GPT-5.6 Sol、Terra、Lunaの違いと使い分け｜Codexで迷わない選び方

GPT-5.6には、Sol、Terra、Lunaという3つのモデルがあります。

どれを選んでも同じではありません。

複雑な仕事を丁寧に仕上げたいならSol、日常業務を速さと品質のバランスで進めたいならTerra、完成条件が明確な定型作業を大量に処理したいならLunaが基本です。

ただし、実際の速度やトークン消費はモデル名だけでは決まりません。

入力する資料の量、会話の長さ、推論レベル、ツールの実行回数、やり直しの回数でも変わります。

2026年7月14日時点のOpenAI公式情報をもとに、Codexで3つのモデルをどう使い分けるかを解説します。

Sol、Terra、Lunaの違い

OpenAIは、Solを細部と完成度に強いモデル、Terraを日常業務の主力、Lunaを明確で繰り返しの多い仕事向けと説明しています。

Codexの標準的な「Power」設定は、Solと中程度の推論を組み合わせたものです。

どれを選ぶか迷った場合はSolから始めるのが公式の案内ですが、すべての仕事でSolを使う必要はありません。

この表は固定の性能差や消費倍率を示すものではありません。実際の結果は依頼内容、入力資料、推論レベル、利用環境で変わります。

公式の位置付けは、OpenAIのModels解説で確認できます。

Solが向いている仕事

Solは、依頼の途中で判断が必要になる仕事に向いています。

完成までの手順が決まっていない仕事では、モデルが資料を読み、計画を立て、ツールを使い、結果を確認する必要があります。

Solは、このような複雑で自由度の高い仕事に分析時間をかけ、細部まで整えるための選択肢です。

たとえば、次のような仕事があります。

• 仕様が固まっていない新機能の設計と実装
• 原因が一つに絞れない不具合の調査
• 複数の公式資料を照合するリサーチ
• セキュリティや例外処理を含むコードレビュー
• 公開前に文章の論理と表現を何度も確認する仕事

一方で、ファイル名をそろえるだけの作業では、Solの深い分析を生かせません。

Solは「何でも速く処理するモデル」ではなく、判断と仕上げに余裕を持たせるモデルです。

Terraが向いている仕事

Terraは、日常業務の主力にしやすいモデルです。

Solほど深い検討を必要としない一方で、単純な変換だけでは終わらない仕事に合います。

要件がある程度決まり、調査、編集、テストという複数の工程を進める場面では、Terraが品質と速度のバランスを取りやすくなります。

たとえば、次のような仕事があります。

• 既存ページの文章やレイアウトの修正
• 完成条件が明確な小規模機能の追加
• コードの読み取りと一般的なレビュー
• 長い資料からの論点整理
• 日次レポートや社内資料の作成

毎回Solを選んでいる場合は、定型化できている日常作業をTerraへ移すと、品質を保ちながら待ち時間と費用を抑えられる可能性があります。

Lunaが向いている仕事

Lunaは、入力と出力の形が明確な仕事に向いています。

モデルが大きな方針を考える必要がなく、良い結果の条件を短く説明できる仕事ほどLunaの強みを使えます。

たとえば、次のような仕事があります。

• CSVの列名や表記の統一
• 問い合わせ内容の分類
• 指定形式への文章変換
• 大量の文書から決まった項目を抽出
• 同じ構成で作る短い要約

ただし、「売上が伸びない理由を考えて改善策まで出す」といった曖昧な依頼は、Luna向けの定型作業ではありません。

この場合はTerraまたはSolを使い、判断に必要な資料と完成条件を渡します。

業務別に見る具体的な使い分け

モデルを選ぶときは、業務名ではなく、AIに任せる範囲まで具体化します。

同じWebサイト運営でも、問い合わせの分類と新機能の設計では、必要な判断の深さが異なります。

一つの業務でモデルを切り替える例

一つの業務を最初から最後まで同じモデルへ任せる必要はありません。

ブログ記事制作では、Lunaに資料から日付、数値、固有名詞を抽出させ、Terraに構成と初稿を作らせ、Solに複数のルールを踏まえた最終確認を任せる方法があります。

Webサイト運営では、Lunaにリンク確認結果を分類させ、Terraに通常のページ更新を任せ、原因が特定できない表示不具合だけSolへ切り替えます。

モデルを工程ごとに切り替えると、難しい判断には十分な推論力を使い、定型処理では待ち時間と費用を抑えやすくなります。

トークン消費量はモデル名だけでは決まらない

トークンは、モデルが文章やコードを処理するときの単位です。

OpenAIは、Sol、Terra、Lunaについて「1回の仕事で平均何トークンを使う」という固定値や、モデル間の固定倍率を公表していません。

そのため、「Solは必ずLunaの何倍使う」とは書けません。

実際の消費量を左右する主な条件は、次の5つです。

1. 入力する資料と会話履歴の長さ
2. 求める出力の長さ
3. 選んだ推論レベル
4. コマンドや外部ツールから返る情報量
5. 修正、再実行、確認を繰り返す回数

同じSolでも、短い質問に答える場合と、大きなリポジトリを調査して修正とテストまで行う場合では、消費量が大きく変わります。

CodexやChatGPT Workを月額プランで使う場合は、両者の利用量とクレジットが共有されます。

APIキーでCodexを使う場合は、実際に処理したトークン量に応じてAPI料金が発生します。

料金と利用上限は変更されるため、導入前にOpenAIのPricing解説を確認してください。

推論レベルで消費量と待ち時間が変わる

モデルを選んだ後は、推論レベル（回答前にどこまで考えさせるか）を決めます。

OpenAIは、必要な結果が得られる範囲で最も低い推論レベルを使い、計画、分析、確認が必要な仕事だけ段階的に上げる方法を案内しています。

Codexの画面では、利用する場所とモデルに応じて、軽い、中程度、高い、非常に高いといった選択肢が表示されます。

推論レベルを上げると、複雑な仕事の品質が上がる可能性がありますが、待ち時間とトークン消費も増えます。

推論レベルは、モデルの性能を示す順位ではありません。

同じ仕事を必要以上に高い設定で実行しても、必ず良い結果になるわけではありません。

私が使っているSolと推論力「非常に高い」

私は普段、CodexではSolを選び、推論力は「非常に高い」に設定して使っています。

主な用途は、公式情報の調査、既存ファイルの確認、記事やWebサイトの修正、ビルド、表示確認までを一つの流れで進める仕事です。

途中で前提が変わったり、複数のルールを守りながら仕上げたりする作業が多いため、待ち時間やトークンの少なさより、推論の深さと確認の丁寧さを優先しています。

ただし、この設定をすべての利用者に勧めるわけではありません。

短い要約や表記統一までSolで推論力を「非常に高い」にして処理すると、時間と利用量を余分に使う可能性があります。

私は高い品質が必要な仕事を中心にCodexへ任せるため、この組み合わせを主力にしています。

3つのモデルを選ぶ手順

モデルは、作業の難しさではなく、曖昧さと完成条件から選びます。

最初からSolと高い推論レベルに固定するより、同じ仕事を小さく試し、完成までの時間、トークン量、修正回数を記録するほうが判断しやすくなります。

Codexでは仕事ごとにモデルを替える

Sol、Terra、Lunaは、上位、中位、下位という単純な順位ではありません。

複雑で曖昧な仕事はSol、日常業務はTerra、明確な定型作業はLunaという役割分担で考えると選びやすくなります。

トークン消費を抑えたい場合は、モデルを替えるだけでなく、推論レベル、入力資料、会話履歴、出力の長さも見直します。

必要な品質を最も少ない手戻りで得られる組み合わせを選びます。

GPT-5.6 SolとClaude Fable 5の違いも知りたい場合は、GPT-5.6 SolとClaude Fable 5を仕事で使い分ける方法も参考にしてください。

参考情報

• OpenAI Models
• OpenAI Pricing