GPT-6 Astraは、高度な分析、ソフトウェアエンジニアリング、深い調査、科学的研究、ドキュメント作成など、要求の厳しい長期的なエンドツーエンド作業向けのOpenAIのフラッグシップモデルです。1Mトークンのコンテキストウィンドウとマルチモーダル入力（テキスト、画像、ファイル）を組み合わせ、常時有効な推論を備え、レイテンシと品質のトレードオフに応じて低から最大まで設定可能な努力レベル（effort）を提供します。 これはツール使用と構造化出力にネイティブ対応したモデルです。関数呼び出し、response_format / 構造化出力、seed、ツールとしてのウェブ検索がすべてサポートされています。AstraはOpenAIのchat-completions形式とネイティブのResponses APIの両方に対応しているため、既存のOpenAI互換インテグレーションにそのまま組み込むことができ、Responsesサーフェスを使用する場合には完全な推論トレースを返します。 Artificial Analysisでは、Intelligence Index 54.7、Coding Index 76.9、Agentic Index 51.6を記録しています。なお、段階的価格設定にご注意ください。272Kトークンを超えるプロンプトトークンを含むリクエストは、長文コンテキストレートで請求されます。
GPT-6 Astra は、プロバイダ OpenAI の OrcaRouter 上のフラッグシップモデルです。テキスト、画像、ファイルの入力を受け付け、1,050,000 トークンのコンテキストウィンドウを公開し、最大 128,000 トークンを生成できます。カタログの代表的なベンチマークは、GPQA Diamond で 96.1 です。OrcaRouter は、OpenAI 互換…
105万トークンのコンテキストウィンドウにより、1回のリクエストで複数の長大な研究論文、大規模なコードベース、または情報密度の高い規制提出書類に相当する内容を一度に処理できます。これは正確なページ数ではありません。ページの長さはフォーマットに依存するためです。ただし、多くの入力では事前にチャンキングロジックを構築する必要を回避できる十分な量です。したがって、このモデルは入力全体にわたる要約、比較、質問応答に有用です。 主な工学的影響は、入力サイズがコスト、レイテンシー、およびモデルが最も適切なエビデンスに注目する確率に影響を与えることです。モデルは内部的にどの部分が重要かを選択する必要があるため、非常に長いプロンプトには明確なドキュメント境界またはヘッダーを記述する必要があります。OrcaRouterはリクエストを単一のチャット補完として処理するため、アプリケーションはネットワークタイムアウトとトークン使用量を管理するだけで済みます。記載されているコンテキスト制限を超える入力には、依然として前処理またはセグメンテーションが必要です。
最大出力トークン数は128,000です。これにより、従来のAPIモデルでは複数回の生成に分割する必要があった長い出力が可能になります。GPT-6 Astraは、拡張レポート、完全な翻訳、大規模コードベースの構造化diff、または構造化JSONデータセットを1回の生成で出力できます。上限に近い値をリクエストすると、APIは短い回答よりも多くの時間と計算を消費します。毎回上限を要求するのではなく、望ましいmax_tokens値を設定することがベストプラクティスです。 本記録の時点では、OrcaRouterは自動継続の規約を公開していません。長い生成が出力上限に近づき切り捨てられた場合、アプリケーションは生成完了状態を検出し、それに応じて対応する必要があります。128,000トークンという数値はモデルのアーキテクチャ上の上限であり、各リクエストの目標値ではありません。
カタログにはタスクごとのベンチマークスイートは記載されていないが、提供されている属性は特定の使用パターンを指し示している。高精度な質問応答はGPQA Diamondの96.1というスコアで示されている。長文脈の監査と調査は、1,050,000トークンのウィンドウとファイル入力によって示されている。画像・ファイル解釈は入力モダリティのリストに含まれており、128,000トークンの出力制限により、大規模な最終成果物の生成が可能となっている。 これらの特性を併せ持つことで、GPT-6 Astraは大学院レベルの推論、契約書レビュー、科学論文の分析、複数画像の比較、そして包括的な作業ノートの一括生成において合理的な選択肢となる。各チームは自社のドキュメントを用いて小規模なプライベート評価セットを構築すべきである。評価セットに20,000トークンを超えるタスクが含まれていない場合、モデルの長文脈処理能力はスコアに関係しない可能性があり、より低コストのモデルでも同じテストに合格できるかもしれない。
タスクが短く、事実に基づく、または小さなコンテキストに限定されている場合は、より安価なモデルを検討すべきです。GPT-6 Astraはフラッグシップとして位置づけられているため、OrcaRouterはおそらく大きなコンテキストとモデルの規模を、より小規模なモデルとは異なる価格設定にしています。付録のない200語の質問の場合、余分な能力は回答に何の効果もありません。より小規模なモデルでも、低コストかつ低レイテンシで十分な結果を返します。このモデルレコードのカタログには数値の価格がないため、差を確認できるのはレートページだけです。 また、安定した小さなプロンプトから決定的な応答が必要な場合、データを第三者製のマルチモーダルモデルに送信できない場合、または開発ループで評価のために多数の反復呼び出しが必要な場合も、より安価なモデルを選ぶべきです。フラッグシップ層は、その長文コンテキストまたは高精度な動作が実際に評価指標を改善することを確認した後にのみ使用すべきです。
GPQA Diamondは、生物学・化学・物理学の198問から構成される、大学院レベルの高度な研究を要する多肢選択式ベンチマークです。OrcaRouterのモデルデータに掲載されているGPT-6 Astraの数値ベンチマークは96.1のみです。このベンチマークの通常の報告方法において、これは、評価条件下でモデルが評価問題の約96.1%に正答したことを意味します。これは高水準かつドメイン固有の結果であり、推論能力の合理的な第一段階の探査指標といえます。 このスコアを汎用的な品質スコアに換算すべきではありません。これは、コーディング、要約の忠実性、指示への追従性、安全性に関する動作、または創造性を保証するものではありません。OrcaRouterを通じてGPT-6 Astraを使用する際、最も有意義な評価は、独自のドメイン質問をモデルに対して実行し、出力を比較することです。
OrcaRouterの提供するモデルレコードには、レイテンシー保証や1秒あたりのトークン数は明記されていません。期待できるのは定性的なものです。数十万のコンテキストトークンを含むリクエストは、数千トークンのリクエストよりも、一般的にそれらの入力の読み取りと処理により多くの時間を費やします。同様に、長い応答を要求すると、1文を出力するよりも多くの時間がかかります。アプリケーションとhttps://api.orcarouter.ai/v1の間のネットワークレイテンシーも、デプロイ先のリージョンに依存します。 128,000トークンの出力制限と大きな入力許容量を考慮すると、レイテンシーを管理可能にする本番パターンはストリーミングです。OpenAI互換のChat Completionsエンドポイントはストリーミングをサポートしているため、クライアントは生成されたトークンを随時表示できます。96.1のベンチマーク数値から応答速度を推測しないでください。
記録に記載されている強みは、大規模な入力容量、長い出力容量、テキスト・画像・ファイル入力のマルチモーダル対応、および96.1 GPQA Diamondの主要スコアです。アーキテクチャに由来する強みとしては、以前は複数回の呼び出しに分割する必要があったタスクが1回の呼び出しに収まる点が挙げられます。これにより、コードの複雑さを軽減し、繰り返しの指示オーバーヘッドを削減し、ソースのセクション間の一貫性を向上させることができます。 制限事項：音声入力とビデオ入力は記載されていません。コンテキストウィンドウは1,050,000トークンで有限です。このモデルはOpenAIのホスト型インフラストラクチャ上で動作するため、OrcaRouterを通じて提供されるオフライン版はありません。また、単一のベンチマークでは安全性、アライメント、ドメイン精度を検証することはできません。このティアはフラッグシップであるため、エラーや再試行にはより高いコストが見込まれます。したがって、不正な形式や切り詰められた出力を検出するアプリケーションレベルのチェックが推奨されます。
OrcaRouterは認証を行うAPIベンダーであり、課金はこのモデルのトークン使用量に基づきます。OpenAI互換のレスポンスにおいて、usageフィールドはプロンプトトークン、生成トークン、および合計トークンを表示するため、アプリケーションは正確な使用量の根拠を記録できます。モデルIDであるopenai/gpt-6-astraはリクエストボディ内の通常のテキストであり、リクエスト形式を変更するものではありません。ここで提供されるモデルレコードには、トークン単価表は含まれていません。 デプロイメント予算を立てるには、平均入力サイズと平均出力サイズを見積もり、そのうえでOrcaRouterがOpenAIフラッグシップモデル向けに公開している最新のレートカードを適用してください。ベンチマークスコアやティアラベルだけから数値的な料金を推測しないでください。各APIレスポンス内のusageオブジェクトを確認することが、実際の支出を監視する最も確実な方法です。
トークン単位の課金では、コンテキストウィンドウが埋まるにつれて、入力のコストが増大します。実際のトレードオフはもう少し複雑です。同じ答えを組み立てる小さな呼び出しの連鎖よりも、大規模なコンテキストを使う単一の呼び出しの方が低コストで済む場合があります。連鎖ではモデルが複数回実行され、中間出力が生成されるからです。それこそが、コンテキスト幅そのものに価値がある理由です。しかし、大規模なコンテキストには有用な根拠を含まないトークンも含まれており、モデルが無関係な箇所に注意を向ける処理に計算コストを浪費する可能性もあります。 適切な戦略は、高品質な回答あたりのコストを測定することです。文書全体を分析する必要があるなら全体を含め、特定の条項だけが重要なら、まずそれらを抽出してください。OrcaRouterはモデルの容量ではなく、各リクエストの実際のトークン数に基づいて課金するため、短いリクエストで未使用のコンテキストスペースのコストを負担することはありません。
GPT-6 Astraのモデルレコードには、公式のキャッシュに関する記載はありません。OpenAI互換プラットフォームでは、システムプロンプトやファイルプレフィックスが繰り返される場合にコストが削減されることがありますが、OrcaRouterのこのモデルに対する動作は、現在のドキュメントとレスポンス内の使用量フィールドから確認する必要があります。大きな繰り返しプレフィックスがキャッシュされない場合、同じ500,000トークンが、それを送信するすべてのリクエストで課金されます。キャッシュに関する前提は、ドキュメントなしで予算に組み込むべきではありません。 安全な開発パターンは、変更されていないコンテンツの再送信を避けることです。以前のリクエストの出力を保存するか、抽出したファクトをローカルに保存するか、必須のテキストのみを含むコンパクトなコンテキストを設計してください。提供されたモデルレコードにはキャッシュキーやプロンプトキャッシュのパラメータは含まれていないため、そのような機能は別途確認する必要があります。
フラッグシップ価格は、下位モデルが品質テストに不合格となった場合、またはタスクにこのティアだけが提供するコンテキストウィンドウと出力長が必要な場合に正当化されます。長文書のデューデリジェンス、科学文献の統合、画像とテキストを組み合わせた監査は、トークン量が十分に大きく、より高性能なモデルを正当化する例です。モデルが多数のAPI呼び出しを1つに統合する場合、トークン単価が高くても経済的であり得ます。 フラッグシップ価格は、短い回答、小さなプロンプトのバッチ、または単純な分類が必要な場合には不適切です。OrcaRouterは、フラッグシップティアより下の他のOpenAIモデルIDをリストしています。これらは通常、非常に短い操作では低コストかつ低レイテンシで同じ結果を提供します。ここのモデルデータには料金表が含まれていないため、正確な閾値は現在のOrcaRouterの料金表に依存します。
`https://api.orcarouter.ai/v1/chat/completions` に対して、Authorization ヘッダーに OrcaRouter API キーを指定して POST リクエストを作成します。JSON ボディの model フィールドは `openai/gpt-6-astra` に設定してください。メッセージは OpenAI スキーマに従います。content は、テキスト・画像・ファイルのいずれを送信するかに応じて、プレーンテキスト文字列またはマルチモーダルパーツのリストのいずれかになります。レスポンスも OpenAI スキーマに従い、choices と usage が含まれます。 404 が返った場合は、ベース URL が正確に `https://api.orcarouter.ai/v1` であることと、パスを書き換えるラッパーが存在しないことを確認してください。モデルが見つからないエラーが返った場合は、`openai/gpt-6-astra` が正確であることを確認してください。モデルの一覧は、OpenAI 互換エンドポイントである `/v1/models` エンドポイントで取得でき、OrcaRouter がこのエントリに対して返す正確な id を確認できます。
OpenAI互換のcompletionエンドポイントは、temperature、top_p、max_tokensまたはmax_completion_tokens、stream、stop、presence_penalty、frequency_penalty、userなど、標準的なチャット補完パラメータの一式をサポートしています。OrcaRouterは、このレコード内でGPT-6 Astra固有のモデルパラメータをリストアップしていません。送信する値は互換性のある形式でシリアライズされるため、OpenAI SDKがサポートするものはすべて通常どおり通過します。 重要な制限の1つは、モデルカードに示されている最大出力トークン数128,000です。この出力上限を超えるリクエストは成功しません。入力の許容量は1,050,000トークンのコンテキストウィンドウに制限されており、この上限を超えるプロンプトは無効です。temperatureとサンプリングパラメータは意図的に使用してください。ばらつきの大きい大規模な生成結果は、信頼する前に手動でのレビューが必要になる場合があるためです。
OpenAI SDK では、カスタムのベース URL を設定できます。公式の Python クライアントでは、base_url=https://api.orcarouter.ai/v1 を設定し、api_key にあなたの OrcaRouter キーを設定してから、モデル名 openai/gpt-6-astra を使用してください。JavaScript クライアントでは、設定オブジェクトに baseURL を渡してください。ほとんどの OpenAI 互換 SDK も同じパターンに従うため、特別な OrcaRouter SDK は必要ありません。 すべての環境を移行する前に、1 つのリクエストで小規模な転送テストを実行してください。以前のメッセージ形式が受け入れられることを確認してください。以前のパイプラインが、コンテキストウィンドウが短いためにドキュメントをチャンク分割していた場合は、GPT-6 Astra が 1 回の呼び出しでファイル全体を受け入れるようになれば、取り込みを簡素化できます。また、api.openai.com を直接指すハードコードされた URL をすべて削除してください。
ストリーミングは、OrcaRouterのAPIがOpenAI互換であるためサポートされています。streamをtrueに設定すると、モデルが生成する際にチャット補完のチャンクを受信できます。テキスト、画像、ファイルコンテンツは、このモデルの標準的なマルチモーダルメッセージ構造で送信できます。これらはカタログに記載されているモダリティだからです。ツール呼び出しはOpenAIのチャット補完契約の一部ですが、提供されたモデルデータにはGPT-6 Astraのツールサポートに関する記述が含まれていないため、本番環境で依存する前に、簡単なリクエストでツール呼び出しをテストしてください。 128,000トークンの出力制限は、ストリーミング中も依然として適用されます。ストリーミングはその最大値を増加させるものではなく、出力をより早く受け取れるようにするだけです。すべてのマルチモーダルコンテンツを1,050,000トークンのコンテキストウィンドウ内に収めてください。提供された属性には、オーディオまたはビデオのメッセージ部分に関する記載はありません。
各モデルについて同じフィールドを比較してください: プロバイダ、ティア、コンテキストウィンドウ、最大出力、入力モダリティ。GPT-6 Astraの値は、OpenAI、フラッグシップ、1,050,000トークン、128,000トークン、テキスト/画像/ファイルです。別のモデルのコンテキストが小さいものの、品質チェックに合格しドキュメントに適合する場合は、より安価なモデルが正しい可能性があります。代替モデルが同等のコンテキストを持つが、関連するベンチマークスコアが低い場合、GPT-6 Astraが書面上の利点を持ちます。 OrcaRouterはOpenAI互換APIを公開しているため、この比較は直接実行できます: 同一のプロンプトを2つの異なるモデルIDに送信し、出力、トークン使用量、レイテンシ、コストを比較します。この特定の記録には並列のベンチマーク表は含まれていないため、一方のモデルが普遍的に優れているという外部への主張を行うべきではありません。
OrcaRouterのカタログにおけるバジェットモデルは、最上位モデル層の下に位置し、ここで説明するような長いコンテキストや長い出力を必要としないタスク向けに設計されています。それらの上限値は、各モデルの個別レコードに公開されています。実用的な比較は、入力長、必要な出力長、および目標とするエラー率に基づいて行われます。短いプロンプトの場合、バジェットモデルのほうが通常はより良いトレードオフとなります。なぜなら、レイテンシが低く、リクエストあたりのコスト見込みも低いからです。 GPT-6 Astraは、入力がバジェットモデルの許容範囲を超えて大きすぎる場合、最終回答が非常に長くなる必要がある場合、あるいは独自の評価で実質的な品質向上が確認できる場合に、より良い選択肢となります。OrcaRouterはモデル間で同じメッセージ形式を使用するため、まず下位層のモデルを試し、信頼度が低い場合やコンテキストが小規模モデルの上限を超える場合にopenai/gpt-6-astraへルーティングするエスカレーションフローを構築できます。
提供された記録には旧世代のベンチマーク数値が含まれていないため、このページでGPT-6 Astraが特定の旧チェックポイントをすべてのテストで上回ると主張することは裏付けのないものになります。記録から判明しているのは、GPT-6 AstraがOpenAIのフラッグシップモデルであり、1,050,000トークンのコンテキストウィンドウ、128,000トークンの出力上限、テキスト・画像・ファイル対応のマルチモーダルアクセス、そしてGPQA Diamondで96.1という代表的スコアを備えていることです。OrcaRouterに掲載されている旧世代モデルには、それぞれ独自のコンテキスト、出力、ベンチマークカードがあります。 実用的な移行確認の方法は、過去の品質データがすでに存在する旧モデルを選び、GPT-6 Astraに対して同じ評価を実行し、正確な回答を比較することです。これにより、OrcaRouterの正規化されたAPIレイヤー上で同一条件の比較が可能になります。新しいモデルが存在するという理由だけで移行しないでください。評価によって妥当なコストでより良い出力が得られることが示された場合にのみ移行してください。
OpenAI 互換——今お使いの SDK のまま
https://api.orcarouter.ai/v1import os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["ORCAROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="openai/gpt-6-astra",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoningmax_completion_tokensmax_tokensreasoningreasoning_effortresponse_formatseedstructured_outputstool_choicetools| 階層 | 入力 / 1M tokens | 出力 / 1M tokens | キャッシュ読み取り / 1M | キャッシュ書き込み / 1M |
|---|---|---|---|---|
| ≤ 272K | $10.00 | $50.00 | $1.00 | $12.50 |
| ≤ ∞ | $20.00 | $75.00 | $2.00 | $25.00 |
| 階層はリクエストごとの入力トークン数で決定されます | ||||
表示価格に基づく概算
段階制料金 — この見積もりは基本ティアの料金を使用しています。
見積もりのみ — 実際のトークン数はプロバイダーのトークナイザーに依存します。
今週の開発者の声
@misc{orcarouter_gpt_6_astra,
title = {GPT-6 Astra API},
author = {OpenAI},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/openai/gpt-6-astra}
}OpenAI. (2026). GPT-6 Astra API. OrcaRouter. https://www.orcarouter.ai/models/openai/gpt-6-astra