1M Token とは？コンテキストウィンドウの使いどころ：GPT・Claude・Gemini 比較

1M Token とは：まず単位を揃える

Token は、モデルがテキストを読み書きし、課金し、長さを測る最小単位です。字でも単語でもありません。よくある英単語は Token 一つより少し多いことが多く、日本語や中国語、コード、JSON のキー、Base64、インデントの換算はそれぞれ違います。同じ OpenAPI でも、ベンダーやトークナイザの版が変わると Token 数は漂います。だから「1M Token」が先に意味するのは、このモデルが今回のリクエストで許す枠の数です。「百万文字」でも「百万語」でもありません。

コンテキストウィンドウ（context window）は、1 回のリクエストで入力 + 出力 + 推論 / thinking Token（別計量される場合）が共有する予算です。システムプロンプト、ツール Schema、検索断片、複数ターンの履歴、いま生成中の回答は、同じ井戸から水を汲みます。窓が 1M でも、100 万 Token のリポジトリを入れて、さらに 12 万 Token の報告書を書かせられるわけではありません。出力も窓を食い、各社には別の max output があります。

1M はディスク容量だと思った方がよいです。枠はある。真ん中の任意のページを同じ精度で読める保証はない。干し草の中の針は見つかっても、複数ホップの推論、ファイル横断の対照、長い JSON の欠けフィールド検知が、公称上限まで持つとは限りません。選定では先に「今回、同時に見えないと困るものは何か」、次に「見えたあと、安定して出すべき形は何か」を聞いてください。

超長コンテキストウィンドウが本当に稼ぐ仕事

窓が 128K から 1M へ跳ねると、変わるのは先に切る必要があるかどうかです。以前は検索か要約が必要だった材料を、いまはひとまとめで渡せます。本当に元が取れる仕事は、だいたいこう見えます。

1. リポジトリ全体、または大半。ファイルをまたいで呼び出しチェーンを追い、二つの実装を比べ、インターフェース定義とテストフィクスチャを一つのリクエストで同時に見る。
2. 長い文書と契約。ポリシーマニュアル、監査調書、複数添付の PDF。問いが文脈の両端を同時に見る必要があり、1 ページのキーワードヒットでは足りないとき。
3. マルチモーダルの大きな pack。Gemini 系の API はテキスト、画像、音声、動画、PDF を同じ窓に数えられる。数時間の音声や長い動画の書き起こしを、先にスライスしなくてよくなる。
4. Agent の長い軌跡。ツール定義、何度もの tool result、途中の失敗リトライが窓に残るから、次の一手は完全な観察に基づける。ループそのものは
5. 対照と抽出。OpenAPI の二版、エクスポート JSON 二件、Schema 一式を同じリクエストに置き、diff 級で読んでから Structured Output で構造化差分を出す。

これらの仕事には共通点があります。答えが、複数の材料を同時に見ることに依存する。タスクが「十万ページから元の一文を探す」なら、先に検索した方が安く、安定しがちです。1M 窓の価値は、誤ったスライス境界を減らすことです。情報アーキテクチャの廃止ではありません。

過大評価されがちな使い方もあります。サイトログ全部、DB の生ダンプ、未マスキングの本番 JSON をプロンプトに貼る。窓は大きい。漏洩面と請求も一緒に大きくなります。窓に入れてよいのは、すでにマシンから出してよいと決めた一式だけです。機微フィールドは先にローカルで消し、形の壊れた JSON は先に直し、それから「一度に流し込む」話をしてください。

公称窓 ≠ 実効窓：入力・出力・課金

製品ページの 1M は受付上限です。超えれば拒否か打ち切り。「100 万 Token 地点の推論品質が 8K と同じ」ではありません。RULER 系の評価では、実効長は公称の半分前後になりがちです。現場では 200K–500K を超えると、ファイル横断の対照が漏れ、途中の指示が落ちる体験の方が多い。工学では公称窓を天井として扱い、自分の回帰セットを実効窓にしてください。

見落とされがちな二番目の数字は最大出力です。GPT-5.6 Sol / Terra と Claude 旗艦の同期リクエストはおよそ 128K。Gemini 3.1 Pro のドキュメントは 65,536 で、デフォルトの maxOutputTokens はさらに小さいことが多く、明示的に上げないと静かに切れます。「分厚いマニュアルを読ませ、同じ分量の新仕様を書かせる」は、窓は足りても出力が足りないことがあります。下の予算は、出力と余裕を一人前の項目として扱い、詰め終わってから見る残り物にはしません。

{
  "window": 1050000,
  "budget": {
    "system": 2400,
    "tools": 1800,
    "repoPack": 420000,
    "docs": 180000,
    "history": 80000,
    "reservedOutput": 128000,
    "headroom": 238800
  },
  "rule": "never fill to the sticker; reserve output plus 20 percent headroom"
}

三番目は金です。OpenAI は GPT-5.6 Sol / Terra について、入力がおよそ 272K Token を超えると、リクエスト全体を入力 2 倍、出力 1.5 倍で課金すると書いています。Gemini の長コンテキストには別の割増帯がよくあります（ドキュメントは 128K または 200K 超えを境にすることが多い。発注前に現行の価格表を確認）。Claude Sonnet 5 のドキュメントは 1M をデフォルト窓、標準単価とし、「長コンテキストをオンにする」スイッチはありません。ただしトークナイザが細かいので、同じ文章がより多くの Token になり、実効コストは上がります。Prompt cache は繰り返す接頭辞は救えます。毎回変わる大きな pack は救えません。

2026 比較：GPT、Claude、Gemini

下表は 2026 年 9 月の各社公開モデルカードから、旗艦帯をまとめたものです。全スナップショットを一つのセルに詰め込んではいません。数字は動く。発注は公式ページが勝ちます。選定が本当に分岐する軸は、窓、出力、割増、モダリティです。

公式はモデルカードを直接見てください。第三者の集計表だけは足りません。OpenAI の GPT-5.6 Sol は 1,050,000 の窓、128K 出力、272K の割増ラインを明記しています。Anthropic の Claude Sonnet 5 概要 は 1M / 128K をデフォルトとしています。Google の Gemini 3.1 Pro Preview は入力 1,048,576、出力 65,536 です。価格とスナップショット名は変わります。統合コードは usage フィールドを読み、去年の定数をベタ書きしないでください。

選び方は、ボトルネックがどこかです。一度に十万 Token 近い移行説明や長い JSON 配列を吐かせるなら、出力上限の方が窓より大事です。GPT と Claude の旗艦の方が広い。一つのリクエストで会議録音を聞き、デザイン資料とリポジトリも見るなら、Gemini のモダリティは本物の差であり、宣伝の形容詞ではありません。1M の中で複数ホップの修正をし、途中の指示を落としたくないなら、公称だけは信じない。自分の「針が三本、矛盾が二箇所」の回帰セットで実効リコールを測り、needle-in-a-haystack を一度走らせて終わりにしないでください。

三社ともツール呼び出しと Structured Output に対応します。ただしラッパーフィールドは違い、最終 JSON はなおローカル検証が要ります。Gemini 側の「JSON であればよい」と「Schema のフィールドを出す」のスイッチは、サイト内の Gemini API JSON 出力ガイド を見てください。本記事では SDK を繰り返しません。

窓を埋めるとき、検索するとき

1M 窓は RAG を廃止しません。切る境界を後ろへずらすだけです。判断は四つで足ります。

1. 答えが A と B を同時に見る必要がある（仕様二件、呼び出し側と被呼び出し側、Schema とインスタンス）→ 同じ窓を優先。それぞれを別々に要約しない。
2. 答えが「巨大コーパスから短い区間を特定する」→ 先に検索し、ヒットとメタデータを窓へ。検索パイプラインを省くために 272K の割増を払わない。
3. 材料がリクエストごとに変わる（新しい diff、新しいエクスポート）→ 長コンテキストは高い。キャッシュできる接頭辞（システムプロンプト、ツール一覧、安定したマニュアル）と、変動する pack を分ける。
4. 材料がブラウザから出ていけない（秘密鍵、本番のユーザーフィールド）→ 窓が大きくてもアップロードしない。ローカルでサニタイズ、検証、サンプリングしてから、クラウドモデルに見せるか決める。

Agent ループは特に窓を食い潰します。tool result は一歩ごとに残る。maxSteps の前に古い観察を要約してください。1M を無限ログだと思わないこと。仕組みは AI Agent とは。

「ひとまとめを窓へ」と決めても、梱包してください。node_modules と圧縮成果物を 1M に数えない。明示的な context pack は監査できます。「リポジトリをドラッグする」はできません。

{
  "pack": "context",
  "files": [
    { "path": "openapi.json", "tokens": 12000, "role": "contract" },
    { "path": "schema.ticket.json", "tokens": 400, "role": "outputShape" },
    { "path": "fixture.valid.json", "tokens": 800, "role": "example" }
  ],
  "omit": ["node_modules", "*.lock", "generated/**", "minified bundles"]
}

pack の outputShape は、実際に parse する Schema から取るべきです。モデルが思いついたキー名ではありません。形の固定は AI Structured Output。

長いコンテキストの JSON：先にローカル検証

超長の窓が広げるのは、悪い入力の殺傷半径です。カンマ欠けのエクスポート、extra フィールドが肥大したツール応答、同名で意味の違う Schema 二件——40 万 Token のあと、肉眼ではほぼ見つけられません。モデルは壊れた JSON に沿って書き続け、請求は止まりません。だから長コンテキストのワークフローは、アップロード前に三段を固定してください。

1. Parse：窓に入れるファイルは、合法な JSON / JSON5 であること。「JSON に見える」ログや切れたエクスポートではない。
2. Schema：モデルに守らせたい契約と照合する。複数ファイルなら、まだ同一ソースかを先に確認する。
3. Diff：新旧フィクスチャ、モデルの arguments と下流 body、OpenAPI の二版は、先にローカルで差を見てから、モデルに「なぜ」や「どう直すか」を聞く。

ブラウザで完結でき、先にアップロードする必要はありません。JSON フォーマット で parse と構造を確認し、JSON Schema 検証 でフィールドと enum を固定し、JSON Diff で、同じ窓に入れる二件を比較してください。検証に落ちたファイルは pack に入れない。

モデルが出す長い JSON も、構文が壊れるか形が漂うことがあります。層の分け方は AI 生成 JSON エラーガイド。Agent のツール arguments と最終回答は別契約です。窓の予算を共有しただけでは「検証済み」にはなりません。

よくある質問 FAQ

まとめと次の一歩

1M Token は 2026 年旗艦モデルの共通スケールです。1 回のリクエストで、およそ百万 Token を同時に見られます。リポジトリ一式、マニュアル一冊、マルチモーダルの大きな pack が現実になります。ただし推論が自動で強くなり、出力が伸び、単価が下がるわけではありません。GPT、Claude、Gemini の分岐は出力上限、割増ライン、モダリティです。「1M があるか」という一つのチェックボックスではありません。

次の一手：公式の計数器でマニュアルとリポジトリを測る。本稿の予算表で出力と余裕を確保する。三社のモデルカードで割増閾値を確認する。窓に入れる JSON は、先に JSONVue で parse、Schema、Diff を通す。形の固定は Structured Output、失敗の層分けは JSON エラーガイドです。