OpenAIはGPT-6 SolのupgradeとしてGPT-6.1 Solを発表しました。agentic coding、computer use、professional workでAstraに近い性能を、Astra標準input/output価格の5分の1で提供すると説明しています。 企業のagent運用は最上位modelだけでなく、task単位の成功率、reasoning effort、cached input単価、computer use性能でmodelを分ける段階です。長いcontextを再利用する業務では、品質評価とFinOpsを同じ表で見る必要があります。 Sol系列がagentic work向けに大きく更新 OpenAIは2026年9月29日、GPT-6 SolのupgradeとしてGPT-6.1 Solを発表しました。発表では、agentic coding、computer use、professional workでGPT-6 Astraに近いintelligenceを、Astraのstandard input/output token pricesの5分の1で提供すると説明しています。cached inputは100万tokensあたり0.10ドルで、GPT-6 Solのcached inputより50%低い価格です。 coding、PDF業務、computer useで改善を示す OpenAIによれば、DeepSWE v1.1ではGPT-6.1 SolがGPT-6 Astraに近い結果を約5分の1のcostで示し、GPT-6 Solのbest scoreを6.4 percentage points上回りました。GDP.pdfでは複雑なPDFを使うprofessional questionsで、Opus 5.5 with fallbacksより高いscoreを半分未満のcost per taskで示したとしています。OSWorld 2.0のoffline setでは、maximum reasoning effortでGPT-6 Solを7 percentage points上回りました。 科学workflowとfactualityも選定軸になる Terminal-Bench Science 0.1では、maximum reasoning effortでGPT-6 Solのscoreを2倍超にし、taskあたり平均5.47ドルだったとOpenAIは説明しています。同じ評価でGPT-6 Astraは68.1%の最高scoreを示し、最難関の科学研究taskにはAstraが推奨されています。factuality評価では、low reasoning effortでfactual errorを含む回答の割合を11.4%から7.7%へ下げたとしています。 model選定は性能表からworkflow会計へ移る 導入側にとって重要なのは、最高性能modelを常に使うことではありません。coding agent、document processing、computer use、科学workflowでは、成功率、再試行、reasoning effort、cached contextの再利用率が総費用を左右します。GPT-6.1 Solのような中核modelが強くなるほど、Astraをどのcheckpointだけに使うか、Solでどこまで自動化するかをworkflow単位で決める必要があります。