GPT-5.5「Spud」ファクトチェック：公式確認は見つからず

開発者やプロダクトチームにとって、この違いは小さくありません。モデルの愛称はベンチマークではありません。さらに、仮にコンテキストウィンドウが大きくても、それだけで長い業務フローの途中に置いた指示を最後まで守れるとは限りません。

結論：Spudの公式確認は見つからない

噂があることと、リリース証拠があることは別

Spudという名前は、噂としては確認できます。Facebook投稿、Redditスレッド、Xの投稿、YouTube動画、非公式記事では、ローンチ時期、事前学習、マルチモーダル性、能力に関する主張が語られています 。

ただし、それらは「人々がSpudについて話している」ことの証拠であって、「OpenAIがSpudを公開した」ことの証拠ではありません。

モデル提供の確認には、通常、OpenAIのAPIページ、変更履歴、リリースノート、公式発表、システムカード、ベンチマーク成果物のような一次資料が必要です。今回のレビューでそうした一次資料として確認できるのは、GPT-5.4を識別・説明する資料です 。

もちろん、公開文書がないからといって、内部コードネームが存在しないとまでは言えません。言えるのは、Spudのリリース日、API提供、価格、メモリ、長文コンテキスト信頼性に関する公開主張は、このソース群では未検証だということです。

公式情報が実際に示しているのはGPT-5.4

この確認範囲で最も強いモデル関連の根拠は、OpenAIのGPT-5.4資料です。APIガイドは「Using GPT-5.4」と題され、OpenAI APIの変更履歴やGPTリリースノート関連資料も「Latest: GPT-5.4」へ読者を案内しています 。

OpenAIのGPT-5.4発表では、同モデルがGPT-5.3-Codexのコーディング能力を取り込み、ツール、ソフトウェア環境、スプレッドシート、プレゼンテーション、文書を伴う作業を改善すると説明されています 。また、44職種にまたがる知識労働を十分に仕様化して実行できるかを測るGDPvalで、GPT-5.4は比較の83.0%で業界専門家と同等または上回り、GPT-5.2の70.9%を上回ったとされています 。

長い業務フローの信頼性という問いに最も近い公式証拠は、SpudではなくGPT-5.4 Thinkingに関するものです。OpenAIのGPT-5.4 Thinkingシステムカードは、難しい長期ロールアウトのトレースにおいて、操作の追跡や取り消しを行いながらユーザーの作業を壊さない点で、従来モデルより大きく改善したと説明しています。同ページは、CoT-Controlを1万3000件超のタスクを含む評価スイートとして紹介しています 。

これはGPT-5.4 Thinkingについての主張です。GPT-5.5 Spudが公開された、あるいは同等のテストを通過した、という証拠にはなりません。

「長いコンテキストに入る」だけでは信頼性とは言えない

長文コンテキストの信頼性とは、単に長いプロンプトをモデルに投入できることではありません。実際の業務では、離れた場所に置かれた制約を覚えていること、複数ターンや複数セッションをまたいで状態を保つこと、正しいツールを選ぶこと、過去の作業を安全に修正すること、複数ファイルや複数文書からなる成果物全体の整合性を保つことが求められます。

近年の研究でも、これはまだ積極的に評価・改良されている領域として扱われています。長文コンテキストに関するサーベイは、コンテキスト長の拡張、長文モデリング、アーキテクチャ変更、ワークフロー設計、コンテキストエンジニアリングを扱っており、長文での指示追従が解決済みだとは位置づけていません 。長文言語モデルの最適化手法を体系的に評価する論文も、大量の情報を処理・保持するケースを含めてベンチマークしています 。

指示保持そのものを測る試みも増えています。LongAlignは、長文コンテキストでの指示追従を評価するLongBench-Chatを導入しています 。LifBenchは、長文コンテキスト状況における指示追従性能と安定性に焦点を当てたLong-context Instruction Following Benchmarkを提案しています 。LocoBenchは複雑なソフトウェアエンジニアリング作業を対象にし、Multi-Session Memory Retentionや複数セッションの開発ワークフローを含んでいます 。

実務で見るべき6つの評価項目

OpenAIの評価ガイダンスは、本番環境を意識した評価を推奨し、特にツール選択を評価対象として挙げています。また、単一エージェントの構成にツールやタスクが増えるほど、モデルが指示に従ったり正しいツールを選んだりすることが難しくなり得るとも説明しています 。OpenAIはCodexで長期タスクを実行する開発者向けガイダンスも公開しており、長い複数ステップの作業が実際のプロダクト課題であることは示されています。ただし、それはSpudのベンチマークではありません 。

実務で長文ワークフローの信頼性を見るなら、少なくとも次の6点を評価すべきです。

1. 離れた位置にある指示が最後まで残るか。 重要な制約を長い入力の冒頭、中盤、末尾に置き、最終出力がすべて守っているかを採点する。LongAlignとLifBenchは、長文環境での指示追従に焦点を当てている点で参考になります 。
2. 複数セッションをまたいで状態を保てるか。 決定事項、制約、取り消しを含む作業を複数回に分けて与え、正しい状態から再開できるかを見る。LocoBenchのMulti-Session Memory Retentionの考え方が直接関係します 。
3. 負荷が高い状況で正しいツールを選べるか。 複数のもっともらしいツールを用意し、適切なツールと入力を選べるかを確認する。OpenAIはツール選択を評価対象として明示し、複雑さが指示追従やツール選択を難しくし得ると説明しています 。
4. ロールバックと修復が安全にできるか。 長い作業の一部だけを取り消すよう求め、無関係なユーザー作業を壊さないかを見る。これはOpenAIがGPT-5.4 Thinkingについて報告している長期ロールアウトでの挙動に近い評価です 。
5. ファイルや文書をまたいだ成果物の一貫性を保てるか。 コード、スプレッドシート、プレゼンテーション、文書で、直近の発話だけでなく成果物全体の制約を維持できるかを確認する。GPT-5.4の公式説明はツール、ソフトウェア環境、スプレッドシート、プレゼンテーション、文書を含み、LocoBenchは複雑なソフトウェアエンジニアリング作業に焦点を当てています 。
6. プロンプトと出力形式を制御できるか。 最終回答の前に、例、形式、長さ、文体を明示して、期待どおりに出力されるかを測る。OpenAIの信頼性ガイダンスはプロンプトレベルの手法を扱っていますが、こうした手法はワークフロー全体の評価を置き換えるものではなく、補完するものとして使うべきです 。

何が出れば結論が変わるか

この判定を変えるには、より強い一次情報が必要です。たとえば、GPT-5.5またはSpudという名称を明記したOpenAIのAPIページやモデルページ、変更履歴、リリースノート、公式発表、モデルカードまたはシステムカード、そして指示追従、複数セッション記憶、ツール選択、ロールバック、成果物の一貫性を含む再現可能な長文コンテキスト評価結果です 。

それまでは、最も安全な言い方は次の通りです。GPT-5.5 Spudは、今回レビューしたOpenAI公式資料では公開モデルとして確認できません。さらに、その長文コンテキスト信頼性も、利用可能な証拠からは確立されていません。実際に使えるモデルを実務タスクで評価し、非公式なモデル名やコードネームは、OpenAIが文書を公開するまで噂として扱うのが妥当です。