Terminal XはGPT-6.1 Solに関してシニア投資家と88.6%の確率で意見が一致し、しかも30%のコスト削減を実現

OpenAIによる2026年10月20日のTerminal Xに関する記事で最も興味深い数字は、モデル名ではない。88.6%だ — 採点対象となった500件の投資判断のうち、評価エージェントが企業のシニア人間レビュアーと同じ判定に達した割合である。その評価エージェントが動作していたのはGPT-6.1 Solだった。同じ評価ハーネスで次に優れたモデルは86.4%だった。両者には220ベーシスポイントの差があり、クエリあたりのコストは約30%異なる。Terminal XはGPT-6 Lunaも大量処理ステップ向けに運用しており、これら2つの階層の分け方こそがここでの実際のエンジニアリングの要点だ。判断が必要な箇所では判断を、それ以外ではスループットを。このようなリリースの背後にある、文書化されたAI障害やエージェントインシデントはOrcaRouter AI Incident Archiveにまとめられており、各項目には独自の情報源、重大度、信頼度グレード、異議ありフラグが付いている。

数字が職場で引用される前に一つ明確にしておきたいのは、これはモデルベンダーが公開した顧客事例であり、顧客自身が顧客独自の評価基準で測定したものだということです。ハーネスが実在し本番環境で稼働しているという意味では実際の結果ですが、いかなる意味でも独立したベンチマークではありません。Terminal Xの外部で88.6%を再現した者はいません。これは、GPT-6.1級のモデルが専門的判断を伴う業務でどう振る舞うかについて、これまでで最も詳細な公開証拠として扱うべきであり、リーダーボードの項目として扱うべきではありません。

実際に何が測定されたのか

Terminal Xは、自社で「Capital Memory」と呼ぶものを販売している。これは企業が自社所有するシステムで、データルーム、モデル、メモ、提出書類、メール、投資委員会の履歴をインデックス化し、特定のデスクがどのように意思決定を行うかを、企業が所有するエージェントにエンコードして、オンプレミスまたは自社クラウドに展開する。エンジニアリングスタッフは元金融・投資の専門家であり、各顧客と数週間同席して、これまで文書化されることのなかった推論——クレジットデスクがどのように借り手を審査するのか、共同投資チームがメモ作成前にどの情報源を引き出すのか——をリバースエンジニアリングする。

評価レイヤーは独立したエージェントです。このストーリーによれば、すべての本番出力を54項目の評価基準に照らして読み、基準ごとに合格か不合格かを返し、不合格ごとに1行の理由と修正済みソースを添えます。そうした不合格は新しいワークフロー指示と新しいテストケースになり、そのため、企業がシステムを修正するほど評価基準は厚みを増していきます。

主要な比較は、上級の人間レビュアーがすでに判定を下した500件の採点済み判断に基づいています。モデル別のエージェント一致率：

• GPT-6.1 Sol — 500件の判定で一致率88.6%

• 次点モデル — 同じ500件で86.4%の一致

• ギャップ — 220ベーシスポイント、つまり判決約45件につき合意が1件余分に増える計算

Terminal X は、差が集中する一つのエラークラスを名指ししている。それがスタイル・ドリフトだ。マンデートが純資産価値に対してディスカウントで取引されているテイク・プライベート候補であるバイアウトファンドは、シナリオモデルが転換したときに、ディストレスト債のポジションや救済融資を推奨すべきではない。GPT-6.1 Sol 上の評価エージェントは、こうしたマンデートからの逸脱を、次善のモデルより約25%多く捕捉した。これは「88.6%の精度」よりも狭い主張であり、より有用な主張でもある。つまり、そのモデルは、ある推奨が投資テーゼから外れてしまったことに気づくのがより得意だということであり、それはシニアレビュアーが実際に一日中かけて捕まえている失敗モードそのものだ。

なぜファンドの評価は別種のベンチマークなのか

公開ベンチマークは、すべてのモデルに同じ質問をします。Terminal Xは、各モデルに対して、ある一社の質問を、その一社のルーブリックに照らし、その会社独自の様式で尋ねます。そのため、結果は買い手にとってより関連性が高く、買い手間での比較可能性は低くなります。同じハーネスを別のファンドで使えば異なる基準に重みが置かれ、220ポイントの差は容易に縮小したり拡大したりし得ます。

また、その結果の検証には多大なコストがかかる。再現するには54項目の評価基準と500件の判断が必要だが、どちらも公開されていない。公開されているのは主張の輪郭と、その周辺の生産コンテキストであり、それに基づけば結果は首尾一貫している。約1,700件の企業向けMemoriesが構築され、100万件を超えるカスタムワークフローが実行され、週次アクティブユーザーは月次アクティブの81%に等しい。この定着率は、エージェントが試用されて放棄されるのではなく、稼働週の中で使われていることを示唆している。あるプライベートエクイティファームは、デューデリジェンスとメモのワークフロー自動化により年間240万ドルのコスト削減を実現したと引用されている。これらはすべて顧客自身の説明である。

コストのラインは精度のラインよりも重要です

記事によると、GPT-6.1 Solは同じワークフローを、次善のモデルよりクエリあたりおよそ30%低いコストで、同程度の速度で実行した。Terminal Xはその理由を長文脈作業におけるトークン効率に求めている。このモデルは、ある仮説をファンドの運用方針に照らして検証し、次に最近の案件に照らして検証し、その後、判断が不確かなものについて再実行して整合を取る、という一連の処理をすべて同じ予算内で行えた。こうしたより深いレビューによって、単一パスでは見逃されていた案件が検出された。

クエリあたり30%のコスト削減は、220ベーシスポイントの一致よりもはるかに大きな商業上の事実である。なぜなら、評価エージェントとレビューエージェントは常時実行されており、その請求額はボリュームに比例するからだ。また、これはベンダーの説明が曖昧に唱え得る種類の主張でもある——「同程度の速度」は数値ではない——ため、他の主張と同じカテゴリーに属する。すなわち、方向性としては信憑性があるが、未検証である。

公式に語られているGPT-6.1 Solとは何か

GPT-6.1 Sol は、O​penAI が 2026 年 9 月 29 日に複雑なコーディングおよび専門業務向けにリリースしたモデルです。O​penAI のモデル一覧において GPT-6.1 ティアの唯一のモデルであり、単なる「GPT-6.1」という独立した識別子は存在せず、その名前を指定したリクエストは解決されません。ベンダーが公開している現在の仕様は次のとおりです：

• 価格 — 入力トークン100万あたり$2.00、出力トークン100万あたり$10.00

• キャッシュ入力 — 100万あたり$0.10、キャッシュ書き込みは100万あたり$2.50

• 長いプロンプト — 入力トークンが272,000を超える場合、入力とキャッシュのコストは2倍、出力は1.5倍になります

• コンテキストウィンドウ — 1,050,000トークン、最大入力922,000トークン、最大出力128,000トークン

• モダリティ — テキストと画像を入力、テキストを出力

• 推論エフォート — low、medium、high、xhigh、max。none と minimal は拒否されます

• 知識のカットオフ — 2026年4月30日

• サービス階層 — Fastは標準の2倍、BatchとFlexは50%割引、Ultrafastは6倍、米国とEUのデータレジデンシーに対応

2026年10月21日に読んだArtificial Analysis上の独立した全体像は、最大エフォート時の単一のインテリジェンス・インデックスが52（インデックスv4.3.2、10件の評価）で、価格はインデックスタスクあたり0.72ドル、ブレンドで100万トークンあたり1.47ドル、出力速度は毎秒55.2トークンです。同ボードには、そのエフォート設定での最初のトークンまでの時間が248秒であることも記録されており、これは比較対象の中央値3.69秒に対する値です——誰かが同期UIを最大エフォートティアに向ける前に知っておく価値があります。

それら2組の数値は異なる事柄を表しており、その間の隔たりこそがこのモデルの正直な要約だ。100万コンテキストの推論ティアでありながらミッドティアモデル並みの価格に設定されており、その経済性はバッチ評価や長時間のエージェント実行には成立するが、人が最大エフォートで対話的に待つような用途には成立しない。

88.6%が教えてくれないこと

• これは一般的な能力指標ではありません。一つの評価基準、一つの資産クラスの構成、一つの企業の基準にすぎません。

• それは人間との一致であり、正しさではありません。一貫した偏りを持つレビュアーと、その偏りを共有するモデルは高いスコアを得ます。

• 比較対象が明示されていない。「次善モデル」はフロンティア級の競合他社かもしれないし、はるかに安価な価格帯のモデルかもしれない。名前がなければ、220ベーシスポイントの価値を評価することはできない。

• クエリあたりのコストが定義されていません。モデルによって可能になる追加のレビューパスがそこに含まれるかどうかは、まさに結論を変える類の詳細です。

• ここにあるものは、同一条件で比較できる公開ベンチマークの結果ではありません。実在する唯一の独立系インデックスでは、GPT-6.1 Sol は GPT-6 Astra より1ポイント低く、それが置き換えた GPT-6 Sol ティアより4ポイント高い位置にあります。

このような主張を自分のデータで検証すること

マンデート・ドリフトの結果が転用できるかどうかを知る唯一の方法は、自分自身の200〜500件の判定を2つのモデルに通し、自分のレビュアーと照らして採点することです。

今やそれは安価な実験です。GPT-6.1 Sol はベンダー自身の定価で OrcaRouter のルート上にあり、マークアップは一切追加されていないため、GPT-6 Astra、GPT-6 Sol、GPT-6 Luna との同等の実行にかかるのは料金表の分だけで、それ以外は何もかかりません。4つのティアはすべて1つのキーの背後にあるため、比較は2つ目の契約ではなく、モデル文字列の変更にすぎません。

Terminal X 自身のアーキテクチャこそ、コピーする価値のあるパターンです。判断負荷の高い段階——テーシス合成、マンデート適合、照合パス——は、正当化できる最上位層にルーティングし、抽出、分類、大量処理のステップは、100万トークンあたり $0.10 と $0.50 の GPT-6 Luna のようなものにルーティングします。ルーティング DSLはまさに、その分割をアプリケーションコードではなく設定に置けるようにするために存在し、自動フェイルオーバーにより、ある上流がひどい午後を過ごしたせいで評価実行が途中で止まることはありません。

何を観るべきか

これをベンダーの逸話から成果へと変えるには、2つのことが必要だ。第一に、異なる評価基準で自社の一致率を公表する2社目の企業である。88.6%がTerminal Xのハーネスではなくモデル自体の特性なら、クレジットデスクとインフラファンドも同じ近辺の値に収まるはずだ。第二に、名前が示された比較である。「次善モデル」の86.4%という数字は誰もが検証したくなる数字であり、それに名前が付くまでは、220ベーシスポイントはカテゴリーについての主張であって、2つの製品間の比較ではない。

それまでは、擁護できる解釈は限定的だが、依然として有用だ。ある本番の投資ワークフローでは、GPT-6.1-tierモデルがシニアレビュアーと一致する頻度が十分に高く一次パスを自動化でき、比較対象が何であれそれより約4分の1多くマンデート・ドリフトを捕捉し、しかもクエリあたり約30%低いコストでそれを実現した。これは自分でテストを実行する十分な理由になる。まだテストを省く理由にはならない。