GPT 5.6 SolはOpenAIがリリースした最高の「ビジョン」モデル

Blog GPT 5.6 SolはOpenAIがリリースした最高の「ビジョン」モデル Piotr Skalski 公開日: 2026年7月16日 • 6分読了 先週、OpenAIはGPT-5.6モデルラインナップを発表し、Sol、Terra、Lunaモデルを導入しました。発表ストリームでは、コンピュータの使用に重点が置かれ、デスクトップアプリケーションを操作・実行できるモデルが紹介されました。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、これらはどちらもより強力な視覚理解に依存しています。 そ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網羅しています。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。 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。特に物体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。 Roboflow PlaygroundでSol、Terra、Lunaをテストし、Claude Fable 5やGemini 3.5 Flashなどのモデルと比較して、同じビジョンタスクでの結果を比較してみてください。Roboflow Playground 物体検出 GPT-5.6が最も明確な進歩を示したのが検出です。GPT-5.5はベンチマークで13.8 mAP@50を記録したのに対し、Solは46.2に達しました。TerraとLunaも44.7と43.3でそれに続き、物体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。 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。 GPT-5.6は、密集したシーンでも良好なパフォーマンスを発揮しました。ピルと卵の例は、多くの類似したオブジェクトが密集して配置されており、VLMベースの検出では一般的な弱点でした。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につれて、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。 最高の検出結果を得るには、GPT-5.6モデルに絶対XYXY座標をピクセル単位で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もパフォーマンスを発揮したGemini 3.5 Flashとは異なります。誤った座標形式を使用すると、ベンチマークでGPT-5.6の検出パフォーマンスが約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重なりがないか、ほとんど重なりがありませんでした。見えるオブジェクトに一致するのではなく、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。 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では、特に低い推論負荷で不安定になることを確認しました。高い推論負荷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。 物体カウント GPT-5.6ラインナップ全体でカウントが改善されました。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Lunaでも、以前のOpenAIのベースラインを上回りました。 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ケースをテストしました。Solは、従来の物体検出器と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、カウントすべきオブジェクトとルールの適用場所の両方を理解していることを示し、選択されたスコアリングゾーン内のみの弾痕もカウントしました。 ブリスターパックははるか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カウントするように依頼しました。繰り返されるレイアウト、反射、そして満杯のスロットと空のスロット間の視覚的な違いの小ささが、両方のタスクを困難にしました。 異常なキャンディーの例は、異なるタイプ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。 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、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。 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要求しますが、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で良好なパフォーマンスを示し、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。 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発揮しました。汚れた摩耗したタイヤの曲面に印刷されたタイヤサイズシーケンスを読み取りました。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。 単純に見える抽出タスクでも失敗しました。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となった可能性があります。 トレードオフ GPT-5.6ラインナップ全体で、ビジョン能力の向上に伴いトークン使用量が増加しました。小規模なテストではこの差はあまり問題になりませんが、トークン量が処理コストに直接影響するため、大規模になるとより重要になります。 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、Gemini 3.5 Flashに近い速度でありながら、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。 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となりました。Terraは平均コストを約1セントに削減し、Lunaは0.5セント未満でした。 Gemini 3.5 Flashは、画像あたり0.8セントで、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、大量の画像バッチにわたって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では、Sol、Terra、LunaをClaude Fable 5、Gemini 3.5 Flash、その他のVLMと並べて、同じタスクでテストできます。 結論 GPT-5.6により、OpenAIは以前よりも主要なVLMに大幅に近づきました。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。 明確な限界は依然として存在します。当社のベンチマークでは、Gemini 3.5 Flashは、特にその価格を考慮すると、高ボリュームの検出とカウントにおいて、より実用的な選択肢であり続けています。 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、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。 この記事を引用する この投稿を研究で引用するには、次のエントリを使用してください: Piotr Skalski. (2026年7月16日). GPT 5.6 Sol is the best "vision" model OpenAI ever released. Roboflow Blog: https://blog.roboflow.com/openai-gpt-5-6/ モデルプレイグラウンド VLMモデルをサイドバイサイドで比較する Piotr Skalski 作成 MLグロースエンジニア @ Roboflow | オーナー @ github.com/SkalskiP/make-sense (2.4kスター) | ブロガー @ skalskip.medium.com/ (4.5kフォロワー) 他の投稿を見る トピック コンピュータビジョン OCR マルチモーダル 物体検出 もっと見る コンピュータビジョン コンピュータビジョン投稿をすべて表示 AIバスケットボールショット評価器の構築方法 2026年8月14日 • 7分読了 AIデータラベリングのトップモデル 2026年8月7日 • 7分読了 AIビデオカーダメージインスペクターの構築方法 2026年8月7日 • 6分読了