Home GPT-5.5のreasoning.effortとツール呼び出し最適化の技術解説
投稿
キャンセル

✍️ GPT-5.5のreasoning.effortとツール呼び出し最適化の技術解説

投稿日 09/05/2026
投稿者 0h-n0
18 分読了時間

本記事は Introducing GPT-5.5 (OpenAI) および Using GPT-5.5 (API Docs) の解説記事です。

ブログ概要（Summary）

OpenAIは2026年4月23日にGPT-5.5をリリースした。GPT-5.5はreasoning.effortパラメータ（none/low/medium/high/xhigh）で推論深度とレイテンシのトレードオフを制御でき、text.verbosityパラメータで出力の詳細度を調整できる。OpenAIの公式情報によると、GPT-5.5はGPT-5.4と同等のper-tokenレイテンシでありながら、同じタスクを完了するのに必要なトークン数が少ないとされている。ツール呼び出しの精度と効率も向上しており、o3と比較して出力トークンが22%少なく、ツール呼び出し回数が45%少ないと報告されている。

この記事は Zenn記事: Bedrock Managed Agents×GPT-5.5で経費精算フローのレイテンシを削減する の深掘りです。

情報源

技術的背景（Technical Background）

LLMの推論能力向上は、Chain-of-Thoughtに代表される「推論トークンの増加」によって実現されてきた。しかし、推論トークンの増加はレイテンシとコストの増大を伴う。特にエージェントワークフローでは、各ステップでのモデル呼び出しが逐次実行されるため、トークン効率がフロー全体のパフォーマンスに直結する。

GPT-5.5はこの問題に対し、2つのアプローチで取り組んでいる。

  1. モデルレベルのトークン効率改善: 同じタスクを少ないトークンで完了する能力の向上
  2. APIレベルの制御パラメータ: reasoning.effortとtext.verbosityによるユーザー側からの制御

reasoning.effortパラメータの技術的詳細

パラメータ設計

reasoning.effortはGPT-5シリーズで導入されたパラメータであり、モデルの推論に費やすトークン量を制御する。GPT-5.5では5段階のレベルが提供されている。

flowchart LR
    A[none] --> B[low]
    B --> C[medium\nデフォルト]
    C --> D[high]
    D --> E[xhigh]
    
    A ---|レイテンシ最小| A
    C ---|バランス| C
    E ---|品質最大| E

各レベルの特性をOpenAI公式ガイドに基づいて整理する。

reasoning.effort推論トークン量用途制約事項
noneなしレイテンシ最優先ツール呼び出し・マルチステップ推論が機能しない場合がある
low最小限ツール多用ワークフロー複雑な条件分岐で精度低下の可能性
medium中程度（デフォルト）品質・レイテンシ・コストのバランス推奨起点
high多い複雑なエージェントタスクレイテンシが増加
xhigh最大非同期の高難度タスク・評価用大幅なレイテンシ増加

OpenAIの公式ドキュメントでは、「より高いreasoning effortが自動的に良いわけではない」と注意が記載されている。過剰な推論は「overthinking」を引き起こし、弱い停止条件と相まって不要なトークンを消費する。

API実装

Bedrock経由でGPT-5.5を呼び出す場合、additionalModelRequestFieldsでreasoning.effortを指定する。

1
2
3
4
5
6
7
8
9
10
11
12

import boto3

bedrock_runtime = boto3.client("bedrock-runtime", region_name="us-east-1")

response = bedrock_runtime.converse(
    modelId="openai.gpt-5-5",
    messages=[{"role": "user", "content": [{"text": "経費申請の承認ルートを決定してください"}]}],
    additionalModelRequestFields={
        "reasoning": {"effort": "low"},
        "text": {"verbosity": "low"},
    },
)

OpenAI API直接呼び出しの場合は以下の形式となる。

1
2
3
4
5
6
7
8
9
10

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5.5",
    input="経費申請の承認ルートを決定してください",
    reasoning={"effort": "low"},
    text={"verbosity": "low"},
)

text.verbosityパラメータ

text.verbosityは出力テキストの詳細度を制御するパラメータである。

text.verbosity説明用途
low簡潔な応答エージェントの中間ステップ
medium（デフォルト）標準的な詳細度ユーザー向け最終応答

エージェントワークフローでは、ツール呼び出し結果を次のステップに渡す中間処理でtext.verbosity=lowを使用することで、不要な説明文を省略し、出力トークン数を削減できる。

トークン効率の改善

GPT-5.4との比較

OpenAIの公式情報によると、GPT-5.5は以下のトークン効率改善を実現している。

  • 同一reasoning.effortでのトークン削減: GPT-5.4と同じreasoning effortレベルでも、GPT-5.5はより少ない推論トークンで同等の結果を達成する
  • o3比較: 高reasoning effortでの比較で、出力トークンが22%少なく、ツール呼び出し回数が45%少ない

トークン削減がマルチステップワークフローで複合的に効く仕組みを数式で示す。

各ステップ$i$でのトークン削減率を$r_i$とすると、$K$ステップのフロー全体でのトークン削減率は以下のようになる。

\[\text{Total tokens}_{\text{GPT-5.5}} = \sum_{i=1}^{K} (1 - r_i) \times T_i^{\text{GPT-5.4}}\]

ここで$T_i^{\text{GPT-5.4}}$はGPT-5.4での各ステップのトークン数である。各ステップで独立に削減が適用されるため、ステップ数が多いほどGPT-5.5の効率改善が顕著になる。

例えば、4ステップのワークフローで各ステップ平均20%のトークン削減が実現された場合、全体では $1 - (0.8)^4 = 1 - 0.41 = 0.59$、すなわち約59%のトークン削減が期待される（ただし、これはステップ間でトークン数が等しく、削減率が独立であると仮定した理論値である）。

プロンプトキャッシング

GPT-5.5はプロンプトキャッシングに対応しており、システムプロンプトやツール定義などの固定コンテンツを先頭に配置することで、キャッシュヒット率を最大化できる。OpenAIの公式ガイドでは、以下の配置順序が推奨されている。

1
2
3
4

[キャッシュ対象: システムプロンプト]
[キャッシュ対象: ツール定義]
[キャッシュ対象: Few-shot例]
[動的コンテンツ: ユーザー入力]

キャッシュがヒットした場合、入力トークンのコストが50%削減される。経費精算フローのように、同一のシステムプロンプトとツール定義で多数のリクエストを処理する場合、キャッシュヒット率が高くなりやすい。

ツール呼び出しの改善

精度と効率の向上

OpenAIの公式情報によると、GPT-5.5は以下のツール呼び出し改善を実現している。

  • ツール指示への追従性向上: ツール記述に記載された条件やパラメータ制約をより正確に解釈する
  • ツールエラーへの対処力向上: ツール実行がエラーを返した場合の回復処理が改善
  • 並列・連続ツール呼び出しの積極性: 必要に応じて複数ツールを並列または連続で呼び出す

エージェントワークフローでの推奨設定

Zenn記事で紹介されている経費精算フローの各ステップに対する推奨設定を整理する。

flowchart TD
    A[領収書OCR] -->|reasoning.effort=low\ntext.verbosity=low| B[ポリシー判定]
    B -->|reasoning.effort=medium\ntext.verbosity=low| C[承認ルーティング]
    C -->|reasoning.effort=low\ntext.verbosity=low| D[ERP登録]
    D -->|reasoning.effort=low\ntext.verbosity=medium| E[完了通知]
ステップreasoning.efforttext.verbosity理由
OCRパースlowlowルールベースに近い構造化処理
ポリシー判定mediumlow条件分岐が複雑、精度が重要
承認ルーティングlowlow金額閾値による決定的ルーティング
ERP登録lowlowAPI呼び出しのパラメータ生成
例外処理highmedium判断の正確性が最重要

ベストプラクティス

OpenAIの公式ドキュメントで推奨されているGPT-5.5の使い方をまとめる。

  1. 新モデルとして扱う: GPT-5.4のプロンプトをそのまま使わず、ベースラインの再チューニングが必要
  2. outcome-firstプロンプト: 手順ではなく、期待する結果と成功基準を記述する
  3. step-by-stepガイダンスの除去: GPT-5.5は自律的に推論ステップを決定するため、過剰な手順指示は不要
  4. Structured Outputsの活用: プロンプト内のスキーマ定義よりも、APIのStructured Outputs機能を使用する
  5. キャッシュ効率の最大化: 静的コンテンツをプロンプト先頭に配置する

実運用への応用（Practical Applications）

Amazon Bedrockでの利用

GPT-5.5はAmazon Bedrock上で利用可能（限定プレビュー）であり、Bedrock Managed AgentsのFoundation Modelとして指定できる。Bedrock上のGPT-5.5は、AWSのエンタープライズセキュリティ（IAM、PrivateLink、GuardRails、CloudTrail）をそのまま適用できる。

コスト分析

GPT-5.5のAPI価格は入力$5/1Mトークン、出力$30/1Mトークンである（OpenAI公式、2026年4月時点）。

経費精算フロー（4ステップ、各ステップ平均入力500トークン・出力200トークン）の場合、1リクエストあたりのコストは以下のように推定される。

\[\text{Cost per request} = 4 \times \left( \frac{500}{10^6} \times 5 + \frac{200}{10^6} \times 30 \right) = 4 \times (0.0025 + 0.006) = 0.034 \text{ USD}\]

月間1,000リクエストで約$34/月。reasoning.effort=lowを2ステップに適用しトークンを30%削減すると、推定$24/月程度に削減できる。ただし、キャッシュヒットによる入力トークンの50%割引は上記に含まれていない。

制約と注意事項

  • GPT-5.5のBedrock対応は2026年5月時点で限定プレビューであり、利用にはAWSへの申請が必要
  • reasoning.effort=noneではtool useが不安定になるケースがOpenAI公式ガイドで言及されている。経費精算フローではlowを下限とすることが推奨される
  • per-tokenレイテンシはGPT-5.4と同等とされているが、Bedrock経由ではネットワークオーバーヘッドが加算される

学術研究との関連（Academic Connection）

  • Reasoning Under Adaptive Budgets（arXiv 2503.10461）: reasoning.effortの理論的背景となる適応的推論予算制御のサーベイ。GPT-5.5の設計は「静的予算」カテゴリに分類される
  • s1: Simple Test-Time Scaling（arXiv 2502.01618）: テスト時計算のスケーリング則。推論予算を増やすほど精度が向上するスケーリングカーブを実験的に示している
  • ToolBench / ToolRL（arXiv 2502.10947）: ツール呼び出しの精度向上手法。GPT-5.5のツール呼び出し改善の学術的背景

まとめと実践への示唆

GPT-5.5はreasoning.effortとtext.verbosityの2つのパラメータにより、推論深度と出力詳細度をAPIレベルで制御できる。OpenAIの公式情報によると、o3と比較して出力トークン22%削減、ツール呼び出し回数45%削減を実現しており、マルチステップのエージェントワークフローで複合的にトークン効率が改善される。Bedrock Managed Agents上でステップ別にreasoning.effortを使い分けることで、経費精算フローのようなマルチステップワークフローのレイテンシとコストを体系的に最適化できる。ただし、Bedrock対応は限定プレビューであり、GA後の安定性検証が必要である。

参考文献

blog tech_blog
OpenAI GPT reasoning tool-calling agent
この投稿は CC BY 4.0 でライセンスされています。
最近の更新
目次