GPT-6 シリーズは 2026 年 10 月 14 日、OpenAI 社内での実測事例を新たに得た。同社の開発者ブログがこの日公開した中核実験チームの振り返りによれば、GPT-6 Astra と GPT-6.1 Sol を Codex と組み合わせて大規模コードベースを保守したところ、5 人のエンジニアが 2 週間、本業の合間の作業で 1400 件を超える整理系プルリクエストをマージし、80 万行超のコードを削除した。デモではなく、OpenAI 自身が毎日動かしている本番コードでの話である。
死コード整理：指示は大まかに、証拠は厳密に
GPT-5.6 Sol の時代は、調査範囲を区切り、検証基準を明示してからでないとモデルに任せられなかった。Astra では逆に、あえて大まかな要求だけを与え、どこを探し、何をもって不要と判断するかまで自分で決められるか試したという。モデルは過去のプルリクエストや社内の議論スレッド、プロジェクト管理記録をたどり、本番環境のプロファイリング表で対象コードが実際に実行されていないことを確認し、削除ごとに理由を添えたため、人のレビューが速くなった。成果は具体的で、あるサービスのコンテナイメージは 3.31GB から 1.72GB へ約 48% 縮小し、テストスイートからは約 400 件のビジュアルスナップショットが除かれた。長いコンテキストをまたいで証拠の鎖を自ら組み立てるこの進め方は、GPT-6.1 Sol がデフォルトのコンテキストを 500k に引き上げた長タスク路線 と地続きである。
期限切れ実験はもっと難しい：難しいのは削除ではなく判断
死コードは消し間違えても巻き戻せるが、期限切れの実験は違う。コードが本番でまだ動いている可能性があり、適用条件も変わりうるため、静的解析では誤判定が起きやすい。チームは Astra にあらかじめ定めたガードレールの内側で、証拠付きの変更案を用意させ、最終判断は人が下す形にした。象徴的な例がある。数年前、テスト用に他の新機能フラグをすべて上書きできる社内フラグが作られたが、これは全機能に自分を対応づける作りで、実行時に大きな CPU 扇出を起こしていた。管理コンソールでは恒久扱いとされていたため、Astra は CPU コストの異常を見つけても独断で消さず、人間のレビューに上げ、確認後に除去された。主な影響サービスで約 0.42% の CPU 削減が見込まれるという。全体では数百件の期限切れ実験とフラグが整理された。
安いモデルの勘定：コスト 14% で発見の 92%
同じ指示文で期限切れ実験を監査する比較も行われた。対象は 6000 超のファイル、100 万行規模のサブディレクトリである。Astra Ultra は 142 件を発見し、標準 API 価格換算のコストは 109.06 ドル。GPT-6.1 Sol Ultra は 131 件を 15.12 ドルで発見し、コスト約 14% で発見数の約 92% に達した。Sol Medium は 86 件、5.27 ドルだった。Sol が主に見落としたのは、他のフラグから依存される定数フラグで、この傾向が分かれば指示文の側で補正できる。継続的インテグレーションでも、モデルの提案に基づく約 30 件の最適化がマージされ、中央値の完了時間は約 10 分から 4.5 分に短縮され、63 件のテストを持つスイートは 592.6 秒から 29.8 秒になった。テストは 1 件も減っていない。
プログラミングエージェントを使うチームにとって持ち帰れるのは、魔法の指示文ではなく手順である。小さなディレクトリで試験導入し、変更案には証拠を必須とし、レビューの指摘を指示文に反映してから範囲を広げる。モデル選びも、まず安い側の発見率を測り、最も高価なモデルは最も難しい監査に温存するのが合理的だ。なお、以上の数字はすべて OpenAI の社内自己申告であり、第三者の再現はない。他社のコードベースにそのまま当てはまる保証はない点には注意したい。
