1M Token とは？超長コンテキストウィンドウの用途と GPT・Claude・Gemini 比較

先に結論：2026年9月時点で、GPT-5.5、Claude Opus 4.8 / Sonnet 4.6、Gemini 3.7 Flash はいずれも約100万 token のウィンドウを広告しています。「1M Token」は「100万漢字が読める」という意味ではなく、窓を埋め尽くすことが使いこなすことでもありません。公称上限は近い。有効検索、最大出力、価格の段差は違います。JSON を扱うなら正しい手順は、先に切り詰め、先に検証し、それからどれだけ入れるかを決めることです——ダンプ全体を貼ることではありません。

本稿は2026年9月5日時点の内容です。数字は各社の公開ドキュメントに従います。OpenAI の gpt-5.5 API は総窓 約 1,050,000 token、出力 128K。Anthropic の Opus 4.8 / Sonnet 4.6 はデフォルト 1M、出力 128K、長コンテキストの追加課金なし。Google の gemini-3.7-flash は入力 1,048,576 / 出力 65,536。プロダクト面（ChatGPT、Codex、claude.ai）はしばしばより狭いです。マーケティングページを API 上限として扱わないでください。

1M Token とは何か

Token は、モデルが数え、課金する最小のテキスト塊です——文字でも、単語でもありません。英語ではおよそ 1 token ≈ 0.75 語、約 4 文字。中国語では、トークナイザと句読点次第で、1 token が 1–2 文字に相当することが多いです。JSON はより「高い」：括弧、引用符、繰り返される key、インデントの空白がすべて予算を消費します。

1M Token は、約100万 token のコンテキストウィンドウです。粗い換算：約 75 万英語の語、または約 50–80 万漢字、または厚い本1冊から中程度の本数冊、または中規模リポジトリとドキュメント。それは「100万字の小説」でも「100万行のコード」でもありません。同じ 1M でも、散文、表、圧縮した JSON では載せられる情報量がかなり違います。

コンテキストウィンドウは1回のリクエストで同時に置ける総量です：システムプロンプト + 会話履歴 + ツール定義 + ツール戻り値 + 今回の出力。GPT-5 系は reasoning token も算入します。90万 token の入力に高い推論を載せると、モデルが「読み終わる」前に context_length_exceeded に当たります。予算はすでに尽きています。

2023年の主流はまだ 4K–32K でした。2024年、Gemini 1.5 が 1M を見出しにしました。2025年には 200K が中位の標準になりました。2026年9月時点で、フラッグシップ API の広告数字はすでに 1M に揃っています。競争は「誰がより長いか」ではなく、「200K を超えても針を見つけられるか、キャッシュが日常使いできるほど安いか」です。

超長コンテキストウィンドウは何の役に立つか

超長ウィンドウが解くのは、1回の推論で多くの材料を同時に見ることです。データベースの代替でも、無料の無限記憶でもありません。以下の仕事は、128K ではたいてい分割か RAG が要ります。1M なら「先に検索してから聞く」を「先に載せてから聞く」に畳めることがあります——載せるものを先に選別した場合に限ります。

• リポジトリ全体 / 複数ファイルのコーディング：関連モジュール、テスト、インターフェース定義を同一ターンに置けば、「モデルがそのファイルを見ていない」が減ります。Agent コーディングのボトルネックは依然、ツールループとテストフィードバックにあり、ウィンドウ広告にはありません——《Gemini 3.8 Flash と AI Coding》で書きました。
• 長文書レビュー：契約、財務報告、仕様、複数 PDF の対照。「第47節と付録 B の衝突を見つける」向きです。「1年分のメールをそのまま貼って要約を聞く」向きではありません。
• マルチモーダル長入力：Gemini は動画、音声、画像、テキストを同一ウィンドウに算入します。1時間の動画は token を非常に速く消費します。1M はクォータであり、無圧縮アップロードへの招待ではありません。
• 複数ステップの Agent：ツール戻り JSON、エラースタック、前回のパッチを会話にしばらく残せます。ウィンドウが大きくても、スタック原文をそのまま戻し入れる理由にはなりません——《Agent JSON データフロー》を参照してください。
• 大きな JSON の対照：OpenAPI / JSON Schema、サンプルペイロード、本番エラーログを1ターンに置きます。本サイトの読者が 1M を使うべきいちばんの場所であり、請求を突き破るいちばん簡単な場所でもあります。
• RAG を1層省く：材料が安定し、体積が制御でき、毎回原文を引用する必要があるとき、まとめてコンテキストに入れるほうがベクトル庫より簡単です。材料が毎日変わり、繰り返しクエリが多いときは、検索のほうが安く、新しいままです。

逆に言えば：雑談、単ラベル分類、短い JSON 抽出に1M 窓を使うのは浪費です。レイテンシ、プリフィル、token 課金がすべて罰します。短い仕事には短いモデルか、短い予算を使ってください。

GPT、Claude、Gemini の比較

下表は、2026年9月5日にドキュメントへ書ける公開仕様です。価格は公式の100万 token あたり表価です。プロダクト面の上限は別です。Gemini 3.8 Flash は本稿時点でまだ GA ではありません——本番は 3.7 を使い続けてください。

この表の読み方：3社のフラッグシップはいずれも約 1M を入れられます。差は出力の余裕、推論が窓を食うか、200K を超えると高くなるか、キャッシュに割引があるかです。

• 一度に長い構造化結果を吐く必要がある（大きな JSON、長いパッチ、複数ファイル diff）：GPT-5.5 と Claude 4.6/4.8 の 128K 出力は、Gemini の約 64K の約2倍です。Gemini は「たくさん読んで、表を1枚書く」向きです。
• 同じシステムプロンプト + ツール Schema を毎回打つ：Claude の prompt cache、Gemini の Context Caching、OpenAI の cached input は、毎回フル入力を払うより安いです。Agent の tools JSON はキャッシュすべきです——《Tool Calling と JSON Schema》を参照してください。
• 予算が厳しく、材料が多く、出力が短い：Gemini 3.7 Flash の Intro 価は、依然3社で最も安い 1M クラスです。200K を超えた有効検索は、自分のデータで複数ニードルを測ってください。窓の数字だけを信じないでください。
• プロダクト面 ≠ API：ChatGPT / Codex 上の GPT-5.5 は 400K のことがあります。一部のクラウドマーケットの Claude はまだ 200K です。SLA を書く前に、出荷する面のモデルカードを開いてください。この記事の API 列をコピーしないでください。

公称ウィンドウ vs 有効ウィンドウ

2026年の合意は、もう無視しにくいです：1M を広告することと、1M を使いこなすことは別の仕事です。複数ニードル検索（MRCR v2 系：超長テキストから散らばった複数の事実を見つける）では、精度は通常 128K のあと落ち始め、200K–512K で分化し、1M 近くでは全文を「読んだ」ように振る舞うモデルは少数だけです。

公開評価とサードパーティのまとめ（設定は完全には揃っていません。傾向として見て、検収基準にしないでください）は、おおよそ次のとおりです：

• GPT-5.5：前世代に比べ、512K–1M 帯の複数ニードル推論で一段上がり、いま「本当に満窓に入れる」ときに最もよく名前が挙がる API の一つです。単ニードルで原文の一文を探すなら、3社とも 128K 内ではまだ大丈夫です。
• Claude Opus 4.6：1M 複数ニードルは約 76% と報告され、曲線は比較的平らです。4.7 / 4.8 は校正寄りです——見つからなければ拒否するか不確かだと明示し、位置を捏造しません。長文書のコンプライアンスレビューは、後者を求めることが多いです。
• Gemini 3.x：128K 内の検索と長文書理解は依然強い一方、200K を超える複数ニードルはより急に落ちます。「厚い束を読んで短い JSON を出す」向きです。「90万 token のログから8本目の針を必ず見つける」向きではありません。

本番では価格表ではなく、三つの帯で使ってください：

「中間喪失」（lost in the middle）は、ウィンドウが 1M になっても消えていません。硬い制約はシステムプロンプトの先頭とユーザーメッセージの末尾に置き、中間に付録を積んでください。モデルは、40万 token 目に埋まった列挙値より、「Schema に合う JSON だけを出力せよ」という最後の一文を覚えることが多いです。

JSON：詰め込むことと検証は別

1M 窓で初めて、「OpenAPI 全体、3日分のエラーログ、下書き Schema」が1リクエストに収まります。違法な JSON を合法にはしませんし、緩い Schema を自動で厳しくもしません。窓が解くのは可視範囲。契約が解くのは形です。すでに《Prompt から Structured Output へ》《OpenAI vs Gemini Structured Output》で同じ規律を使いました：生成段階は Schema で違法 token を止め、着地後にもう一度検証します。

80万 token の本番ダンプを丸ごと入れると、よく失敗するのは「窓が足りない」以外の理由です：繰り返す key が予算を浪費する、中間フィールドが落ちる、配列の長さを数え間違える、出力が 64K/128K 上限で切れる、請求が入力全額で跳ねる。正しい順序は切り詰め → 検証 → それから渡すです。

{
  "name": "longContextPack",
  "description": "Pack sent into a 1M window: only validated, trimmed JSON",
  "parameters": {
    "type": "object",
    "additionalProperties": false,
    "properties": {
      "task": { "type": "string", "enum": ["align_fields", "diff_versions", "extract_errors"] },
      "schemaId": { "type": "string", "description": "Stable schema id — do not paste a giant schema inline" },
      "focusPaths": {
        "type": "array",
        "minItems": 1,
        "maxItems": 32,
        "items": { "type": "string", "description": "JSONPath, e.g. $.paths./v2/orders.post" }
      },
      "payload": { "type": "object", "description": "Already syntax-checked and size-trimmed — not a raw log string" },
      "tokenBudget": { "type": "integer", "minimum": 1000, "maximum": 1000000 }
    },
    "required": ["task", "schemaId", "focusPaths", "payload", "tokenBudget"]
  }
}

そのパックを JSON ツール箱に入れてローカルで構文検証し、JSONPath で focusPaths を抜き、Diff で2つのバージョンの payload を比べてください。モデルが見るべきは切り詰めたオブジェクトであり、20MB の .json ファイルではありません。GPT / Claude / Gemini を替えるのはモデル文字列だけです。パックのフィールド名は変えてはいけません。

いまどう使うか

1. 先に token を数え、それから入れる：システムプロンプト、ツール Schema、履歴、添付を分けて見積もってください。GPT-5.5 は推論の予備を算入し、Gemini は動画 / PDF のページ数を算入します。予算超えなら切る——「まだ入るはず」に賭けないでください。
2. 繰り返す接頭辞はキャッシュへ：system + tools はほぼ毎回同じなら、prompt cache / Context Caching に入れるべきです。1M 窓の最初の請求は入力代です。キャッシュが当たれば、長窓は日常使いできるようになります。
3. 出力は Structured Output で縛り、「JSON を返して」と書かない：OpenAI は response_format.json_schema、Gemini は responseMimeType + responseJsonSchema、Claude はツールかプレフィルです。窓がどれだけ長くても、緩いプロンプトはフィールドを一つ増やし、required を一つ落とします。
4. 測った有効帯を超えたら検索し、無理に詰め込まない：自分の複数ニードルが 256K で落ちたなら、70万 token のログを全文理解として扱わないでください。エラーコードとタイムスタンプを JSONPath で抜くほうが、モデルに海を泳がせるより安いです。
5. 出力上限で回答を割る：Gemini は約 64K、GPT/Claude は約 128K。20万 token の JSON レポートは、分割 + 各片に Schema であり、1回で書き切ることではありません。
6. ローカルのフィクスチャが通ってから API を打つ：同じ payload をブラウザで JSON 検証 と Diff に通します。何もアップロードされません。本番前に REST 契約を合わせるのと同じ習慣です。

よくある質問

まとめ

1M Token は 2026年フラッグシップ API の揃った広告です：GPT-5.5、Claude 4.6/4.8、Gemini 3.7 はいずれも約100万 token を限度表に書けます。役立つのは、1回の推論でリポジトリ、長文書、または切り詰めた JSON パックを同時に見るときです。無料記憶でも、「満杯にすれば理解する」でもありません。有効窓はしばしば 128K–500K にあります。満 1M は容量として扱い、理解力として扱わないでください。出力上限、推論が窓を食うか、200K のあと高くなるか——それが選定フィールドです。

宿題は次の「2M」噂を追うことではありません。窓に送る材料を Schema を通るパックに書くことです。JSONPath でパスを切り、Diff でバージョンを合わせ、検証してから API を打ってください。Structured Output と Tool Calling は本サイトですでに書いています。本稿はコンテキストウィンドウ側の読み方だけを足します。