Microsoft、Azure Content Understandingで「GPT-5」シリーズに対応　トークン消費削減と精度向上を両立する新手法も導入

要点

• Microsoftはコンテンツ解析基盤「Azure Content Understanding」において、GPT-5シリーズ各モデルへの対応を拡大した。
• ドキュメント、画像、動画、音声の解析向けに、GPT-5からGPT-5.5までのstandard、mini、nanoモデルが利用可能になった。
• 新たなグラウンディング手法により、総推論トークン数を最大28%削減し、推論コストを最大25%引き下げた。
• 信頼度スコアの精度が最大14%、グラウンディング精度が最大3%向上した。
• モダリティごとに品質とコストのトレードオフを整理したモデル選定ガイドラインが公開された。

リード

Microsoftは2026年8月12日、公式ブログ「Microsoft Foundry Blog」において、マルチモーダルコンテンツ解析サービス「Azure Content Understanding」における「GPT-5」シリーズのサポート拡充を発表した。文書、画像、音声、動画といった多様なエンタープライズコンテンツの解析処理において、最新モデル群が選択可能になった。あわせて、抽出データの根拠を特定するグラウンディング機能および信頼度スコアの算出ロジックが刷新され、トークン消費の削減と精度の向上が同時に図られている。

GPT-5シリーズへの対応拡大と前処理パイプラインの最適化

今回のアップデートにより、Azure Content Understandingでは「GPT-5」「GPT-5.1」「GPT-5.2」「GPT-5.4」「GPT-5.5」の各シリーズが利用可能となった。各シリーズに含まれるstandard、mini、nanoといった異なるサイズ展開のモデルが、文書・画像・動画・音声の各種解析タスク向けに提供される。

サービス内には各モデルに最適化された前処理パイプラインが組み込まれており、単純な大規模言語モデル（LLM）の処理パイプラインと比較して、より大きなファイルサイズの処理と高い抽出品質をサポートする。また、グラウンディングや信頼度スコアの自動生成によって検証プロセスの自動化が進み、人手を介さないストレート・スルー・プロセッシング（STP）の比率向上にも寄与するという。

加えて、旧世代の基盤モデルが提供終了を迎える際にも、ユーザーが既存のワークフローを再設計することなく、新世代のモデルへとスムーズに移行できる経路が確保されていると説明している。

トークン消費削減とスコア精度の向上

今回のリリースでは、グラウンディング効率の向上と、基盤となる信頼度スコア算出手法の刷新が行われた。これにより、利用者は複雑な後処理システムを独自に構築することなく、有用な根拠情報やランキングシグナルを取得できるようになった。

新しいグラウンディングシステムでは、抽出データの参照元となるソースの特定がより効率化されている。テストされた全モデルにおいて、ドキュメントあたりの入力トークン数が20〜30%削減され、総推論トークン数も18〜28%削減された。ゼロショット推論トークンの削減幅は、GPT-4.1で28%、GPT-5.2で23%を記録している。

これらのトークン削減に伴い、テストされたモデルおよびラベルの組み合わせ全体において、フル推論時のLLMコストが11〜25%削減された。一方で精度面においては、AUROC（受信者操作特性曲線下面積）で測定された信頼度スコアの精度が最大14%向上し、完全一致基準で測定されたグラウンディング精度も最大3%向上したとしている。

モダリティ別モデル選定の推奨ガイドライン

Microsoftは、モデル選定を「コンテンツに対する品質」と「エンドツーエンドのコスト」という2つのスライダーを調整するミキシングボードに例え、タスクごとの推奨構成を提示している。各モダリティにおける検証結果と推奨モデルは以下のとおりである。

ドキュメント解析

文書抽出タスクでは、「GPT-5.1」または「GPT-5.2」が品質とコストのバランスに優れた推奨モデルとして挙げられている。最高品質を求める場合は「GPT-5.5」が選択肢となり、コストは約101%増加するものの、品質は約2%向上する。一方、低コストを重視する場合は「GPT-5.4 Mini」が適しており、GPT-5.2と比較して品質指標（Answer Match）の低下を平均約2%に抑えつつ、コストを約50%削減できる。

動画解析

動画解析においては、最上位モデルが必ずしも最適とは限らず、「GPT-5」または「GPT-5.1」がバランスおよび品質の両面で推奨されている。コストを抑えたい場合は「GPT-5 Mini」が選択肢となり、GPT-5と比べて生成F1スコアが約7%低下する代わりに、コストを約28%削減できる。

音声解析

音声からの情報抽出タスクはドキュメント解析と類似した特性を持つため、推奨モデルも同様の構成となっている。バランス型としては「GPT-5.1」または「GPT-5.2」が推奨される。最高品質の「GPT-5.5」はGPT-5.2比でコストが約101%高くなる一方、品質は約2%向上する。低コスト重視の「GPT-5.4 Mini」は、品質の低下を約2ポイントに留めつつ、コストを約48%削減できる。

画像解析

画像タスクでは、バランス型として「GPT-5.1」が推奨されている。最高品質を重視する場合は「GPT-5.5」が選択肢となり、コストは約130%高くなるが、品質が約3%向上する。画像分類用途における低コストな選択肢としては「GPT-5 Mini」が挙げられており、GPT-5.1と比較して分類F1スコアは約12%低下するものの、コストを約52%抑えられる。

Microsoftは、公開されたガイドラインをもとに候補モデルを絞り込んだ上で、実際の自社データを用いて検証を行うことを推奨している。あわせて、予算や要求品質水準、リージョンごとの提供状況、スループット目標、既存のリソース容量などを総合的に考慮して最終決定を行うべきだとしている。これらの最新モデルおよび機能は、Webベースの開発環境「Content Understanding Studio」上で試用可能となっている。