GPT-5.6 ultra modeとは何か？OSWorld・OdysseyBenchから見るサブエージェント化の意味
GPT-5.6のultra modeとsubagentsを、OSWorld・OdysseyBenchのような長時間・複数アプリ評価から読み、Codex作業をどう分担すべきか整理します。
公開 2026.06.27 / 更新 2026.07.10
この記事のポイント
- ultra modeはsubagents的な分担として理解できるが、具体的なUI/API指定は公式docsで確認する
- OSWorldとOdysseyBenchは、複数アプリ、画面状態、長いworkflowが難しい理由を示す
- Codexでは調査、既存記事確認、実装、build/check、sitemap/upload、報告を分けるとレビューしやすい
2026年7月10日追記：ultraは標準4 agentsと公式確認
ultraは標準4 agentsを並列に調整し、token useと引き換えに結果品質とtime-to-resultを狙う設定と公式確認できました。APIではmulti-agent betaでultra-likeな体験を構築できます。単一modelのmax、tool orchestrationのProgrammatic Tool Callingとは分けます。
| 公式評価 | Sol 1 agent | Sol Ultra（標準4 agents） | 差を見るときの注意 |
|---|---|---|---|
| Terminal-Bench 2.1 | 88.8% | 91.9% | 全agentのtoken・cost・統合reviewを含める |
| BrowseComp | 90.4% | 92.2% | 検索evidenceと最終citationを確認 |
| SEC-Bench Pro | 71.2% | 74.3% | 防御的評価に限定し、権限を広げない |
結論：ultra modeはレビュー不要モードではない
GPT-5.6のultra modeは、subagentsを使って複雑な作業を進める方向として読みます。ただし、これは人間の採用判断や本番判断を消す話ではありません。むしろ、AIが複数工程を進めるほど、工程ごとの確認点を分ける必要があります。
OSWorldが示す画面操作の難しさ
OSWorldは、実コンピュータ環境のopen-ended taskを通じて、画面理解、状態追跡、複数アプリ操作の難しさを見ます。AIが計画を立てられても、画面状態が違う、クリック先が違う、認証が必要、といった問題で作業は止まります。
OdysseyBenchが示す長時間workflowの難しさ
OdysseyBenchは、Word、Excel、PDF、Email、Calendarのようなオフィスアプリをまたぐ長時間workflowを扱います。これは、1つの関数修正よりも、複数ステップの依存、途中成果物、最終提出物の整合性が重要になる評価です。
| 工程 | subagentsに任せやすいこと | 人間が残すこと | 任せないこと |
|---|---|---|---|
| 調査 | 公式ソース、論文、既存記事の確認 | 採用する出典と検索意図の判断 | 秘密情報や有料管理画面の探索 |
| 設計 | 記事構成、表、内部リンク候補 | 親記事と子記事の役割分担 | 重複記事の量産 |
| 実装 | 既存形式に沿った本文・metadata追加 | 作業範囲と命名の最終判断 | 依存追加や構造大改造 |
| 検証 | build/check、sitemap、static HTML確認 | 警告のブロッカー判断 | 本番deployやDB操作 |
| 報告 | 変更点、確認結果、未確認事項の整理 | 公開可否、次に見るURLの判断 | 責任判断の自動化 |
AI開発横丁の作業に置き換える
記事クラスター追加なら、調査係、既存記事確認係、実装係、build/check係、sitemap/upload確認係、完了報告係に分けて考えられます。実際にsubagentsを使うかどうかより、工程と責任を分けることがレビュー負荷を下げます。
- 調査係は出典と確認日を残す。
- 既存記事確認係は重複と内部リンク候補を見る。
- 実装係は既存形式に沿って最小変更にする。
- build/check係は生成物とsitemapを確認する。
- 報告係は変更点、確認結果、未確認事項、commit/pushを分ける。
ultra modeとsubagents FAQ
ultra modeなら複数工程を丸投げできますか？
丸投げではなく、工程を分けて確認できる形にします。特に本番反映、秘密情報、削除、DB、決済、権限変更は人間確認を残します。
subagentsとは何ですか？
複雑な作業を調査、実装、検証、報告のような役割に分けて進める発想として理解すると実用的です。
OSWorldやOdysseyBenchはCodex作業に直結しますか？
完全には直結しません。ただし、複数アプリ、長時間workflow、途中状態管理の難しさを読む材料になります。
関連記事
- AIエージェントのベンチマーク完全ガイド：SWE-benchだけでCodexの実力は分からない理由
ベンチマークはランキングではなく、何を測って何を測っていないかを見る道具です。Codex作業に近い評価軸を分けて読みます。
- OSWorld・WebArena・OdysseyBenchで読むコンピュータ操作AIの限界：ブラウザ確認や管理画面操作を丸投げしない理由
ブラウザや管理画面の操作は、コード修正とは別の難しさがあります。認証、画面状態、複数アプリ、途中成果物の扱いを分けて読みます。