CodexのGPT-6 Luna「高」は意外とコーディングできる？公式評価と試し方

CodexでGPT-6 Lunaを「高」にすると、軽量モデルでも意外とコード修正を任せられるのでしょうか。モデル名だけ見ると、難しい開発には上位モデルが必要だと思いがちです。結論から言えば、GPT-6 Lunaには複雑なソフトウェア開発課題を扱う公式評価があり、コーディング候補として試す価値があります。ただし、公開された代表的な数値はCodexの「高」設定そのものを測った結果ではありません。OpenAIのベンチマークを正しく読み、自分のリポジトリで小さく比べるのが現実的です。

GPT-6 Lunaは「軽い作業専用」とは言い切れない

OpenAIはGPT-6 Lunaを、焦点の定まった大量処理向けの効率的なモデルとして紹介しています。一方、同社の発表ではコーディングもGPT-6ファミリーの能力向上領域に含まれており、Codexで使うモデルの選択肢として案内されています。GPT-6 Sol and Lunaの発表 2026年9月22日のリリースノートも、GPT-6 SolとLunaをWorkとCodexへ導入したと記載し、選べるモデルや推論設定はプランとワークスペース設定によって異なるとしています。OpenAIのリリースノート

注目されるのが、実際のコードベースを使った長時間のソフトウェア開発課題を評価するDeepSWE v1.1です。OpenAIの発表によると、GPT-6 Lunaはこの評価の「max effort」で66.6%を記録しました。同社は、比較対象の一部モデルに対してタスク当たりの費用が低かったとも報告しています。OpenAIのコーディング評価

これは、Lunaが単なる補完や短いコード生成だけでなく、複数の手順を伴う開発課題にも対応し得ることを示す材料です。「高コストのモデルでなければ、リポジトリ全体の修正は難しい」と決めつけず、範囲を絞った修正や原因調査から試してみる余地があります。

ただし66.6%は、すべての人の開発作業で同じ成功率になるという意味ではありません。OpenAI自身が公表する評価であり、Codexの実行環境、指示、利用できるツールやテストが変われば結果も変わります。ベンチマークは「試す価値があるか」を考える参考で、手元の仕事の保証ではありません。

「max effort」とCodexの「高」は別の設定として読む

ここは誤解しやすいところです。DeepSWEの66.6%は「max effort」で得られた数値であり、Codexの画面で選ぶ「高」の評価値ではありません。OpenAIのAPIモデルページではGPT-6 Lunaの推論努力に none、low、medium、high、xhigh、max が示され、既定値は medium です。GPT-6 Lunaの公式仕様

OpenAIの推論ガイドは、設定値を上げるほどモデルがより十分に考える一方、速度やトークン使用量にも影響する説明をしています。また high は複雑なデバッグやエージェント型コーディングの候補として挙げられています。推論設定の公式ガイド

このAPI上の説明を、そのままCodexアプリの画面動作やベンチマーク条件と同一視しないようにしましょう。Codexはモデルに加えて、プロジェクトの説明、ツール、実行環境を組み合わせる製品です。公開ベンチマークの「max」と、アプリ上の「高」を同じ強さや同じ試験条件として扱える根拠は、ここで参照した公式資料にはありません。

Codexで使うGPT-6 Lunaの版にも注意

モデル名は同じでも、提供先によって更新時期が違う場合があります。OpenAIの2026年10月7日付System Cardは、10月にChatGPTへ投入されたGPT-6 SolとGPT-6 Lunaについて、CodexとChatGPT Workでは先に公開されたバージョンが引き続き使われていると説明しています。GPT-6 October 2026 System Card

そのため、10月のChatGPT更新で変わった内容を、同日のCodexにも反映済みと考えるのは避けたほうがよいでしょう。比較するときは、実行日、Codexのモデル名、推論設定、利用したツールを記録しておくと、あとで条件を取り違えにくくなります。利用画面や提供状況は変わり得るので、試す時点で実際の選択肢も確認してください。

「高」を使うとよさそうなコーディング課題

「高」は常時オンにする魔法のスイッチではありません。OpenAIのガイドが挙げる用途を踏まえると、依存関係をたどるデバッグ、複数ファイルにまたがる変更、テストの失敗原因を切り分ける作業など、判断や手順が多い課題で比較する価値があります。

一方、変数名の変更や小さなCSS調整のように、対象と完了条件が明確な作業なら、まず「中」で足りるかを見てもよいでしょう。高設定にしたからといって要件の読み違いや不適切な変更がなくなるわけではなく、応答時間や利用量が増える可能性もあります。

実用上は、課題の難しさだけでなく、失敗したときの影響も考えて選びます。個人の試作なら小さく任せて差分を確認できますが、本番データや認証・決済まわりを変える場合は、モデルの設定にかかわらず人が設計とテストを確認する必要があります。

中と高を自分のリポジトリで比べる方法

まず、失敗しても戻せる小さな課題を一つ選びます。たとえば再現手順のある不具合を一つ直す、ある関数に境界値テストを追加する、限定した画面の見た目を整える、といった作業です。どれも記事内で実測した結果ではなく、比較用の題材です。

比較では次の条件をそろえると、設定の違いを見やすくなります。

1. 同じリポジトリ、同じブランチ状態、同じ依頼文、同じ利用可能ツールを使います。
2. 「中」と「高」を一度に混ぜず、別々に実行します。作業前にブランチやコミットで戻れる状態を作ります。
3. 完了条件を先に決めます。例は、再現する不具合が直ること、既存テストが通ること、変更ファイルが必要な範囲に収まることです。
4. 実行後は差分を読み、テストが実際に実行されたか、既存仕様を壊していないかを確認します。
5. かかった時間、修正のやり直し回数、追加されたテスト、残った手作業を記録します。

コードが生成されたことだけで成功と判断しないのがポイントです。テストが落ちたままなのに完了扱いにしていないか、頼んでいないファイルまで変更していないか、説明と差分が一致しているかを見ます。高のほうが少ない手直しで終わる課題もあれば、中で十分な課題もあるでしょう。複数回試して結果が変わるかも観察すれば、自分の仕事に合う使い分けを決めやすくなります。

まとめ

GPT-6 Lunaは、OpenAIのDeepSWE v1.1で「max effort」時に66.6%を記録しており、コーディング用途でも検討できるモデルです。ただし、この数値はCodexの「高」設定の結果ではなく、Codexで使われるモデルの版も後日のChatGPT版と異なる場合があります。公式評価を手掛かりにしつつ、同じ小さな課題を「中」と「高」で比べ、テスト・差分・手直し量を確認するのが確実です。

高設定の本当の出番は、難しそうに見える課題よりも、手元のコードで中との差が確かめられた課題から見つかります。