GPT 5.6 SolはOpenAIがリリースした最高の「ビジョン」モデル
GPT 5.6 Sol is the best "vision" model OpenAI ever released (blog.roboflow.com)
要約
OpenAIが発表したGPT-5.6モデルラインナップ(Sol、Terra、Luna)のうち、Solは特に物体検出とカウントにおいてGPT-5.5から大幅な進歩を示しました。しかし、大規模画像での安定性やコスト、レイテンシには課題も残ります。全体として、OpenAIはビジョンモデル開発に力を入れており、エージェントやドキュメントワークフローでの活用が期待されます。
全文翻訳
GPT 5.6 SolはOpenAIがリリースした最高の「ビジョン」モデル
先週、OpenAIはGPT-5.6ラインナップを発表し、Sol、Terra、Lunaモデルを導入しました。リリース配信中、チームは特にコンピューターの使用に重点を置き、デスクトップアプリケーションをナビゲートおよび操作できるモデルを示しました。OpenAIはUIエージェントを強調し、3Dビジュアライゼーションの詳細を説明しましたが、どちらもより強力な視覚的理解に依存します。
それらのビジョン能力を測定するため、私たちはモデルを、今後数週間でリリース予定のVLMベンチマークでテストしました。このベンチマークは、検出、カウント、OCR、データ抽出を含む一般的なビジョンタスクをカバーしています。この記事では、GPT-5.6がそれぞれのタスクでどのようにパフォーマンスを発揮するかを詳しく見ていきます。
[画像: GPT-5.6モデルのベンチマーク結果の概要]
Solは明らかにOpenAIがこれまでにリリースした中で最高のビジョンモデルです。特にオブジェクト検出とカウントでは、GPT-5.5が最強のVLMに大きく遅れをとっていたため、その進歩は顕著です。TerraとLunaはSolほど強力ではありませんが、どちらもGPT-5.5から意味のある進歩を示しています。
オブジェクト検出
検出は、GPT-5.6が最も明確な飛躍を見せた分野です。GPT-5.5は私たちのベンチマークで13.8 mAP@50を記録しましたが、Solは46.2に達しました。TerraとLunaは44.7と43.3でそれに続き、オブジェクト検出を主要な弱点から実用的な能力へと引き上げました。
[画像: オブジェクト検出のベンチマーク結果]
ドキュメントレイアウト検出は、GPT-5.6の最も明確な強みの一つです。Solはタイトル、段落、テーブル、画像、署名をうまく処理しました。多くのドキュメントワークフローは、OCRやデータ抽出が始まる前に、ページの関連部分を見つけることから始まります。
[画像: ドキュメントレイアウト検出の例]
GPT-5.6は、密集したシーンでも良好なパフォーマンスを示しました。ピルと卵の例には、互いに近くに詰め込まれた多くの類似オブジェクトが含まれており、これはVLMベースの検出における一般的な弱点です。従来の検出器とは異なり、VLMは各クラスラベルと座標セットをテキストとして生成します。オブジェクト数が増えると、応答は長くなり、オブジェクトの見落とし、重複、座標エラーのリスクが増加します。それにもかかわらず、Solは両方のシーンでほとんどのオブジェクトを検出しました。
[画像: 密集したシーンでのオブジェクト検出の例]
最高の検出結果を得るには、GPT-5.6モデルに画像ピクセルでの絶対XYXY座標を返すようにプロンプトしてください。これは、YXYX座標を0〜1000の範囲に正規化したものが最適だったGemini 3.5 Flashとは異なります。間違った座標形式を使用すると、GPT-5.6の検出パフォーマンスがベンチマークで約15 mAPポイント低下しました。
いくつかのケースでは、GPT-5.6 Solは画像内のランダムな部分にボックスを返しました。多くはグラウンドトゥルースとの重なりがほとんどないか、全くありませんでした。見えるオブジェクトに一致する代わりに、ボックスはしばしば直線的な行や均等に配置されたグループのような不自然なレイアウトを形成しました。
[画像: 不自然なレイアウトの検出ボックスの例1]
[画像: 不自然なレイアウトの検出ボックスの例2]
これらの例をOpenAIと共有しました。彼らのチームは、Solは2,000 x 2,000ピクセル以上の画像、特に低い推論努力で不安定になることを確認しました。高い推論努力は安定性を向上させますが、トークン使用量、レイテンシ、コストも増加します。OpenAI APIに送信する前に、大きな画像をリサイズまたはクロップすることが最も実用的な回避策です。
オブジェクトカウント
カウントはGPT-5.6ラインナップ全体で改善されました。Solはベンチマークで73.0%を記録し、GPT-5.5の64.9%から向上しました。TerraとLunaはそれぞれ67.6%と66.2%に達しました。ラインナップの中で最も安価なモデルであるLunaでさえ、以前のOpenAIのベースラインを上回りました。
[画像: オブジェクトカウントのベンチマーク結果]
ベンチマークの一環として、オブジェクトを特定して合計を返す以上の処理が必要なケースをテストしました。Solは、従来のオブジェクト検出器とVLMの両方にとって困難なケースである、重なり合った金属ブラケットをカウントしました。Solは、弾痕を特定のスコアリングゾーン内のみでカウントし、どのオブジェクトをカウントすべきか、およびルールがどこに適用されるかの両方を理解していることを示しました。
[画像: 重なり合ったオブジェクトのカウント例]
[画像: 弾痕のカウント例]
ブリスターパックはさらに困難であることが判明しました。別々のプロンプトで、Solに空のスロットとパッケージ内にまだ密封されているピルを数えるように依頼しました。繰り返されるレイアウト、反射、および満たされたスロットと空のスロット間の小さな視覚的違いは、両方のタスクを困難にしました。
[画像: ブリスターパックの空スロットのカウント例]
[画像: ブリスターパックのピルカウント例]
異常なキャンディーの例は、別の種類の失敗を露呈しました。Solは間違ったカウントをしましたが、モデルがキャンディーを数え間違えたのか、ターゲットカテゴリを誤解したのかは不明です。
[画像: 異常なキャンディーのカウント例]
OCRとデータ抽出
OCRパフォーマンスはGPT-5.5に近いままでした。Solは90.7%の平均類似度スコアを達成し、GPT-5.5の91.2%からわずか0.5ポイント遅れでした。TerraとLunaはそれぞれ88.8%と88.4%に達しました。テキスト抽出では、Solが82.5%だったのに対し、GPT-5.5は87.6%であり、その差は大きくなりました。LunaとTerraはそれぞれ81.4%と79.4%でした。
[画像: OCRのベンチマーク結果]
[画像: テキスト抽出のベンチマーク結果]
ベンチマークの一環として、完全な文字起こしとターゲット抽出を分離しました。OCRはモデルに表示されているすべてのテキストを文字起こしするように求めますが、テキスト抽出は特定の情報を要求します。Solは両方の設定で手書きメモにうまく対応し、一方のケースでは完全な文字起こしを生成し、もう一方のケースでは要求された日付を抽出しました。
[画像: 手書きメモのOCR例]
[画像: 手書きメモからの日付抽出例]
Solは、複雑な視覚シーンに埋め込まれたテキストでも良好なパフォーマンスを示しました。汚れた摩耗したタイヤの湾曲した表面に印刷されたタイヤサイズ系列を読み取りました。別の例では、ホッケー放送からライブスコアを抽出し、要求された形式で回答を返し、視覚的な読み取りと指示の追従の両方をテストしました。
[画像: 複雑なシーンからのテキスト読み取り例]
[画像: ライブスコア抽出例]
単純に見える抽出タスクでも失敗するケースがありました。Solはブリスターパックに印刷された賞味期限を読むことができませんでした。テキストは小さく、縦書きで、コントラストが低く、反射の影響を受けており、これがエラーの原因である可能性があります。
[画像: ブリスターパックの賞味期限抽出失敗例]
トレードオフ
ビジョン能力の向上には、GPT-5.6ラインナップ全体でのトークン使用量の増加が伴います。小規模なテストでは差は小さいですが、スケールが大きくなると、トークン量が処理コストに直接影響するため、より重要になります。
[画像: トークン使用量の比較]
Solはベンチマークで画像あたり平均約10秒かかりました。Terraはそれを約6秒に短縮し、Lunaは5秒強で完了しました。Lunaは、速度がGemini 3.5 Flashに近いながらも、検出とカウントでGPT-5.5を上回っており、ラインナップの中で最も強力なレイテンシ・品質バランスを提供します。
[画像: 画像あたりのレイテンシ比較]
私たちのベンチマークでは、Solは画像あたり約2.5セントかかり、Claude Fable 5に次いで2番目に高価なモデルでした。Terraは平均コストを画像あたり約1セントに削減し、Lunaは0.5セント未満でした。
[画像: 画像あたりのコスト比較]
画像あたり0.8セントのGemini 3.5 Flashは、Solよりもはるかに安価でありながら、検出とカウントのベンチマークで依然としてリードしています。これは、大規模な画像バッチにコストがスケールするデータ集約型のワークロードにとって強力な選択肢となります。Roboflow Playgroundを使用すると、Sol、Terra、LunaをClaude Fable 5、Gemini 3.5 Flash、その他のVLMと共に同じタスクでテストできます。
まとめ
GPT-5.6により、OpenAIは以前よりもはるかに主要なVLMに近づきました。検出は弱点から実用的な能力へと移行し、カウントはモデルファミリー全体で改善されました。
依然として明確な限界があります。私たちのベンチマークでは、特に価格を考慮すると、Gemini 3.5 Flashは高ボリュームの検出とカウントにおいて、依然としてより実用的な選択肢です。
GPT-5.6は、OpenAIがビジョンをはるかに真剣に受け止めるようになったことを示しています。Solには、コスト、レイテンシ、一部の不安定な検出ケースなどの欠点が依然としてありますが、その進歩は無視できません。エージェント、画面理解、ドキュメントワークフロー、および視覚的推論において、このリリースによりOpenAIは以前よりもはるかに強力な選択肢となりました。