概要

• OpenAIが GPT-5.6シリーズ（Sol, Terra, Luna） を発表
• 視覚タスク （検出、カウント、OCR、データ抽出）で大幅な進歩
• 特に 物体検出とカウント で従来モデルを大きく上回る性能
• コスト・レイテンシー面 ではGemini 3.5 Flashなど他社モデルも依然有力
• OpenAIが 視覚理解分野で本格的な競争力 を獲得

GPT-5.6シリーズの発表と概要

• OpenAIが GPT-5.6ラインナップ（Sol, Terra, Luna） を正式リリース
• リリース配信では デスクトップアプリ操作やUIエージェント、3Dビジュアライゼーション を強調
• これら機能には 高度な視覚理解 が不可欠
• 独自の VLMベンチマーク でSol, Terra, Lunaの視覚性能を評価
• 物体検出・カウント・OCR・データ抽出 など主要視覚タスクを網羅

物体検出性能

• SolはOpenAI史上最高の視覚モデル
• 物体検出で GPT-5.5は13.8 mAP@50、 Solは46.2 と大幅向上
  • Terra 44.7、Luna 43.3で続く
• 文書レイアウト検出 も大きな強み
  • タイトル、段落、表、画像、署名を正確に抽出
• 複雑な密集シーン（ピル、卵など） でも高精度
  • VLM特有の課題（長文応答、重複・抜け・座標エラー）を克服
• 座標フォーマット はXYXY（画像ピクセル絶対値）が最適
  • Gemini 3.5 Flashは0–1000正規化YXYXが最適
  • フォーマット違いで 15 mAPポイント低下
• 大画像（2000×2000ピクセル以上） で不安定になる場合あり
  • OpenAI推奨：画像リサイズ・クロップで安定化

カウントタスク

• Solは73.0%で大幅向上（GPT-5.5は64.9%）
  • Terra 67.6%、Luna 66.2%
• 難易度の高い重なり・条件付きカウント も対応
  • 例：金属ブラケットの重なり、指定ゾーン内の弾痕数
• 繰り返しパターン・微妙な違い（ブリスターパック） は難易度高
  • レイアウトや反射、小さな差異で誤カウント
• カテゴリの誤認識 によるカウントミスも発生

OCR・データ抽出

• OCR性能はGPT-5.5と同等レベル
  • Sol 90.7%、GPT-5.5 91.2%、Terra 88.8%、Luna 88.4%
• テキスト抽出 ではSol 82.5%、GPT-5.5 87.6%
  • Luna 81.4%、Terra 79.4%
• 全文転写とターゲット抽出 を分離評価
  • 手書きメモや複雑なシーン内テキストも高精度
• 小さく低コントラストな印字（例：ブリスターパックの期限） は苦手

トレードオフ（コスト・レイテンシー）

• トークン消費量増加 によるコスト上昇
  • 小規模テストでは影響小、バッチ処理ではコスト増大
• Solは平均10秒/画像, Terraは6秒, Lunaは5秒強
• Lunaは速度・品質バランスが最良
  • Gemini 3.5 Flashと同等の速度で、GPT-5.5より高性能
• Solは1画像あたり約2.5セント
  • Terra約1セント、Luna0.5セント未満
  • Gemini 3.5 Flashは0.8セントで高コスパ

総括・今後の展望

• GPT-5.6でOpenAIはトップVLMに大きく接近
  • 物体検出・カウントが実用レベルに進化
• Gemini 3.5 Flashは大量処理向けで依然有力
  • コスト・速度で優位
• OpenAIは視覚理解分野への本格参入を印象付け
  • Solはコスト・レイテンシー・一部安定性で課題残るが、進歩は顕著
• エージェント、画面理解、文書ワークフロー、視覚推論 用途でOpenAIの選択肢が拡大