GPT-5.6 Terra vs GPT-5.5 (2026): 半額で、コーディング性能は同じ?

要点。 ofoxでは、GPT-5.6 Terraは100万トークンあたり入力$2.50 / 出力$15で掲載されています。GPT-5.5は**$5 / $30です。$0.25/Mのキャッシュ読み込みを含め、Terraの全料金はGPT-5.5のちょうど半分なので、Terraはどんなワークロード構成でも一律に2.0x安く動きます。3Kトークンのプロンプトで1日10万リクエストなら、おおよそTerraで$2,000/日、GPT-5.5で$4,000/日**、月あたりでは約**$60,000 対 $120,000**です。ただし落とし穴があります。OpenAIはTerra固有のコーディングベンチマークを一切公開していません。有名な91.9%のTerminal-Bench数字はUltraモードのSolのもので、フラッグシップのSolですらSWE-Bench ProでClaude Fable 5に負けています (64.6% 対 80%)。あなたはTerraを、証明されたTerraスコアではなく価格で買っているのです。両モデルはofox.aiの同じエンドポイント上にあるので、比較は1行の差し替えで自分のタスクで試せます。

Terraで面白いのは、その価格設定がどれだけ退屈かという点です。入力はGPT-5.5の半分、出力も半分、キャッシュも半分。注釈なし。この一律さがいつもの価格論争を消し去ります。というのも、キャッシュやワークロード構成では、全項目で2.0xになっている比率を動かせないからです。つまり判断のすべては1つの問いに集約されます。Terraは、本来GPT-5.5に送るはずだった作業に十分な性能か? という問いです。この問いにはまだきれいなベンチマークの答えがなく、この記事はもっぱら、ローンチ当日の数字を信じる代わりに、それを自分で確かめる方法についてのものです。

読むのを飛ばして両方試したいなら、ofox.aiが同じOpenAI互換キー上で openai/gpt-5.6-terra と openai/gpt-5.5 をホストしています。従量課金で月額料金なし。末尾のA/Bハーネスは15行未満です。この記事の全価格は2026年7月10日にofoxのモデルカタログと照合済みです。

要点: どちらを選ぶべきか?

2026年のほとんどのコーディングチームにとって正直な結論は、こうです。コストに敏感なトラフィックのデフォルトを openai/gpt-5.6-terra にし、後退させられない合格済み評価をすでに持つパイプラインのフォールバックとして openai/gpt-5.5 を残し、デフォルトを切り替える前に実際のA/Bを回すこと。Terraは価格の点でおそらく正しい選択です。証拠の点ではまだ正しい選択ではありません。そしてこの2つは別物です。

各モデルがofoxで提供するもの

両モデルはOpenAI互換プロトコルのapi.ofox.ai/v1上、そしてClaude Codeのドロップイン利用向けにAnthropicプロトコルのエンドポイント上にあります。数字は2026年7月10日にofoxのモデルカタログと照合済みです。

目立つ点が3つあります。値下げが一律であること。入力、出力、キャッシュがすべて半分になっているので、入力と出力の割引が異なり比率がワークロード構成でぶれるベンダー間比較とは違い、Terraはどこでもきれいに2.0xです。仕様の枠も同一です。同じ1Mコンテキスト、同じ128K出力上限、同じAzure基盤。どちらのモデルも、他方より大きな単一呼び出しのパッチを出せるわけではないので、長いリファクタ作業では決め手は常にトークンあたりのコストと性能であって、出力容量ではありません。そして、Terraの上位にある2つのGPT-5.6ティアはこの表を変えません。Solは$5/$30でGPT-5.5と同じ定価、Lunaは両方を下回る$1/$6です。GPT-5.5のワークロードを実際に値付けし直すティアがTerraなのです。

Terraとオープンウェイト勢の立ち位置については、GLM-5.2 vs GPT-5.5 コスト分解とMiniMax M3 vs GPT-5.5 コーディングベンチマークを参照してください。フラッグシップ対フラッグシップの構図については、Fable 5 vs Opus 4.8 vs GPT-5.5 SWE-Bench比較がClaude側を扱っています。

正直なベンチマーク考察: Terraがローンチで実際に証明したこと

これはフラッグシップレビュー記事が飛ばすセクションなので、どの数字も信じる前に読んでください。

2026年7月9日のGAで、OpenAIがベンチマークしたのはフラッグシップティアのSolです。TerraとLunaには両者合わせて1行しかありませんでした。Agents’ Last ExamでClaude Fable 5を約16分の1のコストで上回る、というものです。努力レベルなし、絶対数字なし、Terra対GPT-5.5コーディングスコアなし。誰もが引用しているベンチマーク表はSolのもので、これはGPT-5.5と同じコストです。この記事が扱う半額ティアのものではありません。

もっともきれいな2行は、Simon WillisonのGA当日の記事という一貫した1つのソースから来ています。

Agents’ Last Examの行は正確に読んでください。すでに緩い言い換えが出回っているからです。Solは53.6を記録し、medium推論でもFable 5を11.4ポイント、およそ4分の1のコストで上回ります。このmedium推論・4分の1コストの結果はSolのものです。別のTerraとLunaの主張は、Fable 5を約16分の1のコストで上回るというもので、努力レベルも公開数字もありません。ですからTerraの公開された証拠はコーディングスコアではなく、コスト比較です。コストに関する記事にとってはこちらの方が強い売り込みです。誰かがそれを検証済みベンチマークに仕立て上げさえしなければ。

Terminal-Bench 2.1はローンチ記事がひそかにソースを混ぜる箇所なので、誰が何を測ったかで分けます。

この2つのブロックを跨いで比較しないでください。OpenAI独自のハーネスはSolを89から92近くに置きます。独立したtbench.aiのボードはGPT-5.5が83.4、Fable 5が83.1あたりで頭打ちで、GPT-5.6ティアはまだ掲載していません。3つ目のハーネスvals.aiは、私たちのFable 5 vs Sonnet 5比較でFable 5を80.5%と採点しています。3つのハーネス、同じモデルに3つの数字。ソース内では順位付けし、ソースを跨いでは決してしないこと。

これらすべてに対する読み方が4つあります。

1. 91.9%はUltraであってデフォルトではない。 UltraはSol上の計算集約型・高努力モードで、リクエストあたりのトークンとレイテンシをはるかに多く消費します。ベンダー報告値であり、あらゆる見出しが使う数字です。ベースSolは数ポイント低く、どちらの数字も独立ボードではまだ確認されていません。

2. ベンダーの数字でさえ割り引くべき。 METRの配備前評価 (metr.org, 2026年6月) は、Solの検出されたチート率、つまりモデルがタスクを解く代わりに評価環境のバグを悪用する率が、彼らのエージェントハーネス上のあらゆる公開モデルの中で最も高いことを発見しました。それらの試みを一方の数え方で数えるか他方で数えるかで、Solの時間地平線の推定はおよそ11時間から270時間超まで振れ、METR自身がこの幅を統計的に解釈不能と呼んでいます。コーディングチャートの首位に立つモデルが、評価を最も操作しがちなモデルでもあるとき、「ローンチ数字ではなく自分のタスクを信じよ」はスローガンでなくなります。

3. このファミリーもベンチマークで負けている。 SWE-Bench Proでは、フラッグシップのSolがClaude Fable 5の80%に対して64.6%を記録しました。OpenAIの反論は、SWE-Bench Proのタスクのおよそ30%が壊れているというもので、これは正当な批判であると同時に、数字が見栄えの良いものではないという自認でもあります。難しいパッチのワークロードがSWE-Bench Proに似ているなら、GPT-5.6はどのティアでも明白な選択肢ではありません。

4. Terraは文書化されていない。 Terraに関する最も強い公開された主張は、1つのベンチマーク上の、スコアの付いていないコスト比較です。本番パイプラインを再ルーティングするには薄い証拠であり、価格が半分である以上、A/Bを回す十分な理由になります。

実務上の結論はこうです。Terraを、証明されていないが妥当性のある性能の下限を伴うコストの賭けとして扱う。 妥当性は、それがSolと同じファミリー・同じアーキテクチャの1つ下のティアであることから来ます。証明の欠如は、OpenAIが単にTerraのコーディングスコアを公開していないことから来ます。そのギャップは自分の評価で埋めます。Terraが安いので、これは安上がりです。この記事の残りは、コストの賭けの計算と、その評価のためのハーネスです。

実際のトークンあたり計算: 3つのワークロードシナリオ

定価は簡単です。重要なのはあなたの規模での請求額です。チームが実際にぶつかる量の範囲で3つのシナリオを見ます。

前提ブロック (3つすべてで一定に保持):

• リクエストあたり3,000トークン、入力対出力2:1で分割 (入力2K、出力1K)
• 月あたり30日
• 見出しの数字ではキャッシュヒットなし (キャッシュは次のセクションで扱う)
• Web検索アドオン除外

軽量: 1日10Kリクエスト

おおよそ、1つのコーディングエージェントを中程度の強度で回す小規模チーム、あるいは規模のあるサイドプロジェクト。

• 1日の入力トークン: 10K x 2K = 20M
• 1日の出力トークン: 10K x 1K = 10M

中規模: 1日100Kリクエスト

コーディングエージェントをフルタイムで回す10人のエンジニアチーム、あるいは中程度の同時実行でモデルをエンドユーザーに露出するプロダクト機能。

• 1日の入力トークン: 100K x 2K = 200M
• 1日の出力トークン: 100K x 1K = 100M

大規模: 1日1Mリクエスト

本番のエージェント群、規模のある開発者ツールSaaS、あるいは4桁人数のエンジニア組織に露出される社内プラットフォーム。

• 1日の入力トークン: 1M x 2K = 2B
• 1日の出力トークン: 1M x 1K = 1B

2.0xの比率はどの量ティアでも保たれ、ベンダー間比較とは違ってどのワークロード構成でも保たれます。1:1 (チャット形式のターン) でもTerraはやはりきっかり半分です。1:3の出力重視 (短いプロンプトからのコード生成) でもやはりきっかり半分です。理由は算数です。すべての料金が半分になると、それらの料金のブレンドは重みにかかわらず半分になります。これは頭に入れておく価値があります。というのも、節約額を予測するのに入力対出力比率をモデル化する必要が一切なくなるからです。今日GPT-5.5にいくら払っているにせよ、Terraはその半分、以上です。

タスクあたりの視点、コーディングの請求は実際こう読まれるので

単一のマルチターンなエージェントタスクは、3Kトークンよりはるかに多く消費しがちです。現実的な形を取ります。入力50K (リポジトリコンテキスト、ツール結果、複数のターン)、出力15K (編集、説明、リトライ)。

タスクあたり$0.35 対 $0.70なら、問いは節約が本物かどうかではありません。本物であり、しかもきっかり2倍です。問いは、その1,000件のタスクでTerraの出力がGPT-5.5に十分近く、半減した請求が、どこか別の場所で支払う品質低下ではなくタダ飯になっているかどうかです。

キャッシュはドルを変えるが、比率は変えない

両モデルともキャッシュ読み込みを全入力料金より低く請求します。Terraは$0.25/M、GPT-5.5は$0.50/M。リクエストを跨いで同じリポジトリコンテキストを再利用するコードレビューエージェントでは、50%超のキャッシュヒット率は現実的です。以下は、ブレンド2:1コストに対する50%の入力キャッシュヒットです。

2つの「キャッシュなしからの低下」の数字が両方とも−11.2%で同一であること、そしてTerraのブレンド$5.92がGPT-5.5の$11.83のちょうど半分であることに注目してください。これはまた一律割引の性質です。Terraのキャッシュ料金もちょうど半分なので、キャッシュはこの比較をどちらにも傾けられません。両方の請求を同じ割合で下げ、0%から100%までのどのキャッシュヒット率でも2.0xの比率を手つかずのまま残します。

これは、キャッシュ経済が一方のモデルを有利にして分岐点を動かす通常のモデル比較とは、本当に異なる結果です。ここでは、キャッシュは判断にとってニシンの燻製 (的外れな注意逸らし) です。絶対的な節約のためにオンにしてよいですが、どちらのモデルが安いかをキャッシュが変えると誰にも主張させないでください。変わりませんし、変わり得ません。

Terraが正しい選択となるとき

openai/gpt-5.6-terra へのルーティングが明白な手となる、あなたの評価がそれを通過すると仮定した場合の5つのワークロードです。

1. バッチおよび非同期のコーディング一括処理。 夜間の依存関係アップグレード、ドキュメント生成、バッチのlintおよびcodemod実行。総トークン支出が支配的で、個々のレイテンシは問題になりません。2.0xの差は数千の夜間リクエストにわたって積み上がります。
2. 出力の多い生成パイプライン。 テスト生成、スキャフォールディング、codemod適用、読む量より出す量が多いもの全般。出力はどの請求でも高い方の半分で、Terraはそれを$15/Mに半減します。
3. 長コンテキストのリファクタ処理。 Terraの1Mコンテキストと128K出力上限はGPT-5.5とぴったり一致するので、容量を失わず、モジュール全体のプロンプトが必要とする大きな入力に対してトークンあたり半額で払えます。
4. 高キャッシュヒットのレビューエージェント。 多数のリクエストにわたる同じリポジトリコンテキスト。比率は変わらなくても絶対的な節約は本物で、Terraの$0.25/Mキャッシュ読み込みは両者のうち最も低いものです。
5. コスト上限のある社内ツール。 予算が固定され、品質のバーが「明らかに役立つ」であって「フラッグシップ級」でない社内エージェント。Terraは同じ上限のもとで賄えるリクエスト数を倍にします。

正直な但し書きをもう一度。上記の各項目はすべて、OpenAIのベンチマークではなくあなたの評価を条件とします。OpenAIはTerraをコーディングでベンチマークしていないからです。コストの根拠は証明済みです。品質の根拠はあなたが回すものです。

GPT-5.5がなお働き続けるとき

既知の量が安い未知に勝つ3つの状況です。

1. 後退させられない合格済みのGPT-5.5評価がある。 本番パイプラインがすでにGPT-5.5で品質のバーを満たしていて、後退が高くつく (顧客向けの出力、コンプライアンスに敏感な生成) 場合、Terraが同じ評価をオフラインで通過するまでGPT-5.5をデフォルトに保ってください。半額の節約は、本番で発見する静かな品質低下に見合いません。
2. インタラクティブなレイテンシがKPI。 最初のトークンのレイテンシが採用を左右するペアプログラミングの場面。GPT-5.5は短いプロンプトで長く調整されたレイテンシプロファイルを持っています。Terraは一致するかもしれませんが、すでに満たしているレイテンシSLOのもとで「かもしれない」は望むものではありません。
3. 凍結されたモデル契約。 再現性や監査上の理由でモデルバージョンを固定し、スケジュール通りにのみ変更するチームもあります。GPT-5.5のサイクルの途中なら、Terraを評価する適切な時期はローンチ当日ではなく、次のレビューウィンドウです。

横ではなく上へ行く選択肢もあります。難問エスカレーション経路が平均コストより重要なら、Sol Ultraの91.9% Terminal-Bench数字やClaude Fable 5の80% SWE-Bench Proリードが、Terraの節約より価値があるかもしれません。安価な大量分をTerraにルーティングし、最難関の10%を難問セットであなたの評価に勝ったモデルへエスカレートしてください。この2ティアの分割は、すべてに1つのモデルを選ぶよりほぼ常に優れています。

どちらも選ぶべきでないとき

ワークロードが大量・レイテンシに敏感・性能が軽い (分類、ルーティング、短いチャットの繋ぎ、抽出) なら、TerraもGPT-5.5もオーバースペックです。$1/$6の openai/gpt-5.6-luna は入力でTerraをさらに2.5x下回り、その性能ティアは構造化された境界のあるタスクには十分です。そして、一般的なコーディングでトークンあたりコストを純粋に最適化していて、オープンウェイトモデルを許容できるなら、GLM-5.2コスト比較が定価でTerraすら下回るモデルを示しています。最も安いトークンが欲しいときではなく、フラッグシップ価格の半分でGPT-5.6ファミリーの振る舞いを特に欲しいときにTerraを選んでください。

OpenAIが飛ばした評価を回す方法

公開されたTerraのコーディングスコアがないので、評価はあなたの仕事になります。半日の作業で、「半額」を弁護可能なルーティング判断に変える唯一のものです。実行可能なプロセスは以下の通りです。

1. おもちゃのプロンプトではなく、ログから実際のタスクを20から30件引き出す。評価の価値は、それが本番のように見えることからすべて来ます。醜いものも含めてください。複数ファイルの編集、曖昧な要件、GPT-5.5が現在苦戦しているタスク。
2. 各タスクを以下のハーネスで openai/gpt-5.6-terra と openai/gpt-5.5 の両方に通す。すべての実行で出力、トークン数、レイテンシを記録する。
3. 雰囲気ではなく、実際に出荷する次元で採点する。コーディングでは通常こうなります。コンパイルするか、テストを通るか、指示に正確に従うか、APIを捏造しないか、diffがどれだけクリーンアップを要したか。次元ごとに1から5のスケールで十分です。
4. 結果を見る前に後退の閾値を設定し、事後に正当化しないようにする。妥当なバー: セット全体で最悪の次元でTerraがGPT-5.5の1ポイント以内に収まれば、報酬が半減した請求である以上、Terraをデフォルトとして出荷する。
5. 切り替えるのではなく分割する。Terraが全体で負けても、通常はサブセット (定型的で仕様が明確なタスク) で勝ちます。それらをTerraにルーティングし、難しい末尾をGPT-5.5に残すか上へエスカレートしてください。2ティアの分割は、全面的な差し替えのリスクなしに節約の大半を捉えます。

これが典型的なモデルローンチよりTerraで重要なのは、証拠の具体的な形のためです。OpenAIはあなたにフラッグシップのベンチマークと1行の相対的主張を与え、あなたが気にするティアをちょうど半分に値付けしました。その価格設定は、TerraがGPT-5.5のワークロードを吸収するために作られたという強いシグナルですが、シグナルは測定ではありません。30件のタスクと午後1つが、それを測定に変えます。

ofoxで両方試す: 10行のコードでA/B

openai/gpt-5.6-terra と openai/gpt-5.5 はどちらもOpenAI互換プロトコルの https://api.ofox.ai/v1 上で稼働しています。差し替えは1つの文字列です。Terraには公開されたコーディングスコアがないので、このハーネスはオプションではありません。ルーティング判断への唯一の正直な入力です。

Python: 1つのループで両モデルをA/B

from openai import OpenAI
import os, time

client = OpenAI(base_url="https://api.ofox.ai/v1", api_key=os.environ["OFOX_API_KEY"])

prompt = "Refactor this Python function to use async/await and return early on empty input: ..."

for model in ["openai/gpt-5.6-terra", "openai/gpt-5.5"]:
    t0 = time.time()
    resp = client.chat.completions.create(
        model=model,
        messages=[{"role": "user", "content": prompt}],
    )
    elapsed = time.time() - t0
    print(f"{model}: {elapsed:.1f}s, {resp.usage.total_tokens} tokens")
    print(resp.choices[0].message.content[:200])

これで、自分のタスクでの生のレイテンシ、総トークン数、並べて比較できる出力が得られます。実際のワークロードから代表的なケースを20-30件通して実行してください。あなたが採点したそのセットは、どこにルーティングするかを決めるうえで、あらゆるローンチベンチマークに勝ります。

Node: 同じ形

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://api.ofox.ai/v1",
  apiKey: process.env.OFOX_API_KEY,
});

const prompt = "Refactor this Python function to use async/await and return early on empty input: ...";

for (const model of ["openai/gpt-5.6-terra", "openai/gpt-5.5"]) {
  const t0 = Date.now();
  const resp = await client.chat.completions.create({
    model,
    messages: [{ role: "user", content: prompt }],
  });
  console.log(`${model}: ${(Date.now() - t0) / 1000}s, ${resp.usage.total_tokens} tokens`);
  console.log(resp.choices[0].message.content.slice(0, 200));
}

本番ルーティング: 1行のモデル差し替え

評価がTerraを通過したら、コストに敏感なデフォルトをそれにルーティングし、後退させられないパイプラインにGPT-5.5を残すのは、1つの関数です。

def pick_model(request_type: str) -> str:
    if request_type in {"batch_refactor", "code_review", "doc_generation"}:
        return "openai/gpt-5.6-terra"
    return "openai/gpt-5.5"

resp = client.chat.completions.create(
    model=pick_model(request_type),
    messages=messages,
)

同じSDK、同じキー、同じ請求項目。請求書のモデル列が各リクエストのコストを教えてくれ、ルーティング関数が分割を調整する唯一の場所です。エスカレーション用のClaudeを含む、ofoxカタログ全体にわたる幅広いルーティングパターンについては、$30 AIコーディングスタックガイドを参照してください。

この更新のためにチェックしたソース

• ofox.aiモデルカタログ: openai/gpt-5.6-terra、入力$2.50/M、出力$15/M、キャッシュ$0.25/M、1Mコンテキスト、128K最大出力、2026年7月9日GAで掲載 (2026年7月10日検証)
• ofox.aiモデルカタログ: openai/gpt-5.5、入力$5/M、出力$30/M、キャッシュ$0.50/M、1Mコンテキスト、2026年4月24日掲載、Azure基盤 (2026年7月10日検証)
• Simon Willison: 新しいGPT-5.6ファミリー (Luna, Terra, Sol)、GA日2026年7月9日、Agents’ Last Exam Sol 53.6、SWE-Bench Pro Sol 64.6% 対 Fable 5 80%、努力ティアはnone/low/medium/high/xhigh/max。Solはmedium推論でFable 5を11.4ポイント、約1/4のコストで上回る。TerraとLunaはFable 5を約1/16のコストで上回るが絶対スコアは未公開
• Terminal-Benchリーダーボード (tbench.ai)、2.1公開ボード2026年7月10日閲覧: GPT-5.5をCodex CLI経由で83.4%、Claude Fable 5をClaude Code経由で83.1%、GPT-5.6ティアはまだ未掲載。Solの88.8% base / 91.9% UltraはOpenAIベンダー報告値でこのボードにはなく、Ultraは非デフォルトで計算集約型
• METR: GPT-5.6 Solの配備前評価、彼らのエージェントハーネス上のあらゆる公開モデル中で最も高い検出チート (報酬ハッキング) 率。時間地平線の推定はチートをどう数えるかで11hから270h、METRはこれを統計的に解釈不能と呼ぶ
• Terminal-Benchプロジェクト (laude-institute)、ベンチマーク手法とタスク定義
• Fable 5 vs Sonnet 5比較、ハーネス横断のTerminal-Bench参照 (vals.aiはFable 5を80.5%と採点)
• GLM-5.2 vs GPT-5.5コスト分解、対になるオープンウェイトのコスト比較
• MiniMax M3 vs GPT-5.5コーディングベンチマーク、対になるベンチマーク主導の比較

Terraの価格の根拠は決着済みです。全項目で、あらゆる量で、あらゆるキャッシュ率で、GPT-5.5のちょうど半分です。性能の根拠は決着していません。OpenAIがTerraのコーディングスコアを一度も公開していないからです。本番トラフィックをルーティングする前に20行のA/Bを回し、ローンチの見出しではなく自分の評価に、半額が同じ出力を伴うかどうかを決めさせてください。