する。
• harnessを固定する。persisted reasoning、compaction、multi-agent、Programmatic Tool Calling、prompt cachingの有無で、同じモデル名でもtokens、latency、tool calls、途中状態が変わる。
• 成功率だけで終わらせない。品質、要件充足、evidence、retry、総tokens、cost、diff、build/check、権限・安全性を代表taskで比較する。

冒頭の結論：GPT-5.6は強さではなく評価軸を分けて読む

GPT-5.6 Sol、max reasoning、ultra modeという言葉を見ると、Codexに大きな作業をそのまま任せたくなります。ただ、AIエージェントの実力は、コード修正、ターミナル操作、GUI操作、研究再現、サイバー安全性で別々に見た方が安全です。

GPT-5.6公式発表で確認できること

公式発表とSystem Cardから読めるのは、GPT-5.6 seriesがSol / Terra / Lunaに分かれ、Solが長いコーディング、agentic workflow、max reasoning、ultra mode、サイバーや長時間タスクの評価文脈で語られていることです。一方で、この記事では公式に出ていないGPT-5.6の個別ベンチマーク数値を作りません。

なぜSWE-benchだけでは足りないのか

SWE-benchは実GitHub issueを使うため、AIコーディング評価の重要な入口です。ただし、実務のCodex作業は、issue修正だけでは終わりません。調査、複数ファイル変更、build/check、生成HTML、sitemap、upload、本番前確認、完了報告レビューまで含めると、TerminalWorld、OSWorld、OdysseyBench、PaperBenchのような別軸も必要になります。

Codex利用者は何を確認すべきか

ベンチマークを過信しないチェックリスト

• そのベンチマークは自分の作業に近いか。
• モデル単体の評価か、agent scaffoldやツール実行込みの評価か。
• ファイル編集、テスト実行、ログ確認、再試行が含まれているか。
• タスクが古くなく、データ汚染や公開済み問題の影響を減らしているか。
• 成功率だけでなく、失敗の種類、途中状態、再試行コストを見ているか。
• 本番反映、秘密情報、権限変更、課金処理まで任せてよい話にすり替えていないか。
• 自分のrepoで小さく再現する確認タスクを用意しているか。

サイバー評価は防御の言葉に翻訳する

Cybench、ExploitGym、AgentHarmは、AIエージェントが危険な領域でどこまで進めてしまうかを考える材料です。AI開発横丁では、これを攻撃手順の紹介ではなく、防御的コードレビュー、パッチ作成、権限管理、AGENTS.mdの禁止事項へ翻訳します。