GPT-6 Astraの105万トークンで何が入るのか

「コンテキストウィンドウが105万トークン」と言われても、それが自分の仕事でどれくらいの分量を意味するのか、数字だけではピンと来ない——そう感じた方は少なくないはずです。

結論から言うと、GPT-6 Astraの1,050,000トークンは、日本語の文章にしておおよそ70万字前後(概算)に相当します。A4用紙で700枚前後、書籍にして7冊分見当の分量です。ただし「大は小を兼ねる」で全部使い切ればよいわけではありません。272,000トークンを超えると、入力・出力の単価が上がる仕組みがあるからです。

株式会社Fyveは、中小企業のAI活用を月額で伴走する専属AI活用顧問サービスを提供しています。この記事では、公式発表の数字を日本語の文字数・紙の枚数という身近な単位に翻訳したうえで、272Kトークンの壁と、長い文章でも精度が落ちないのかという実務上の疑問に答えます。

GPT-6 Astraのコンテキストウィンドウ、基本スペック

GPT-6 Astraは、2026年9月3日(米国時間)にOpenAIが発表した最新モデルです。日本時間では9月4日にあたります。公式発表によるコンテキストウィンドウまわりの仕様は次の通りです。

コンテキストウィンドウとは、モデルが一度のやり取りで読み書きできるトークンの上限のことです。この1,050,000トークンの中に、入力した文章(プロンプトや添付資料)と、モデルが出力する文章の両方が含まれます。128,000トークンという最大出力は、この上限全体のうち出力に使える枠です。

GPT-6 Astraの前世代にあたるのはGPT-5.6 Solです。この記事では、コンテキストウィンドウの中身と、実際に長い文章を渡したときの精度に絞って、前世代との違いを見ていきます。

105万トークンは日本語にするとどれくらいか

トークン数だけを見ても、実際の分量はイメージしづらいものです。ここでは日本語の文字数に置き換えて考えてみます。

トークンは、英語では「単語の一部」程度の単位で、1トークンでおよそ4文字の英語を表せるとよく言われます。日本語は事情が異なり、漢字・ひらがな・カタカナが混在するぶん、1文字あたりに使うトークン数が英語より重くなる傾向があります。厳密な比率は文章の種類やトークナイザーによって変わるため、この記事では概算として「日本語1文字はおよそ1.5トークン」という、やや控えめな目安で計算します(実際にはもう少し効率よく収まる可能性もあります)。同じ文字数でも、漢字が多い文章と、ひらがな・カタカナが多い文章とでは消費するトークン数が変わりますし、専門用語や固有名詞が多い文章は想定よりトークンを多く消費することもあります。以下の数字は、あくまで大まかな目安として読んでください。

この前提で計算すると、1,050,000トークンは日本語の文字数にしておおよそ70万字前後です。身近な単位に置き換えると、次のようになります。

契約書・議事録・社内マニュアルであれば、数百ページ規模の資料をまるごと1回のやり取りに含められる計算になります。逆に言えば、A4数枚〜数十枚程度の資料であれば、コンテキストウィンドウの上限そのものを心配する必要はほとんどないということでもあります。身近な資料に当てはめると、次のような目安になります。

• A4数枚〜10枚程度の提案書・見積書 — 上限を意識する必要はほぼない規模
• A4100枚前後の分厚いマニュアル・仕様書1本 — 単独であれば余裕をもって収まる規模
• A4700枚前後(複数の資料をまとめて渡す場合) — ここでようやく上限に近づいてくる規模

つまり、単発の資料1本を渡すぶんには、上限を気にする場面はほとんど起きません。上限を意識すべきなのは、複数の資料を合わせて渡す、あるいは数百ページ規模の資料そのものを丸ごと扱うような使い方をするときです。

読者特典・無料ダウンロードCodexに「課金」する前に読む本無料でダウンロード →↓

272,000トークンを超えると起きること

ここが、実務でいちばん見落とされやすいポイントです。GPT-6 Astraは、プロンプトが272,000トークンを超えると、入力単価が2倍、出力単価が1.5倍になります(2026年9月4日時点)。

272,000トークンは、コンテキストウィンドウ全体1,050,000トークンのうち、およそ4分の1強(約26%)にあたります。先ほどと同じ換算をすると、272,000トークンは日本語にしておおよそ18万字前後、A4用紙にしておよそ180枚程度です。つまり「A4180枚を超えたあたりから、単価が変わり始める」という感覚で捉えておくと分かりやすいはずです。

見落としやすいのが、1回のメッセージの長さだけでなく、会話を重ねるたびに過去のやり取りもコンテキストに積み上がっていく点です。最初は数万字程度の会話でも、資料を読み込ませたまま何十往復もやり取りを続けていると、いつの間にか272Kラインを超えていることがあります。長い資料をもとに何度も相談を重ねる使い方をするときほど、この積み上がりを意識しておく必要があります。

「105万トークン入るのだから、資料は全部まとめて投げてしまえばいい」という発想は、ここで裏目に出ます。上限いっぱいまで使い切ることが目的ではなく、必要な情報を過不足なく渡すことが目的です。特に、同じ資料を土台に何度もやり取りを繰り返す使い方では、272Kラインを超えたプロンプトを毎回送ることになり、単価差がそのまま積み上がっていきます。

具体的なイメージで考えてみます。たとえば200ページ程度の分厚い社内マニュアル(先ほどの換算でおよそ20万字)を毎回丸ごと渡す運用であれば、272Kラインの内側に収まるため標準単価のままです。一方、複数部門のマニュアルを1本に合本した500ページ規模(およそ50万字)を毎回渡す運用に切り替えると、272Kラインを大きく超え、入力・出力ともに割高な単価が適用され続けることになります。「資料をまとめるほど便利」とは限らない、という点がここに表れています。

実務では、必要な範囲だけを切り出して渡す、事前に要約してから渡す、資料を分割して段階的に読ませるといった工夫で272Kラインの内側に収めたほうが、コストの見通しは立てやすくなります。標準単価・Fastモードとの比較を含めた月あたりの具体的な料金計算例は、料金だけを扱った記事で詳しく解説しています。

CodexGPT-6 Astraの料金｜実際に月いくらかかるのか

実務でどう渡すか — 長いコンテキストを生かす頼み方

広いコンテキストウィンドウを持っていても、渡し方次第で結果の質もコストも変わります。実務では、次のような頼み方が現実的です。

• 「この資料の◯章だけを読んで、△△について答えて」 — 資料全体ではなく、必要な範囲を指定して渡す
• 「まず全体を要約してから、その要約をもとに検討して」 — 一度要約させ、以降のやり取りは要約ベースに切り替える
• 「資料をパートごとに分けて渡すので、パートごとに要点を整理して」 — 大きな資料を段階的に読ませ、都度メモを積み上げていく

逆に、契約書1本や議事録1回分のように、そもそもA4数十枚程度に収まる資料であれば、こうした工夫を考える必要はほとんどありません。切り分けが必要になるのは、複数の資料をまとめて渡す場合や、数百ページ規模の資料そのものを丸ごと扱う場合です。「渡せるから渡す」ではなく「必要だから渡す」を判断基準にすると、272Kラインを意識せずに済む場面が意外と多いはずです。

長い文章でも正確に読めるのか — MRCR v2の実測

「トークン数の上限に収まる」ことと、「その内容を正しく読み取れる」ことは別の話です。ここで参考になるのが、長文の読解精度を測るMRCR v2という指標です。文章中に8つの手がかりを埋め込み、それを正しく拾えるかを見る「8-needle」という形式での結果が、公式に公表されています。

この数値はOpenAIが公表した公式ベンチマークで、いずれも思考量(effort)を最大に設定した状態での測定値です。実運用で最初から同じ設定になっているとは限らない点は留意してください。

それを踏まえたうえでも、512Kトークンを超える範囲でGPT-6 Astraが96.3%というスコアを保っている点は注目に値します。前世代のGPT-5.6 Solは同じ条件で73.8%まで落ち込んでおり、「長く入るが、長いところほど読み落とす」という従来ありがちな弱点が、Astraでは大きく改善されていることが分かります。

ただし100%ではありません。100万トークン級の文章を渡す場合は、重要な情報を文章内の1箇所だけに頼らず、要点を複数箇所で繰り返す、末尾に要約を添えるといった工夫をしておくと、読み落としのリスクをさらに減らせます。

実務に置き換えると、「長い契約書の中に埋もれた一文の条件を後から探し出す」「数百ページのマニュアルの中から該当箇所だけを拾って回答する」といった、量の多い資料の中から特定の情報を引き当てる作業で、この精度の高さが効いてくると考えられます。「入る」だけのモデルであれば、渡した情報の後半部分を実質的に読み飛ばしているのと変わらない結果になりかねません。Astraはその弱点が薄いという点が、公式ベンチマーク上の特徴です。

知識カットオフ2026年4月30日が意味すること

GPT-6 Astraの知識カットオフは2026年4月30日です。これは、それ以降に起きた出来事や公開された情報を、モデルが学習データとして持っていないことを意味します。

実務で影響が出やすいのは、たとえば次のような場面です。

• 2026年5月以降にリリースされた新しいツール・サービス・料金改定について尋ねても、モデルは知らないか、古い情報のまま回答する可能性がある
• 直近の法改正・制度変更(補助金の公募要領の更新など)は、カットオフ以降の内容を反映していない
• 自社の最新の社内文書・議事録・直近の契約条件なども、当然ながらモデルの知識には含まれていない

最新の情報が必要な場面では、GPT-6 Astraが対応しているweb_searchツールで検索させる、あるいは必要な資料そのものをコンテキストウィンドウに含めて渡す、という運用が現実的です。105万トークンという広いコンテキストウィンドウは、こうした「カットオフ以降の情報をそのつど渡す」という使い方と相性がよい設計だと捉えることもできます。

実務でありがちな失敗は、モデルに直近のリリース情報や制度の最新状況をそのまま尋ね、返ってきた回答を検証せずに使ってしまうことです。知識カットオフの日付を把握しておくだけで、「この話題はカットオフより後だから、鵜呑みにせず調べ直そう」という判断が働くようになります。カットオフの日付そのものを、回答の信頼度を測るチェックポイントとして覚えておくと実務で扱いやすくなります。

よくある質問

105万トークンを全部使うと料金はどうなりますか

272,000トークンを超えた範囲は入力2倍・出力1.5倍の単価がかかります(2026年9月4日時点)。上限いっぱいの105万トークンを毎回使い切るような運用は、この割高な単価が適用される範囲がほとんどを占めることになるため、コスト面では避けたほうがよい使い方です。標準単価・Fastモードとの比較や、月あたりの具体的な計算例は料金を扱った記事で解説しています。

日本語と英語で使えるトークン数は変わりますか

実際に表現できる文字数は変わります。英語は1トークンでおよそ4文字を表せるのに対し、日本語は1文字あたりに使うトークン数が重くなる傾向があるため、同じ105万トークンでも日本語にすると文字数は少なくなります。この記事の概算では、日本語でおよそ70万字前後としています。

知識カットオフより後の出来事を聞くとどうなりますか

モデルは知らないため、古い情報のまま回答したり、把握していない旨を答えたりします。最新情報が必要な場合は、web_searchツールを使わせるか、必要な資料そのものを渡す運用にしてください。

長い文章を渡すと精度は落ちませんか

公式のMRCR v2ベンチマークでは、512K〜1Mトークンの範囲でも96.3%というスコアが出ており、前世代のGPT-5.6 Sol(73.8%)より大きく改善しています。ただし100%ではないため、重要な情報は繰り返し記載する、要約を添えるといった工夫は有効です。

画像を含む資料もコンテキストウィンドウに含められますか

GPT-6 Astraの入力はテキストと画像に対応しています。ただし、この記事の文字数換算はテキストの分量を前提にした概算です。画像を含む資料を渡す場合は、画像の分だけ別途トークンを消費するため、テキストだけの場合よりも余裕を見ておく必要があります。

まとめ

• GPT-6 Astraのコンテキストウィンドウは1,050,000トークン、最大出力は128,000トークン(2026年9月4日時点の公式仕様)
• 日本語にするとおおよそ70万字前後(概算)、A4用紙で700枚前後、書籍で7冊分見当の分量になる
• 272,000トークンを超えると入力2倍・出力1.5倍の単価がかかる。上限まで使い切ることが目的ではない
• MRCR v2の公式測定では、512K〜1Mトークンの範囲でも96.3%の精度を維持している(最大effort測定)
• 知識カットオフは2026年4月30日。それ以降の出来事はweb_search等で別途補う必要がある

コンテキストウィンドウの広さは、使い方次第で強みにも、コストの増加要因にもなります。まずは自社で扱う資料がどれくらいの分量にあたるのか、この記事の目安で当てはめてみてください。そのうえで、272Kラインをまたぐかどうかで渡し方を変えるだけでも、コストの見通しは大きく変わります。

関連記事

GPT-6 Astra全体の機能・料金・使い方を体系的に押さえたい方は、こちらの完全ガイドをご覧ください。

CodexGPT-6 Astraとは｜何ができるモデルなのか【完全ガイド】