OpenAIがGPT-6 Lunaを更新：回答は簡潔に、迎合は控えめに、安全性評価は改善と悪化が混在

何が起きたのか

OpenAIは2026年10月29日、「システムカード」の補遺文書を公開し、GPT-6 Lunaの更新を展開していると説明した（システムカードとは、OpenAIがモデルの安全性評価結果を説明する文書）。このモデルは10月7日にChatGPTで提供が始まった。OpenAIによれば、更新後のモデルは回答がより簡潔で、過度に迎合的な言い回しが減っており、同社はこれをGPT-6 Luna（October 28）と呼んでいる。

OpenAIは、Preparedness Framework（高リスク能力を評価するための同社の枠組み）に基づき、この版もサイバーセキュリティと生物・化学の能力で「High」（高）レベルとして扱い、10月7日版と同じ安全対策を適用していると述べた。また、GPT-6 SolとGPT-6 Lunaは、AIの自己改善の分野ではHighの閾値に達していないとしている。

OpenAIはさらに、社内の安全性レポートがSafety Advisory Group（安全諮問グループ）による提言を支え、それに基づき同社の経営陣が、これらの対策は今回の版の一般提供を支えるのに十分だと判断したと説明している。

評価結果：改善した点と悪化した点

以下の数値はいずれもOpenAIが自ら公表した社内評価の結果で、第三者の確認は得られていない。OpenAIは、文中の過去モデルとの比較値が新しいバージョンを反映している場合があり、当初の公表値と異なることがあると注記している。表中の「プロンプトインジェクション」とは、悪意ある指示でAIを操ろうとする行為を指す。たとえば、ユーザーがシステムや開発者の設定した上位の指示を覆そうとする場合（OpenAIは「指示階層」違反と呼ぶ）や、ウェブページなど第三者のコンテンツに指示を紛れ込ませ、ユーザーが求めていない動作をAIにさせる場合がある。「デュアルユース」のプロンプトとは、正当な研究にも悪用にも使い得る生物学関連の質問を指す。

OpenAIによると、複数ターンの「ジェイルブレイク」テスト（複数回のやり取りでAIに安全規則を回避させようとする試み）では、新版はどの攻撃投入規模でも10月7日版より高い防御成功率を示した。ただし攻撃側のテストはインフラ上の問題で早期に打ち切られた。視覚入力の評価では、新版は旧版と同等とされ、harms-erotic（性的な有害コンテンツ）項目の悪化は統計的に有意ではないという。

能力とリスクの評価

サイバーセキュリティ能力について、OpenAIは、新版がExploitBench（既知の脆弱性を攻撃手法へ発展させられるかを測るテスト）で最高推論強度において46.19%を記録したと報告している。SEC-Bench Pro（V8やSpiderMonkeyなど大規模JavaScriptエンジンの脆弱性を発見できるかを測るテスト）では51.75%で、同テストでのGPT-6 Astraは85.4%だった。OpenAIは、サイバーセキュリティの安全性評価は10月7日版と同等で、統計的に有意な悪化はないとしている。

生物・化学分野では、OpenAIはMultimodal Troubleshooting Virologyのpass@1（1回の回答で正解する割合）が48.13%から45.85%に下がったと記載している。OpenAIがこの評価に設定した目安の閾値（高リスク能力に達したかを判断する参考ライン）は31%。

一般ユーザーにとっての意味

一般のChatGPTユーザーにとって、OpenAIが強調する変化は主にトーンとスタイルで、回答が短くなり、ユーザーへの同調も減る。実際に使いやすくなるかどうかは、個々の利用シーンによる。

一方、OpenAI自身の数値は、これがトレードオフであることを示している。未成年者保護やプロンプトインジェクション防御の評価は良好だが、事実誤り率は上昇し、健康関連の評価スコアは低下した。そのため、事実確認、医療、メンタルヘルスに関わる質問では、AIの回答を信頼できる専門的な情報源で改めて確認すべきである。

このトピックの最新ニュースを見る

• AIニュース