はじめに
OpenAIのGPT-5.6シリーズは、Sol、Terra、Lunaの3つのモデル階層で構成されています。
OpenAIは単一のモデルですべてのワークロードに対応するのではなく、能力、コスト、スループットに基づいてシリーズを差別化しています。
- GPT-5.6 Solはフラッグシップモデルで、複雑な専門業務、プログラミング、研究、サイバーセキュリティ、長期エージェントタスク向けに設計されています。
- GPT-5.6 Terraは、強力なインテリジェンスは必要だが、より厳しいコスト制約があるワークロード向けです。
- GPT-5.6 Lunaはシリーズ最速かつ最安値のメンバーで、コスト重視で高スループットのワークロードに適しています。
OpenAIは2026年6月にこのシリーズを初めてプレビューし、7月9日に全面リリースしました。AIBaseの元記事は7月30日に公開され、今回のリリースの背景にある効率性の向上に焦点を当てています：トークンあたりのパフォーマンス向上、低コストのモデル階層、そして実際の作業完了にかかる総コスト削減を目的としたインフラストラクチャとエージェントループの最適化です。
この焦点は極めて重要です。本番環境のAIシステムにとって、重要な指標は、モデルが単独でどれだけ賢く見えるかではなく、与えられた時間、計算リソース、資金でどれだけ有用な作業を完了できるかであるケースが増えているからです。
異なるワークロード向けの3つのGPT-5.6モデル
OpenAIは、Sol、Terra、Lunaを一時的なサフィックスではなく、永続的な能力階層として説明しています。
世代番号はGPT-5.6シリーズを識別し、名称は期待される性能とコストのレベルを区別します。
| モデル | 位置づけ | API入力価格 | API出力価格 | コンテキストウィンドウ | 最大出力 |
|---|---|---|---|---|---|
| GPT-5.6 Sol | 複雑な専門業務向けフラッグシップモデル | 100万トークンあたり5ドル | 100万トークンあたり30ドル | 1,050,000トークン | 128,000トークン |
| GPT-5.6 Terra | インテリジェンスとコストのバランス | 100万トークンあたり2.50ドル | 100万トークンあたり15ドル | 1,050,000トークン | 128,000トークン |
| GPT-5.6 Luna | コスト重視の高スループットワークロード | 100万トークンあたり1ドル | 100万トークンあたり6ドル | 1,050,000トークン | 128,000トークン |
3つのモデルページすべてに2026年2月16日時点の知識カットオフ日が記載されており、テキストと画像の入力、テキスト出力に対応しています。
gpt-5.6 APIエイリアスはGPT-5.6 Solにルーティングされます。
GPT-5.6 Sol：フラッグシップモデル
SolはOpenAIで最も高性能なGPT-5.6階層です。
OpenAIは以下の用途に位置づけています。
- 複雑なプログラミング
- 長期エージェントワークフロー
- 専門知識を要する業務
- 科学研究
- サイバーセキュリティ
- コンピュータ使用
- マルチモーダル分析
- 高価値の推論タスク
Artificial Analysis Coding Agent Index v1.1において、OpenAIはGPT-5.6 Solが最大推論モードで80点を獲得したと報告しており、同じ表のClaude Fable 5の77.2点と比較しています。
OpenAIはまた、この比較において、Solは使用する出力トークンが半分未満、時間も半分未満であり、推定タスクコストも低いと述べています。
これはSolがすべてのベンチマークで全面的に優れていることを意味するわけではありません。OpenAI自身の発表表では、競合モデルが一部の評価でリードしていることが示されています。GPT-5.6のより一貫した売り文句は、あらゆるタスクカテゴリで全面的にリードすることではなく、トークンあたりおよび1ドルあたりのパフォーマンスです。
GPT-5.6 Terra：バランス階層
Terraはシリーズの中間モデルです。
OpenAIはその能力をGPT-5.5と同等と説明し、価格設定は以下の通りです。
- 入力100万トークンあたり2.50ドル
- 出力100万トークンあたり15ドル
これは、以前のフラッグシップ階層の5ドル/30ドルの半額にあたります。
そのため、Terraはチームが強力な推論とエージェント能力を必要とするが、リクエストごとにSolを起動する必要がないワークロードに適しています。
典型的な例は以下の通りです。
- 企業内エージェント
- コーディングサブエージェント
- ドキュメント分析
- 研究パイプライン
- ツール集約型自動化
- 高量の専門タスク
このモデルはSolと同じ105万トークンのコンテキストウィンドウと12万8000トークンの最大出力をサポートしています。
GPT-5.6 Luna：最も低コストなGPT-5.6階層
Lunaはスループットとコストが最も重要なワークロード向けに設計されています。
API価格は以下の通りです。
- 入力100万トークンあたり1ドル
- 出力100万トークンあたり6ドル
これにより、入力と出力の価格がSolより80%低くなっています。
OpenAIはLunaを最速かつ最も手頃な価格のGPT-5.6モデルと説明しています。以下のようなワークロードに適しています。
- 分類
- 抽出
- ルーティング
- 高量処理
- 軽量サブエージェント
- 反復的な構造化タスク
- 困難なケースをTerraやSolにエスカレーションできるアプリケーション
低価格は、Lunaが単なる非推論型の実用モデルであることを意味するわけではありません。GPT-5.6の推論機能とOpenAIのツールエコシステムを引き続きサポートしていますが、能力の上限はSolより低くなっています。
効率性はGPT-5.6の中核テーマ
AIBaseの記事は、GPT-5.6が単なるモデル品質のアップグレードではないことを強調しています。
より大きな工学的目標は、トークンあたりに生み出される有用な作業量を増やし、エージェント実行に伴うオーバーヘッドを削減することです。
OpenAIの公式発表資料もこのより広範な方向性を支持しています。
同社は、GPT-5.6はより少ない出力トークンで有用な作業を完了するよう訓練されており、開発者ガイドでは、GPT-5.5やGPT-5.4から移行する際には、同じ推論の努力度をテストし、通常は1階層下げることを推奨しています。
これが重要なのは、広告表示されるトークン価格がエージェントコストの一部に過ぎないからです。
マルチステップのワークフローは、以下の方法で費用を消費する可能性があります。
- 大量のプロンプト
- 繰り返しのコンテキスト
- 推論トークン
- ツール定義
- ツール出力
- リトライループ
- 複数回のモデルラウンド
- サブエージェント
- 長い最終応答
したがって、必要なステップが少ないモデルは、公称のトークンあたりのレートが似ているように見えても、実際のアプリケーションでは安価になる可能性があります。
Solのコーディング性能が1ドルあたりのパフォーマンス比を改善
原文は、Solのコーディングエージェント性能に焦点を当てています。
OpenAIの現在のベンチマーク表
レポート：
| コーディング評価 | GPT-5.6 Sol | GPT-5.6 Terra | GPT-5.6 Luna | GPT-5.5 |
|---|---|---|---|---|
| AI分析コーディングインテリジェンス指数 v1.1 | 80 | 77.4 | 74.6 | 76.4 |
| SWE-Bench Pro | 64.6% | 63.4% | 62.7% | 59.4% |
| DeepSWE v1.1 | 72.7% | 69.6% | 67.2% | 67.0% |
| Terminal-Bench 2.1 | 88.8% | 87.4% | 84.7% | 85.6% |
これらのデータはOpenAIが公開した起動テーブルからのものであり、特定の評価フレームワークと設定のコンテキストで解釈される必要があります。
例えば、ベンチマーク結果は以下の要因によって変わる可能性があります：
- 推論の深さ
- エージェントフレームワーク
- ツールの利用可能性
- 時間制限
- 評価シード数
- モデルスナップショット
- プロンプトフォーマット
OpenAIはまた、一部のコストとレイテンシの比較は、各競合サービスの直接の請求に基づくものではなく、生産動作のオフライン推定に基づいていると述べています。
実際の教訓は、ランキング表だけでモデルを選ぶのではなく、代表的な本番環境のワークロードでテストすべきだということです。
最適化されているのはモデルだけでなく、推論スタック全体
AIBaseの情報源は、サービススタック全体の最適化について説明しています。これには以下が含まれます：
- 負荷分散
- 投機的デコード
- キャッシュ最適化
- 最適化されたGPUカーネル
また、推論作業によってトークン生成効率が15%以上向上したとも報告されています。
これらの基盤となるサービス詳細は、AIBaseのレポートに示されています。OpenAIの現在のGPT-5.6公開起動ページは、サービスと研究の効率を改善するための幅広い取り組みを確認していますが、正確な基盤データは、OpenAIの技術出版物や完全な方法論を記録したベンチマークで再現されない限り、情報源の報告として扱うべきです。
OpenAIのドキュメントから独立して確認できるのは、GPT-5.6に不要なモデル作業を削減することを目的とした複数のメカニズムが追加されたことです。
これらには以下が含まれます：
- より効率的なトークン生成
- 明示的なプロンプトキャッシング
- 永続的推論
- プログラムによるツール呼び出し
- 適切なワークロードのためのマルチエージェント実行
- 設定可能な推論の深さ
エンジニアリングの方向性は一貫しています：各成功タスクの周りの冗長な作業を削減することです。
プロンプトキャッシングがより明示的に
GPT-5.6は、より予測可能なプロンプトキャッシングを導入しました。
OpenAIのドキュメントは明示的なキャッシュブレークポイントをサポートしており、開発者はどの再利用可能なプロンプトプレフィックスをキャッシュすべきかを決定できます。
GPT-5.6モデルの場合：
- キャッシュ書き込みは、通常のキャッシュされていない入力レートの1.25倍で課金されます。
- キャッシュ読み取りは、キャッシュされた入力に対して90%の割引を受けることができます。
- OpenAIのドキュメントは、新しいキャッシュ動作の最低キャッシュ存続時間を30分としています。
これにより、長期間実行されるエージェントに対する開発者の考え方が変わります。
大規模なシステムプロンプト、ツールカタログ、ポリシーセクション、または安定したプロジェクトコンテキストが、キャッシュされずに入力として繰り返し送信される場合、コストが高くなる可能性があります。
再利用可能なプレフィックスが安定している場合、キャッシングはそのコストを削減できます。
同時に、不要なキャッシュ書き込みはコストを増加させる可能性があります。そのため、OpenAIは、キャッシュが常に安価であると想定するのではなく、キャッシュトークンとキャッシュ書き込みトークンの両方の使用状況を追跡することを推奨しています。
ツールオーケストレーションでモデルの往復呼び出しを削減
2番目の主要な効率領域はエージェントフレームワークです。
従来のツールループは通常、以下のようになります：
- モデルが呼び出しを決定する。
- アプリケーションがそのツールを実行する。
- 完全なツール結果がモデルに返される。
- モデルが結果を読み取り、次のアクションを決定する。
- 別のツールが呼び出される。
- ループが繰り返される。
このアプローチは柔軟ですが、コストが高くなる可能性があります。
大規模な中間ツール出力は、そのデータの一部だけが必要であっても、繰り返しモデルコンテキストに入る可能性があります。
GPT-5.6のプログラムによるツール呼び出しは、別の選択肢を提供します。
OpenAIのドキュメントによると、GPT-5.6はマネージドランタイム環境でJavaScriptを記述して、以下のことができます：
- 条件に合うツールを呼び出す
- 呼び出し間で結果を渡す
- 中間データをフィルタリングする
- レコードをマージする
- 結果をソートする
- データの重複を排除する
- データを検証する
- より小さく構造化された結果をモデルに返す
境界のあるワークフローの場合、これにより以下を削減できます：
- モデルラウンド
- プロンプトの増加
- 中間トークン
- ネットワーク往復回数
OpenAIは、コードが複数の予測可能なツール結果を処理でき、毎回の呼び出し後に意味的な判断を再実行する必要がない場合、このパターンは特に有用であると述べています。
これはすべてのエージェントタスクに適用できるわけではありません。
以下の場合、直接的なモデル-ツールインタラクションが依然として良い選択です：
- 1回のツール呼び出しで十分な場合
- 各結果が次の推論に実質的な変化をもたらす可能性がある場合
- 人間の承認が必要な場合
- 中間結果がすでに小さい場合
- 最終回答がネイティブの参照や成果物を保持する必要がある場合
目標は、何としても呼び出し回数を最小化することではなく、不必要な情報をモデルに通さないことです。
会話履歴と推論をより細かく管理可能に
AIBaseの記事はまた、より厳格な会話履歴管理がキャッシュ再利用率を向上させる方法であると指摘しています。
OpenAIの現在のGPT-5.6開発ガイドは、関連する公式メカニズムを提供しています：永続的推論。
開発者は、以前のラウンドの推論をどの程度利用可能にするかを設定できます。
長期間実行されるワークフローにとって、これは重要です。なぜなら、すべての以前の考えが常に同じように有用であるとは限らないからです。
タスクが安定している場合、初期の推論は継続性を向上させることができます。
数分で紹介サイトを作り、リード獲得を伸ばす
アイデアを一文で入力するだけで、We0 AI が紹介サイト、ページ、CMS を生成し、公開後の顧客獲得と流入拡大を支援します。
無料登録で完全なプロジェクトを 1 つ生成
1 つの完全な生成フローを試し、最初のプロジェクトのドラフトをすぐに確認するのに最適です。
目標が変化した場合、以前のすべての推論を保持し続けると、コストが増加し、時代遅れの仮定が導入されます。
そのため、OpenAIはアプリケーションが推論コンテキストを制御することを許可し、手動で履歴を管理する際に、必要な応答項目を適切に保持することを推奨しています。
これにより、開発者は以下の要素のバランスを取るための別のレバーを得ます：
- 継続性
- キャッシュ効率
- コンテキストサイズ
- コスト
- 品質
プロンプトの簡素化もエージェントコストを削減
OpenAIのGPT-5.6開発ガイドは特にプロンプトの簡素化を推奨しています。
内部のコーディングエージェント評価実行のサンプルでは、OpenAIはプロンプトとツールの説明を簡素化することで、以下の結果を報告しています：
- 評価スコアが約10%から15%向上
- 総トークン数が41%から66%削減
- コストが33%から67%削減
OpenAIはこれらの数値は参考値であり、結果はワークロードによって異なると明言しています。
推奨は有用な制約を削除することではありません。
目的は重複をなくすことです。
実用的な移行フローは次の通りです：
- すでに正常に動作しているプロンプトとツールセットから始める。
- 一度に1セットの重複した指示を削除する。
- 同じ評価タスクを再実行する。
- 測定可能な品質を向上させる制約を保持する。
- トークンを増やすが効果を改善しない指示を削除する。
これは、同じシステムプロンプトとツールの説明が1日に何千回も送信される可能性があるエージェント製品にとって特に重要です。
モデル選択はワークロードに一致させるべき
GPT-5.6シリーズは、開発者に3つの主要なコスト-品質オプションを提供します。
品質が最優先の場合はSolを使用
タスクが最先端の能力から実質的な利益を得られる場合にSolを選択します。
適用シナリオ：
- 難易度の高いソフトウェアエンジニアリング
- 複雑な研究
- 長期間の計画
- サイバーセキュリティ業務
- 高価値の専門的分析
- 品質のわずかな向上がより大きなモデルコストを正当化するタスク
強力な汎用プロダクションワークにはTerraを使用
タスクに強力な推論能力が必要だがSolほどではない場合、Terraは実用的な選択肢です。
以下に適しています：
- 日常的なエンタープライズエージェント
- コーディング支援
- ドキュメントワークフロー
- 研究サブエージェント
- 中程度の複雑さのツール使用
- 高量の専門タスク
コストと数量が支配的な場合にLunaを使用
Lunaは以下のシナリオで自然な第一選択肢となります。
- 分類
- 抽出
- ルーティング
- データ変換
- 軽量ツールワークフロー
- 高負荷バックグラウンド自動化
一般的なアーキテクチャでは、通常のワークはLunaまたはTerraにルーティングし、最も困難なタスクのみをSolにエスカレーションします。
価格はあくまで出発点
エージェントシステムにおいて、単純なトークン単価の比較は誤解を招く可能性があります。
2つのモデルを考えてみましょう。
モデルAは出力トークン単価が低いものの、以下を必要とします。
- 2倍の推論トークン
- より多くのツール呼び出し
- より多くのリトライ
- より多くのコンテキスト
- より多くのターン
モデルBは表示価格が高いものの、タスク完了に必要なステップ数は半分です。
2番目のモデルは、タスク完了あたりで見ると、依然として低コストである可能性があります。
したがって、GPT-5.6を評価するチームは以下を追跡すべきです。
- タスク成功率
- 総入力トークン数
- 総出力トークン数
- キャッシュトークン数
- キャッシュ書き込みトークン数
- モデルターン数
- ツール呼び出し数
- レイテンシ
- リトライ率
- 手動修正時間
- 成功タスクあたりの総コスト
これが「トークンあたりのインテリジェンス」の実質的な意味です。
実用的な移行テスト
既にGPT-5.5またはそれ以前のモデルを使用しているチームにとっては、全面移行を即座に行うよりも、管理された比較の方が有用です。
ステップ1：代表的な評価セットの構築
以下を含めます。
- 簡単なリクエスト
- 困難なリクエスト
- 長いコンテキストのタスク
- ツール集約型ワークフロー
- 既知の失敗ケース
- 本番インスタンス
ステップ2：現在の推論レベルをベースラインとする
OpenAIは、以前のモデルで使用していたものと同じ推論レベルから開始することを推奨しています。
その後、一段階下げてテストします。
GPT-5.6は、より少ない推論トークンでも品質を維持できる可能性がありますが、これは実際のワークロードで確認する必要があります。
ステップ3：Sol、Terra、Lunaの比較
フラッグシップモデルが自動的に最適な本番選択肢であると仮定しないでください。
TerraまたはLunaが、より低いコストで同じ受け入れ基準を満たせるかどうかを測定します。
ステップ4：プロンプトキャッシュのテスト
キャッシュの読み取りと書き込みを追跡します。
再利用頻度が高い場合、安定したコンテキストは大幅に経済的になる可能性がありますが、頻繁に変化するプロンプトプレフィックスはあまり恩恵を受けられない可能性があります。
ステップ5：適切な場所でのプログラムによるツール呼び出しのテスト
これを境界の明確な処理段階に適用します。例：
- フィルタリング
- 集約
- ソート
- 結合
- 重複排除
結果を通常の直接ツール呼び出しと比較します。
ステップ6：タスク完了の経済性の測定
最終的なタスクが依然として品質基準を満たしている場合にのみ、より低いトークン料金は意味を持ちます。
正しい最適化目標は、最小のトークン数ではありません。
成功した結果を、信頼性をもって最低のコストで達成することです。
GPT-5.6が示す広範な効率性へのシフト
何年もの間、最先端モデルの競争は一つの問いに支配されてきました。どのモデルがより有能か？
この問いは今も重要です。
しかし、AIが大規模生産に入るにつれ、別の問いも同様に重要になります。
システムは、計算単位および投資ドルあたりに、どれだけの有用な作業を完了できるか？
エージェントシステムはこのプレッシャーを増幅させます。
単一のユーザーリクエストが引き起こす可能性があるもの：
- 複数の推論ターン
- 検索
- コード実行
- 外部API
- サブエージェント
- 大規模コンテキストウィンドウ
- 繰り返しの検証
慎重にオーケストレーションされなければ、総請求額は急速に膨らみます。
GPT-5.6は、単に知能を拡張することから、知能のデプロイをより経済的にすることへの広範なシフトを反映しています。
Solはハイエンドの知能を推進します。
Terraは強力な汎用作業のコストを削減します。
Lunaはモデルファミリーを高スループットワークロードへと導きます。
プロンプトキャッシュとプログラムによるツールオーケストレーションは、モデル自体を取り巻くシステムオーバーヘッドを対象としています。
結果として、ベンチマークスコアだけでなく、プロダクションエコノミクスを考慮して設計されたモデルファミリーが誕生しました。
よくある質問
GPT-5.6とは何ですか？
GPT-5.6は、複雑な推論、プログラミング、専門的な作業、エージェントワークフロー、高スループットAIアプリケーション向けのOpenAIのモデルファミリーです。このファミリーには現在、Sol、Terra、Lunaが含まれています。
GPT-5.6 Sol、Terra、Lunaの違いは何ですか？
Solはフラッグシップで最も能力の高いティアです。Terraは知能とコストのバランスを取り、Lunaは低コストで高スループットのワークロード向けに最適化されています。
API経由でGPT-5.6を使用する料金はいくらですか？
OpenAIはSolの価格を入力トークン100万あたり5ドル、出力トークン30ドル、Terraを2.50ドル/15ドル、Lunaを1ドル/6ドルとしています。キャッシュされた入力は割引され、非常に長いプロンプトには異なる価格設定が適用される場合があります。
GPT-5.6のコンテキストウィンドウはどのくらいですか？
OpenAIの現在のAPIモデルページには、Sol、Terra、Lunaのコンテキストウィンドウが1,050,000トークンであると記載されています。各モデルは最大128,000の出力トークンをサポートします。
GPT-5.6 SolはGPT-5.5よりもプログラミングが優れていますか？
OpenAIは、Solが複数のプログラミングエージェント評価において高いスコアを達成したと報告しています（Artificial Analysisプログラミングエージェントインデックス、SWE-Bench Pro、DeepSWE、Terminal-Bench 2.1を含む）。実際の本番パフォーマンスは、リポジトリ、エージェントフレームワーク、プロンプト、ツールに依存します。
プログラムによるツール呼び出しとは何ですか？
プログラムによるツール呼び出しを使用すると、GPT-5.6はコードを作成し、ホストされたランタイム内で対象となるツールを調整し、中間結果を処理できます。これにより、フィルタリング、結合、ソート、集約などの境界の明確なワークフローで、モデルの往復とトークン使用量を削減できます。
GPT-5.6はプロンプトキャッシュをサポートしていますか？
はい。GPT-5.6は自動キャッシュと明示的なキャッシュブレークポイントをサポートしています。OpenAIは、キャッシュ読み取りは入力に対して90%の割引が適用され、新しいキャッシュ書き込みは非キャッシュ入力価格の1.25倍の料金がかかると述べています。
すべてのリクエストにSolを使用すべきですか？
通常はそうではありません。TerraまたはLunaがより低いコストで同じ評価基準を満たせる場合、より小さいモデルティアを使用することでアプリケーションの経済性が向上します。より高い能力が測定可能な利益をもたらす場合にのみ、複雑なタスクをSolにルーティングすべきです。
関連ツール
- OpenAI API：GPT-5.6モデルとOpenAIツールにアクセスするための公式開発者プラットフォーム。
- GPT-5.6モデルガイド：OpenAIによるGPT-5.6モデルファミリーの移行と最適化ガイド。
- GPT-5.6 Sol：公式モデル仕様、価格、コンテキスト制限、およびSolがサポートする機能。
- GPT-5.6 Terra：バランスの取れたGPT-5.6ティアの公式モデルページ。
- GPT-5.6 Luna：最低コストのGPT-5.6ティアの公式モデルページ。
- OpenAI Codex：ソフトウェア開発ワークフローのためのOpenAIのインテリジェントプログラミング環境。
関連リンク
- OpenAI GPT-5.6リリース：ベンチマークテーブル、安全性の詳細、価格、製品提供を含むOpenAIの公式リリース発表。
- GPT-5.6 Solプレビュー：Sol、Terra、Lunaに関するOpenAIの初期プレビュー発表。
- OpenAI APIモデル：現在のOpenAI APIモデルのリスト。
モデルの公式カタログとその主要仕様。
- GPT-5.6 モデルガイド：推論消費量、プロンプトキャッシュ、継続推論、プログラミングツール呼び出しに関する公式ガイド。
- GPT-5.6 Sol API ページ：現在のSolの価格設定、コンテキストウィンドウ、知識カットオフ日、対応API機能。
- GPT-5.6 Terra API ページ：現在のTerraの価格設定とモデル仕様。
- GPT-5.6 Luna API ページ：現在のLunaの価格設定とモデル仕様。
まとめ
GPT-5.6は単一の汎用モデルではなく、3つの階層からなるモデルシリーズです。Solは最高性能を目指し、Terraは通常の本番作業にコストパフォーマンスの高いバランスを提供し、Lunaは高スループットシナリオ向けに最適化されています。
最大のテーマは効率です。OpenAIは、より高いトークン効率のモデル、明示的なプロンプトキャッシュ、継続推論、設定可能な推論消費量、プログラミングツール呼び出しを組み合わせることで、複雑なタスクを完了するために必要なモデルの作業量を削減しています。
AIBaseの情報源はさらに、投機的デコードやGPUカーネル作業を含む推論スタックの最適化についても報告しており、トークン生成速度を15%以上向上させています。
効率性。完全に文書化されたOpenAIの技術出版物で再現されない限り、これらの低レベルデータは情報源の報道として扱うべきです。
GPT-5.6を最もよく理解するには、単なるより強力なモデルのリリースではなく、エージェントワークフロー全体におけるインテリジェンスの経済性を改善する試みとして捉えることです。
