OpenAI「o4」正式公開——数学・科学推論でo3比40%向上、複合エージェント開発が本格化

リード

OpenAIは2026年9月6日（現地時間）、推論特化モデル「o4」をAPIおよびChatGPT Proプランで正式公開した。数学・科学・コーディングの複合推論で前世代「o3」を大幅に上回るスコアを叩き出し、API価格は同時に40%引き下げられた。エージェント設計の前提コストが再び書き換えられる局面に入った。

何が起きているのか

OpenAIの公式テクニカルレポートによると、o4はAIME 2026で98.1点（o3: 91.3点）、SWE-bench Verified（コーディング評価）で72.4%（o3: 63.8%）を記録。科学論文解析ベンチマーク「GPQA Diamond」でも82.7%と、博士レベル設問での正答率がo3比11ポイント改善した。

API価格は入力$6/MTok、出力$24/MTok。前世代o3（入力$10/MTok）から40%の値下げで、CoT（思考連鎖）トークン消費が多いタスクでは実効コストがさらに下がる見通しだ。コンテキスト長は200Kトークンを維持し、画像・PDF・コードのマルチモーダル入力にも対応する。

「o4で一晩に化合物合成ルートを40本生成。昨年なら研究者2〜3人・2週間分の仕事量です。コストは数十ドルで済んだ。」（製薬系スタートアップ研究者・X より）

背景

OpenAIは2025年末にo3を公開して以降、推論モデル系列を約6ヶ月サイクルで更新してきた。今回のo4は、Claude 5 Sonnet（Anthropic、$3/MTok）やGemini 2 Ultra（Google DeepMind）などフロンティアモデルとの推論性能競争に対応する形での投入と見られる。

特にSWE-benchスコアはコード自律生成の事実上の業界標準指標となっており、70%超えを複数プロバイダーが達成したことで「自律コード修正エージェント」の実用ラインが2026年内に確立される可能性が高まった。価格面では、推論モデル全体の入力コストが1年前比で約60〜70%低下しており、エージェントが数千回のLLMコールを行うマルチステップワークフローの費用対効果が商業的に成立しやすくなっている。

着目ポイント

科学・研究用途への展開が加速

GPQA Diamond 82.7%は「分野外専門家レベル」の閾値とされる85%まであと2.3ポイント。創薬・材料科学・気候モデリング領域での「AI研究員」実装が現実的選択肢になってきた。

SWE-bench 72.4%が意味する自律コードの水準

70%超えは「エラー修正タスクの7割以上を人手なしで完結できる」水準の目安とされる。GitHub Copilot AgentのエンタープライズGA（2026年8月）と組み合わせると、Issue起票からPR作成・テスト・マージまで人間の介在を最小化するパイプラインが構成可能になる。

性能向上と値下げの同時達成が競争構造を塗り替える

通常、高精度モデルは高コストだが、o4は性能向上と40%値下げを同時達成した。Claude 5 Sonnet（$3/MTok）よりは高いが、用途別の「推論精度vs.コスト」の最適解が多様化し、単一モデルで全タスクを賄う設計から複数モデルをオーケストレーションする設計へのシフトを後押しする構図だ。

Codexとの統合ロードマップを初開示

OpenAIはテクニカルレポート内でCodexエージェント基盤との統合スケジュールに言及。o4がCodexのバックエンド推論エンジンとして採用されれば、自律ソフトウェア開発エージェントの推論精度が底上げされると見られる。「モデル単体」から「エージェントランタイム込みの垂直統合」へ、OpenAIの戦略軸が移ってきた証左とも読める。

日本語性能の改善報告

非公式ベンチマーク（日本語MT-Bench）でo3比8〜12%の改善が複数ユーザーから報告されており、法令解釈・医療記録処理・ビジネス文書要約用途での実用性が高まっている可能性がある。公式評価は未公開のため継続確認が必要な段階だ。

編集部の視点

推論モデルのスコア更新は今や「6ヶ月ごとに来る予定通りのイベント」になりつつある。だが今回のo4で見ておくべきは、ベンチマーク数値そのものより「価格と性能の同時改善が定着してきた」という構造変化の方だ。

1年前、高性能推論モデルの利用コストはプロダクション組み込みにはリスクが大きかった。それが$6/MTokかつ200K文脈で使えるなら、製品設計の前提が変わる。特にエージェントが自律的に数百ステップ推論を回すワークフローでは、1ステップあたりのコスト低下が最終的な製品価格に直結する。

Codex統合のロードマップ開示も見逃せない。モデル単体のリリースノートではなく、エージェントフレームワーク全体の設計方針をOpenAIが公式に示し始めたことは、推論エンジンとエージェントランタイムを垂直統合する意図を明確にしたと解釈できる。AnthropicやGoogleがAPIとエージェント基盤を別レイヤーで扱っているのとは対照的な戦略だ。

開発者の立場で言えば、今はo4・Claude 5 Sonnet・Gemini 2 Ultraのトリアングルを用途別に使い分ける時代に入ったと整理できる。「どれが最強か」より「どのタスクにどのモデルを当てるか」が設計の主軸になる。モデル選定の意思決定コスト自体が、今後の競争軸の一つになってくるだろう。

まとめ

o4の公開により、推論モデルは「特定用途の実験ツール」から「本番エージェントの中核」へ位置づけが変わる段階に来た。次の焦点は、OpenAIがo4をCodexおよびOperator基盤に正式統合する時期と、AnthropicやGoogleが同水準の性能・価格を維持してくるかどうかだ。推論コスト競争は2026年末にかけてさらに加速するとみられる。

あなたの組織のエージェント設計における「モデル選定基準」は、今の価格水準に合わせて見直しが必要だろうか。

※本記事は ミライ・ニュース編集部の AI ライター（AIニュース）が執筆しています。