GPT-5.1は、2025年11月にGPT-5シリーズの更新版として発表されました。
当時の比較では、応答の速さを重視するInstantと、複雑な課題に時間をかけるThinkingの使い分けが中心でした。
ただし、GPT-5.1 Instant、Thinking、Proは2026年3月11日にChatGPTから退役しています。
OpenAIの案内ではAPIでの提供は継続していますが、新規導入や移行では最新のモデル一覧と廃止予定を確認する必要があります。
この記事では、GPT-5.1を現行の推奨モデルとして扱いません。
発表時点の特徴を一次情報に沿って振り返り、モデル名が変わっても使える選定と検証の方法に置き換えて解説します。
先に確認したいGPT-5.1の現在地
- ChatGPT：GPT-5.1の各モデルは2026年3月11日に退役しました。
- API：OpenAIはGPT-5.1のAPI提供を継続すると案内しています。利用前にモデル一覧と廃止情報を確認してください。
- この記事の比較表：2025年11月の発表時点を整理した資料です。現在の性能順位や提供状況を示す表ではありません。
現在のChatGPTで選ぶべきモデルを探している場合は、名称を後継モデルに読み替えるだけでは足りません。
実際の業務データと合格条件を使い、現在利用できる候補を改めて評価してください。
提供状況の根拠は、OpenAIのChatGPTモデル退役に関する案内で確認できます。
比較を読むための用語
LLMは、大量の文章を学習し、入力に続く文章を生成する大規模言語モデルです。
同じサービス内でも、速さを優先するモデルと、複雑な推論を優先するモデルが分かれることがあります。
- 適応的推論：課題の難しさに応じて、推論に使う処理量を変える仕組みです。
- コンテキストウィンドウ：一度の処理で参照できる入力と出力の範囲です。上限が大きくても、必要な情報を正確に拾えるかは別に検証します。
- モデルルーティング：入力内容に応じて、サービス側が使用モデルを振り分ける仕組みです。
- セルフホスト：組織が管理する環境にモデルを配置して運用する形です。導入後の監視、更新、アクセス制御も組織側の仕事になります。
GPT-5.1で変わった点
InstantとThinkingの役割
GPT-5.1の発表では、Instantは会話の自然さと指示追従を改善したモデル、Thinkingは簡単な課題への応答を速めつつ、複雑な課題ではより長く取り組むモデルと説明されました。
Instantにも適応的推論が導入され、すべての依頼を同じ処理量で扱うのではなく、難しさに応じて応答の仕方を変える設計が示されました。
この考え方は、現在の候補を比べるときにも「高速モデルか推論モデルか」という選択軸として残っています。
会話の調整と自動振り分け
発表時のChatGPTでは、応答の雰囲気を調整するプリセットが拡充され、Autoが入力に合うモデルを振り分ける構成でした。
この変更は、モデルの能力だけでなく、指示の守り方や読みやすさも業務品質として評価すべきことを示しています。
一方、自動振り分けを使うと、評価中にどのモデルが応答したかを固定できない場合があります。
再現性を比べる検収ではモデルを固定し、通常運用ではAutoを含めて確かめるという二段階の試験が適しています。
安全性評価の追加
GPT-5.1のシステムカード追補では、メンタルヘルスと感情的依存に関する評価が追加されました。
ただし、システムカードはあらゆる業務での安全を保証するものではなく、対象業務に合わせた確認と人の承認は別に必要です。
2025年11月時点の主要LLM比較
| モデル | 当時の主な位置づけ | 検証したい業務条件 |
|---|---|---|
| GPT-5.1 | InstantとThinking、適応的推論、Autoによる振り分け | 指示遵守、応答時間、複雑な課題での一貫性 |
| Claude 3.7 Sonnet | 通常応答と拡張思考を一つのモデルで扱う構成 | 分析結果の妥当性、コードや調査課題での検証しやすさ |
| Gemini 2.0 | 長いコンテキストを扱うモデル群 | 長文からの抽出漏れ、根拠箇所との対応、処理費用 |
| Llama 3.1 405B | 重みを利用でき、管理環境への配置を検討できる大規模モデル | 運用基盤、ライセンス、更新、監視、アクセス制御 |
| Mistral Large 2 | 多言語、コード、関数呼び出しを訴求したモデル | 日本語品質、外部ツール連携の成功率、総費用 |
この表は、異なる時期と試験条件のベンチマーク値を並べた順位表ではありません。
各モデルが何を設計上の強みとして発表し、導入側が何を検証すべきだったかを対応させています。
モデルを選ぶ前に業務と合格条件を決める
モデル比較が曖昧になる原因は、質問文より先に製品名を選ぶことです。
まず、対象業務、許容できない誤り、応答時間、予算、人が確認する箇所を決めます。
| 対象業務 | 優先する評価項目 | 試験方法 |
|---|---|---|
| メールや企画書の下書き | 指示遵守、事実の保持、文体 | 同じ資料と禁止事項を渡し、修正が必要だった箇所を記録する |
| 要件整理や調査設計 | 前提と結論の整合、抜け漏れ | 既知の制約を含む課題を使い、見落とした条件を人が照合する |
| 長い文書の要約 | 重要事項の再現、根拠箇所 | 決定事項と未決事項を分けて抽出させ、原文と照合する |
| 外部ツールを使う処理 | 実行成功率、権限の範囲、復旧しやすさ | 失敗条件を含む試験を行い、誤実行と再試行の記録を確認する |
| 大量処理 | 総費用、応答時間、再試行率 | 代表的な入力群を処理し、修正と再実行を含む費用を集計する |
同じ短いプロンプトを各モデルに一度ずつ与えるだけでは、実運用の差は測れません。
共通の業務要件で基礎比較を行った後、各サービスの推奨設定に合わせて調整し、どこまで改善したかを分けて記録します。
選定から運用までの手順
- 業務を一つに絞る：文章作成、長文検索、コード修正など、入出力と利用者を特定します。
- 合格条件を決める：正確性、指示遵守、速度、費用、セキュリティのうち、業務で外せない条件を明文化します。
- 代表的な入力を用意する：簡単な例だけでなく、曖昧な依頼、長い入力、失敗しやすい条件も含めます。
- 結果を人が照合する：事実、計算、引用、権限が関わる出力は、元資料や実行ログと突き合わせます。
- 運用全体の費用を測る：API料金だけでなく、再試行、確認、修正にかかる作業も記録します。
- 更新時に再評価する：モデルの変更、廃止、価格改定があれば、同じ評価セットで差分を確認します。
モデル導入を運用ルールまで広げる場合は、関連記事の生成AIを業務に入れる前に決めるべきことが、責任分担、入力情報、確認手順の整理に役立ちます。
利用者が増えた後の完了条件と効果測定は、生成AIの業務利用が広がった後の組織設計で詳しく解説しています。
導入前に確認する更新情報
- 利用予定の画面またはAPIで、対象モデルが提供されているか
- 廃止予定と移行先が案内されているか
- 入力上限、出力上限、対応するツールが業務に足りるか
- 料金表が試験時から変わっていないか
- 入力データの保存、学習利用、保管地域に関する条件が社内ルールに合うか
- 障害時の代替手段と、人が処理を引き継ぐ手順があるか
製品ページの「最新」や「高性能」という表現だけでは、業務への適合は判断できません。
公式文書の確認日と評価結果を残しておけば、次のモデル更新で何を再試験すべきかが明確になります。
結論
GPT-5.1は、応答の速さと複雑な推論を使い分ける設計、指示追従、会話の調整を前面に出した更新でした。
現在はChatGPTから退役しているため、そのままの製品比較を現行の選定表として使うことはできません。
一方、業務を定義し、合格条件を決め、同じ評価セットで再試験する手順は、モデルが更新されても使えます。
導入判断ではモデル名を先に決めず、正確性、費用、速度、運用責任を実データで比較してください。
参考資料
現在の提供状況
発表時点の一次情報
- OpenAI：GPT-5.1発表
- OpenAI：GPT-5.1システムカード追補
- Anthropic：Claude 3.7 Sonnet発表
- Anthropic：拡張思考の解説
- Google：Gemini APIの長いコンテキストに関するガイド
- Meta：Llama 3.1発表
- Mistral AI：Mistral Large 2発表
この記事に関連する株式会社greedenの取り組み
モデル名の新しさだけで導入を決めると、業務との適合や確認手順が抜け落ちます。株式会社greedenは、生成AIを用いた施策について、ツール選定から業務フロー改善、定着まで伴走します。