Reason Agent 1.1 のご紹介

GPT-6 Astra では、Reason Agent は Coding Agent Index で Codex を 65.1 対 62.5 で上回り、解決したタスクあたりのコストは 22% 低くなります。

著者: Reason

2026年10月10日

Reason Agentは Reason の自律型ソフトウェアエンジニアです。

本日、Reason Agent 1.1 を公開します。GPT-6 Astra では、同じタスクを同じ採点者で採点した結果、Coding Agent Index で Codex を 65.1 対 62.5 で上回り、すべてのベンチマークで試行あたりのコストは Codex より 15〜23% 低くなります。Pi のスコアは 61.4 です。2

合格率を決めるのはモデルで、請求額を決めるのはハーネスです。同じモデルでも、ハーネスによってコストが最大 5 倍違うことがあります。3 GPT-6 Astra では、私たちのハーネスは Codex や Pi より試行あたりのコストが低く、スコアは高くなります。

フロンティア品質を、より低いコストで

GPT-6 Astra では、3 つのハーネスのうち Reason Agent が最も高い Coding Agent Index と最も低い解決タスクあたりのコストを記録しました。Codex より 22%、Pi より 10% 低い値です。試行あたりのコストは、Artificial Analysis がタスクあたりのコストを報告する方法に合わせて、303 タスクすべての平均です。解決したタスクあたりのコストは、これを Index で割った値です。考察の後にある図 2 では、各スコアから Harbor のジョブへリンクしています。2

品質とコストのパレートフロンティア

右上に行くほど良い結果です

図 1. Coding Agent Index（整数に丸めた値）とタスクあたりのコスト。コストが低いほど右になるため、右上ほど良い結果です。点は、Artificial Analysis Coding Agent Index v1.5 の結果から選んだものを公開されているタスクあたりのコストで示したもので、GPT-6 Astra · xhigh の Codex は公開されている Harbor のジョブから取得しています。金色の星は GPT-6 Astra · xhigh の Reason で、Harbor のジョブからスコアを算出しました。コストはいずれも Artificial Analysis と同じ基準で、303 タスクすべての平均です。点にカーソルを合わせると値が表示され、クリックすると出典が開きます。

基本原則

Reason Agent 1.1 は、すべてのベンチマークで Codex より使用するトークンが少なくなっています。GPT-6 Astra では、試行あたりの入力トークンが 23% 少なく（1.92M 対 2.48M）、出力トークンも 15% 少なくなっています。2 ハーネスは 2 つの原則に基づいて作られています。それぞれがどれだけの削減に寄与しているかは、まだ検証していません。

ツールの並列実行 Reason Agent の codemode ツールは、他のツールを呼び出す JavaScript を実行します。そのためモデルは、ツールを並列に実行して重要な結果だけを返す 1 つのプログラムを書けます。検索 1 回、ファイル読み取り 5 回、テスト実行 1 回を、モデル呼び出し 1 回で済ませることもできます。

最小限のツールセット モデルに見えるのは、少数の汎用的なコーディングツールと短いプロンプトだけです。コーディングプラットフォームに必要なそのほかの機能、つまり他のセッションやサブエージェントのオーケストレーション、クラウドコンピューター、プレビュー URL、検証済みのスクリーンショットや動画つきのプルリクエストは、codemode が必要に応じて見つける遅延ロードのツールの背後にあります。ハーネス全体がキャッシュの適用対象を最大化するように作られています。プロンプトとツールはターン間で変わらず、各リクエストは直前のリクエストに追記するだけなので、すべてのターンは新しい内容の手前までキャッシュを完全に利用できます。

同じタスク、同じツール、同じモデル。Reason Agent はツールを 1 つのプログラム内で並列に実行し、モデル呼び出し 3 回で完了します。ツールごとに呼び出す方式のハーネスは、ツールのたびにモデルへ戻るため、モデル呼び出しが 7 回必要です。

考察

モデルラボは、モデルとハーネスを一緒に訓練するという贅沢が許されます。そのハーネスを中心に作った強化学習環境の中で訓練できるからです。6 モデルは、ハーネスのツールと習慣の中で育ちます。ラボのハーネスが自社のモデルで最も力を発揮するのはそのためであり、そのホームアドバンテージが他へ持ち越せないのもそのためです。あらゆるモデルのために作られたハーネスにはそうした先行優位がないので、邪魔をしないことが求められます。

私たちはモデルに求めることを最小限にしています。有能なモデルならすでに知っている汎用ツールだけを用い、従うべきワークフローはありません。プラットフォーム固有の機能はすべてコードの背後にあり、モデルが必要としたときに見つかります。Reason Agent 1.1 は次の上に構築されています: Pi。ホームアドバンテージは見かけほど大きくもありません。独立したテストでは、12 の比較のうち 9 つで別のハーネスが最高スコアでした。3

キャッシュは、思われているより重要です。毎ターン、それ以前のすべてを読み直すため、エージェントのワークロードでは、請求額の大半は出力ではなくキャッシュされた入力が占めます。そしてヒット率が数ポイント変わるだけで、請求額は 2 桁のパーセントで動きます。モデル化したある請求額では、95% から 98% にすることで約 17% 減りました。4

結果を読み込み中…

図 2. GPT-6 Astra · xhigh: 同じモデル、同じタスク、同じ採点者。各ベンチマークのすべてのタスクが対象です。プロバイダーが拒否した Reason の試行（1 + 10 回）は、Artificial Analysis と同様に 0 点としています。各列の最良値には印が付いており、各スコアは Harbor のジョブにリンクしています。小さい数字は 95% 区間です。「vs Reason」は、同じタスクでのそのハーネスのスコアから Reason のスコアを引いた値（ポイント）です。各タブの数字は、そこで次に良いハーネスに対する Reason のリード（ポイント）です。[2]

−34%同じ努力レベルでの、Codex に対するタスクあたりコストの中央値

GPT-6.1 Sol · Reason と Codex の比較

ReasonCodex (Artificial Analysis)

図 3. すべての推論努力レベルでの GPT-6.1 Sol: Coding Agent Index とタスクあたりのコスト（対数軸）。Reason は実行した努力レベルを、Codex は Artificial Analysis に掲載されているすべての努力レベルを示します。点にカーソルを合わせると値が表示され、クリックすると Artificial Analysis の行または Harbor のジョブが開きます。

評価方法

Coding Agent Index の 3 つのベンチマークを、タスクごとに 3 回の試行で実行します。私たちの方法論は、Artificial Analysis のものに基づいており、ランナーとスコアラーは私たちのベンチマークリポジトリにあります。すべての結果は Harbor のジョブにリンクしています。5 図 1 と図 3 のほかのハーネスは、Artificial Analysis 自身の実行結果と価格です。ただし図 1 の GPT-6 Astra · xhigh の Codex は、公開されている Harbor のジョブから取得しています。図 2 では、同じタスクに対する公開 Harbor のジョブです。

参考文献

<a id="ref-1"></a> [1] Artificial Analysis. Coding Agents、2026 年 10 月 3 日取得。

<a id="ref-2"></a> [2] Harbor Hub。Reason の実行結果。モデルと推論強度ごとに 1 ジョブで、すべての試行と軌跡を含みます:GPT-6 Astra xhigh·GPT-6.1 Sol xhigh·GPT-6.1 Sol high·GPT-6.1 Sol medium。スコアは私たちの方法論に従っています。プロバイダーに拒否された試行や、報酬ハッキング判定で不合格となった試行は 0 点とするため、ジョブの Hub 上のスコアのほうが高い場合があります。試行あたりのコストとトークンの合計はプロバイダーの使用量と一致しています。これらの実行はステップごとのトークン記録より前のものであり、トラジェクトリでは秘密情報らしき語が [redacted] として伏せられています。図 2 のそのほかのスコアは、それぞれの公開ジョブにリンクしています。

<a id="ref-3"></a> [3] Melissa Z. Pan, Shuo Yang, Negar Arabzadeh, Wei-Lin Chiang, Ion Stoica and Matei Zaharia. HarnessTax: How Much Does the Harness Matter for Coding Agents? 投稿.

<a id="ref-4"></a> [4] Diogo. (KV) Cache Rules Everything Around Me. Complete Skeptic, September 2026. 投稿.

<a id="ref-5"></a> [5] Reason. Reason on the Coding Agent Index: run and reproduce Reason on DeepSWE v1.1, SWE-Atlas QnA and Terminal-Bench 4.0 with Harbor. リポジトリ.

<a id="ref-6"></a> [6] OpenAI. Introducing upgrades to Codex, September 15, 2025. OpenAI describes GPT‑5‑Codex as a version of GPT‑5 optimized for agentic coding in Codex. 投稿.