Azure上でGPT-5系を動かそうとして、デプロイ画面にモデルが出てこない、コードは通るのに応答が空になる、gpt-5.6へ上げた途端にツール呼び出しがエラーで落ちる。こうした詰まり方の原因は、ほとんどがコードではなく、デプロイ種類とリージョンの組み合わせ、クォータ階層、推論モデル特有のパラメータ仕様にあります。
この記事では、Azure OpenAI(Microsoft Foundry Models)でGPT-5系を呼び出すまでを、実装者が踏む順番で整理します。数値とモデル名は2026年10月21日時点のMicrosoft Learnから取りました。提供状況は月単位で変わるため、実装前に自分のサブスクリプションで確かめてください。
まとめ:AzureでGPT-5系を動かす前に決める三点
最初に決めるのは、デプロイ種類・クォータ・API形式の3つです。ここが決まれば、コードはOpenAI直APIとほとんど同じになります。
- デプロイ種類:東日本(japaneast)ではグローバル標準ならgpt-5からgpt-5.6系、GPT-6系まで全てデプロイできます。データゾーン標準(APAC)で選べるのはgpt-5.2・gpt-5.4・gpt-5.6-solなど一部の版だけで、リージョン内で処理が完結する標準デプロイにGPT-5系はありません。
- クォータ:Free Tierと階層1〜6の7段階です。階層1のグローバル標準は、gpt-5が10,000 RPM/1,000,000 TPM、gpt-5.6-solが1,000 RPM/1,000,000 TPM。同じTPMでもRPMは10分の1になります。
- API形式:エンドポイント末尾に
/openai/v1/を付けるv1 APIで、OpenAI公式クライアントから呼び出します。ツールを使うならChat CompletionsではなくResponses APIを選びます。gpt-5.6系はChat Completionsでtoolsを送るだけでエラーになるためです。
gpt-5(2025-08-07)は2027年2月9日に引退予定です。gpt-5.6系へ上げるときに変わる点は後半の独自章にまとめました。
GPT-5系をデプロイして呼び出すまでの手順
作業はリソース作成・モデルのデプロイ・API呼び出しの3工程です。汎用の手順はAzure OpenAI APIの使い方|リソース作成からPython・REST呼び出しまでの実装手順にあるので、ここではGPT-5系で判断が分かれる点に絞ります。
Microsoft Entra ID認証とCognitive Services OpenAI Userロール
作るのはFoundryリソースかAzure OpenAIリソースです。決めるのはリージョンと認証方式です。Entra IDを使うときは呼び出し元のIDに Cognitive Services OpenAI User ロールを割り当てます(Microsoft Learn「v1 API」の前提条件)。APIキーは配布と失効の管理が重くなるため、本番を見据えるなら最初からEntra IDで組みます。
グローバル標準では、推論はリソースを置いたリージョンに限らず任意のAzureリージョンで処理されます。「東日本にリソースを作ったから国内で処理される」という前提で設計すると、データ所在の説明が後で崩れます。
用途名のデプロイ名とモデル版の差し替え
Azureでは、リクエストの model にモデル名ではなく、自分で付けたデプロイ名を渡します。「summary-prod」のような用途名にしておけば、背後のモデルをgpt-5からgpt-5.6-solへ替えてもアプリのコードは変わりません。ただし、モデル名から上限値を引くツールもあります。Codex CLIは内蔵の一覧に無い名前を受け取ると「Model metadata … not found」と警告して既定値で動くため、Codexから使うデプロイはモデル名と同じ名前にします(設定はAzure OpenAIとCodexの連携設定|config.tomlの書き方・エラー対処・Entra ID認証【2026年10月】)。
v1 APIのbase_urlとOpenAIクライアントでの呼び出し
v1 APIは2025年8月から使える形式で、日付付きの api-version が要りません。OpenAI公式の OpenAI() クライアントに base_url を渡します。base_urlは https://リソース名.openai.azure.com/openai/v1/ と https://リソース名.services.ai.azure.com/openai/v1/ のどちらでも受け付けます。api-versionを固定し続けるべき場面はAzure OpenAIのapi-versionとは?v1 APIへの移行とバージョン固定の判断で扱っています。
import os
from azure.identity import DefaultAzureCredential, get_bearer_token_provider
from openai import OpenAI
token_provider = get_bearer_token_provider(
DefaultAzureCredential(), "https://ai.azure.com/.default"
)
client = OpenAI(
base_url=f"https://{os.environ['AZURE_OPENAI_RESOURCE']}.openai.azure.com/openai/v1/",
api_key=token_provider, # 呼び出し可能オブジェクトを渡すとトークンを自動で取り直す
)
resp = client.responses.create(
model=os.environ["AZURE_OPENAI_DEPLOYMENT"], # モデル名ではなくデプロイ名
input="社内規程の改定点を3行で要約してください。",
reasoning={"effort": "low", "context": "current_turn"},
text={"verbosity": "low"},
max_output_tokens=25000,
)
if resp.status == "incomplete":
raise RuntimeError(f"出力が途中で打ち切られました: {resp.incomplete_details.reason}")
print(resp.output_text)
print("推論トークン:", resp.usage.output_tokens_details.reasoning_tokens)
Python 3.13・openai 3.35.1で、HTTPの送信先を模擬サーバーに差し替えて送信内容を記録しました(Azure本体への接続は行っていません)。リクエストは /openai/v1/responses に送られ、reasoning と text.verbosity はそのままJSONに入ります。トークンプロバイダーを渡すと Authorization: Bearer にEntraのトークンが入り、APIキーを文字列で渡した場合も api-key ヘッダーではなく同じ Authorization: Bearer で送られます。api-key ヘッダーだけを通すプロキシやAPI Managementを挟むと、認証が落ちることがあります。その場合は OpenAI(..., default_headers={"api-key": キー}) とすれば、Bearerに加えて api-key ヘッダーも送られます(同じ模擬サーバーで確認)。SDK自体の使い方はOpenAI Python SDKの使い方|インストールから最新クライアント・Responses APIまでを参照してください。
東日本リージョンで使えるGPT-5系のデプロイ種類別一覧
「デプロイ画面にモデルが出てこない」原因の大半は、選んだデプロイ種類とリージョンの組み合わせにモデルが提供されていないことです。Microsoft Learnのリージョン可用性ページ(2026年10月19日更新)のアジア太平洋タブから、japaneastの列を抜き出すと次のとおりです。
| デプロイ種類 | japaneastで使えるGPT-5系 | GPT-6系 | 処理される範囲 |
|---|---|---|---|
| グローバル標準 | gpt-5〜gpt-5.6系の全20モデル | 4モデルすべて | 任意のAzureリージョン |
| データゾーン標準 | gpt-5.2・5.3-codex・5.4・5.4-mini・5.6-sol | gpt-6.1-solのみ | APACデータゾーン内 |
| 標準(リージョン別) | なし | なし | デプロイしたリージョン |
データゾーン標準(APAC)で選べる5つの版
APAC内で処理させるデータゾーン標準に並ぶGPT-5系は5モデルだけです。gpt-5(無印)・gpt-5.5・gpt-5.6-terra・gpt-5.6-lunaは無いので、「APAC内処理でgpt-5.6-luna」は組めません。APAC内処理を優先するならgpt-5.2・gpt-5.4・gpt-5.4-mini・gpt-5.6-solのいずれかを選びます。
GPT-5系が無いリージョン内の標準デプロイ
標準(リージョン別)デプロイでGPT-5系が載っているのは、gpt-5.1の米国7リージョンとswedencentralだけです。japaneastの標準デプロイにある生成モデルはgpt-4.1-miniとgpt-4o(2024-11-20)で、どちらも引退日が2027年4月14日に設定されています。「東日本の中だけで推論を完結させる」が動かせない要件なら、GPT-5系は候補から外れます。東日本・西日本のモデルを種類別に並べた全体像はAzure OpenAIの日本リージョン選定:東日本・西日本で使えるモデルをデプロイの種類別に確認【2026年10月】にまとめています。
GPT-5系のクォータ階層とRPM・TPMの見積もり
デプロイ画面までたどり着いても、クォータが割り当てられていなければデプロイは作れません。数値はMicrosoft Learn「クォータと制限」(ms.date 2026年8月20日)の階層別の表から取りました。
7段階のクォータ階層と自動昇格の止め方
階層はFree Tierと階層1〜6の7段階です。最初の階層は利用実績とMicrosoftとの契約(EAやMCA-Eなど)で決まり、使用量が増えると自動で上がります。支払い履歴も判定に使われます。自動昇格を止めたいときは、コントロールプレーンAPI(Microsoft.CognitiveServices/quotaTiers)で tierUpgradePolicy を NoAutoUpgrade にします。今の階層も同じAPIで確認でき、応答の currentTierName に「Tier 1」のように返ります。
枠が足りなければクォータ要求フォームで申請できます。承認されても階層は変わらず、割り当て量だけが増えます。
同じTPMでRPMが10分の1になるgpt-5.6-sol
グローバル標準(GS)とデータゾーン標準(DZ)の上限を、gpt-5とgpt-5.6-solで並べます。表記は「RPM/TPM」です。
| 階層 | gpt-5(GS) | gpt-5.6-sol(GS) | gpt-5.6-sol(DZ) |
|---|---|---|---|
| 階層1 | 10,000/1,000,000 | 1,000/1,000,000 | 333/333,000 |
| 階層3 | 90,000/9,000,000 | 4,000/4,000,000 | 1,333/1,333,000 |
| 階層5 | 300,000/30,000,000 | 10,000/10,000,000 | 3,333/3,333,000 |
| 階層6 | 450,000/45,000,000 | 15,000/15,000,000 | 5,000/5,000,000 |
gpt-5は1,000 TPMあたり10 RPM、gpt-5.6-solは1,000 TPMあたり1 RPMの比率で割り当てられています。短いリクエストを大量に投げる分類やタグ付けの処理は、TPMに余裕があってもRPMで先に429(要求が多すぎます)になります。階層3以上ではTPM自体もgpt-5の半分以下です。gpt-5.6-terra・lunaとgpt-5.5も階層1は1,000 RPM/1,000,000 TPMで、gpt-5.6-solと同じ比率です。
データゾーン標準を選ぶと、gpt-5.6-solは階層1で333 RPMまで下がります。遅延の安定を強く求めるならプロビジョニング済みスループット(PTU)を検討する段階で、損益分岐はAzure OpenAI PTUとは?必要ユニット数の見積もりと予約課金の損益分岐で計算しています。
全モデルへ拡大途中のサブスクリプション単位の共有プール
2026年5月7日以降、クォータをリソースやリージョンではなくサブスクリプション単位で数える方式が始まりました。ただし対象はRealtime TranslateとRealtime Whisperが先行で、公式の表現は「まもなく全モデル」です。対象のモデルでは、同じ版のデプロイがグローバル標準なら全リージョンで、データゾーン標準ならゾーンごとに1つのプールを共有します。検証用と本番用でリージョンを分けても、同じ版なら枠を取り合います。
gpt-5.5・gpt-5.6系でクォータ要求が要る階層
Microsoft Learnの推論モデルのページによると、gpt-5・gpt-5-mini・gpt-5-nanoを含むGPT-5系の大半はアクセス申請が不要です。一方、gpt-5.5とgpt-5.6-sol・terra・lunaは「階層によってはクォータ要求が必要」で、既定で枠を持つのは階層5と階層6だけです。新しいサブスクリプションでgpt-5.6系がデプロイできないときは、モデルの提供ではなく自分の階層を先に疑います。
ただし、クォータと制限のページには階層1〜4のgpt-5.6系にも上限値が載っており、2つのページの関係はどちらにも書かれていません。Free Tierと階層1〜4では、デプロイ画面で実際の割り当て量を確かめてから設計してください。
推論モデルで使えないパラメータと、出力が空になる原因
GPT-5系は推論モデルで、旧コードをそのまま移すとエラーで落ちるか、中身が空で返ります。
SDKが素通しするtemperature・max_tokens
GPT-5系では temperature・top_p・presence_penalty・frequency_penalty・logprobs・top_logprobs・logit_bias・max_tokens が使えません。出力の上限はChat Completionsなら max_completion_tokens、Responses APIなら max_output_tokens で指定します。
注意したいのは、この誤りがクライアント側では検出されない点です。先ほどの模擬サーバーで、Chat Completionsに max_tokens=100 を渡すと、openai 3.35.1はエラーを出さずにそのままJSONへ入れて送りました。誤りは実行時にAzureから返るので、移行前に送信パラメータを洗い出します。
空の出力とstatus・finish_reasonの確認
上限には推論トークンも含まれ、小さいと推論だけで枠を使い切って回答が空になります。入力と推論の分は課金されます。Microsoftは、負荷の傾向がつかめるまで推論と出力に少なくとも25,000トークンを確保するよう案内しています。
模擬サーバーで打ち切りの応答を返すと、Responses APIでは status が "incomplete"、incomplete_details.reason が "max_output_tokens" になり、output_text は例外ではなく空文字を返しました。Chat Completionsでは上限に達すると finish_reason が "length" になり、推論だけで使い切った場合は content が空になることがあります。どちらも例外にならないので、コード例のように毎回 status(Chat Completionsなら finish_reason)を確認します。
reasoning_effort・verbosity・reasoning.contextの指定
温度の代わりに使うのが reasoning_effort(Responses APIでは reasoning.effort)と verbosity です。
モデル別のreasoning_effort対応値
値の候補は none・minimal・low・medium・high・xhigh・max の7つです。Microsoft Learnの対応表と注記から、主なモデルを抜き出しました。
| モデル | none | minimal | xhigh | max | 既定値の記載 |
|---|---|---|---|---|---|
| gpt-5・mini・nano | 不可 | 可 | 不可 | 不可 | medium |
| gpt-5-pro | 不可 | 不可 | 不可 | 不可 | highのみ |
| gpt-5.1 | 可 | 不可 | 不可 | 不可 | none |
| gpt-5.1-codex-max | 可 | 不可 | 可 | 不可 | 記載なし |
| gpt-5.2 | 可 | 不可 | 記述が割れる | 不可 | 記載なし |
| gpt-5.4・gpt-5.5 | 可 | 不可 | 可 | 不可 | 記載なし |
| gpt-5.6系 | 可 | 不可 | 可 | Responsesのみ | medium |
gpt-5・mini・nanoの既定値(medium)はMicrosoft FoundryのRESTリファレンスの記載です。gpt-5.2のxhighは、推論ガイドの対応列挙に無い一方でRESTリファレンスは「gpt-5.1-codex-maxより後の全モデル」と書いており、記述が一致しません。使う前に自分のデプロイで確かめてください。
gpt-5.1は既定が none なので、o系やgpt-5から移しただけでは推論しません。推論させたいなら値を明示します。逆に minimal は初代のgpt-5系(gpt-5-codexとgpt-5-proを除く)だけの値で、gpt-5.1以降に送ると受け付けられません。なお、Microsoftは reasoning_effort そのものを、品質が落ちたときに最初に触るものではなく調整用のつまみとして扱うよう案内しています。消費した推論トークンは、Chat Completionsなら completion_tokens_details.reasoning_tokens、Responses APIなら output_tokens_details.reasoning_tokens に出ます。
出力量のverbosityと思考量のreasoning_effort
verbosity はGPT-5世代で加わったパラメータで、low・medium・high の3段階で回答の簡潔さを変えます。Responses APIでは text オブジェクトの中に、Chat Completionsでは最上位に置きます(Microsoftの対応表にVerbosityの行があり、openai 3.35.1もどちらの形でも送信しました)。「短く答えさせたい」ときに下げるのはverbosityで、reasoning_effortを下げると考える量が減り、難しい課題では答えの質が落ちることがあります。
gpt-5.6系の既定all_turnsと会話トークンの増加
Responses APIの reasoning.context は、前のターンの推論をどこまで次の生成に持ち込むかを決めます。all_turns に対応するのはgpt-5.4・gpt-5.5・gpt-5.6系・GPT-6系で、既定値はgpt-5.4とgpt-5.5が current_turn、gpt-5.6系とGPT-6系が all_turns です。gpt-5.5からgpt-5.6系へデプロイを上げると、コードを変えなくても複数ターンの会話で課金トークンが増えます。以前の挙動を保つなら current_turn を明示し、応答の reasoning.context で実際に使われたモードを確認します。
gpt-5.4・gpt-5.5の長いワークフローとphase指定
gpt-5.4・gpt-5.5のResponses APIでツールを多用する長い処理を回すときは、アシスタントのメッセージに phase を付けます。ツール呼び出し前の途中経過は commentary、最終回答は final_answer です。省略しても動きますが、モデルが途中経過を最終回答と取り違えて早く止まることがあります。履歴を自分で組み直して送る場合は、各メッセージの元の phase を保ちます。
ツール呼び出しのResponses API移行とnoneでの回避策
移行で最も踏みやすいのが、関数呼び出し(ツール)と推論の組み合わせです。Microsoft Learnの対応表では、gpt-5.6系のChat Completionsとツールの両方に対応の印が付いています。ところが注記には「reasoning_effortがnoneでない限り、両方を同時には使えない」とあります。tools を含むChat Completionsのリクエストは、次のエラーで失敗します。
Function tools with reasoning_effort are not supported for gpt-5.6-sol in /v1/chat/completions. To use function tools, use /v1/responses or set reasoning_effort to 'none'.
gpt-5.6系は reasoning_effort の既定が medium なので、tools を付けるだけで落ちます。デプロイを上げた直後にツール呼び出しが一斉に失敗するのはこのためです。回避策は2つです。
- 推論とツールを併用するなら、Responses APIへ移す(公式の推奨)。reasoning_effortの全範囲が使え、推論の内容を次のターンへ持ち越せます。
- Chat Completionsを残す必要があるなら、
toolsを送る全リクエストでreasoning_effort="none"を指定する。推論による計画の質は失われます。
resp = client.chat.completions.create(
model=os.environ["AZURE_OPENAI_DEPLOYMENT"],
messages=[{"role": "user", "content": "東京の明日の天気を調べてください"}],
tools=[{
"type": "function",
"function": {
"name": "get_weather",
"parameters": {
"type": "object",
"properties": {"city": {"type": "string"}},
"required": ["city"],
},
},
}],
reasoning_effort="none", # gpt-5.6系でtoolsを送るときは必須(初代gpt-5はnone非対応のため外す)
max_completion_tokens=2000,
)
そもそもChat Completionsに対応していないGPT-5系もあります。対応表でChat Completionsが「-」になっているのは、gpt-5-pro・gpt-5.4-pro・gpt-5-codex・gpt-5.1-codex系・gpt-5.2-codex・gpt-5.3-codexで、これらはResponses APIからしか呼べません。新規実装は最初からResponses APIに寄せます。2つのAPIの違いと移行手順はOpenAI Responses APIとChat Completions APIの違い|移行手順と見送る条件【2026年10月】で詳しく扱っています。
gpt-5からgpt-5.6系へ上げると変わる5点
Microsoft Learnの引退スケジュール(ms.date 2026年9月21日)では、gpt-5(2025-08-07)の引退日は2027年2月9日、gpt-5.1は2027年5月15日、gpt-5.4は2027年9月2日、gpt-5.5は2027年10月26日、gpt-5.6系は2028年1月11日です。gpt-5には置き換え先の記載が無いため、次のモデルは自分で選びます。版を上げると、コードを変えなくても次の5点が変わります。
- RPMの割り当て比率:1,000 TPMあたり10 RPMから1 RPMへ。階層1では10,000 RPMが1,000 RPMになります。小さなリクエストを高頻度で送るバッチは、並列数を先に絞ります。
- Chat Completions+tools:上のエラーが出ます。Responses APIへ移すか、reasoning_effortを
noneにします。 - 推論の持ち越し:
reasoning.contextの既定がall_turnsになり、複数ターンの課金トークンが増えます。 - 使えるeffortの値:
minimalが使えなくなり、xhighとmax(Responses APIのみ)が増えます。gpt-5でminimalを使っていたコードは値を替えます。 - クォータ要求:gpt-5は申請不要ですが、gpt-5.6系はFree Tierと階層1〜4だとクォータ要求が要る場合があります。移行日から逆算して申請を先に出します。
コンテキスト長も版で違います。gpt-5とgpt-5.4-mini・nanoは合計400,000トークン(入力272,000・出力128,000)、gpt-5.4・gpt-5.5・gpt-5.6系は合計1,050,000トークン(入力922,000・出力128,000)です。gpt-5-chatやgpt-5.2-chatなどのchat系は2026年5〜6月に退役済みで、置き換え先のgpt-chat-latestはプレビュー扱いです。GPT-5.6の3モデルの性格の違いはGPT-5.6とは|Sol・Terra・Lunaの3モデルと新機能・料金を実装目線で解説、デプロイの自動アップグレードと移行の進め方はAzure OpenAIのモデル廃止予定と対応手順|引退日一覧・自動アップグレード・移行【2026年10月】にまとめました。
GPT-6系の提供範囲と、none・temperatureをめぐる記述の割れ
2026年9月以降、AzureではGPT-6系の4モデル(gpt-6-astra・gpt-6-sol・gpt-6-luna・gpt-6.1-sol)が使えます。手順はGPT-5系と同じで、japaneastのグローバル標準に4モデルとも載っています。データゾーン標準(APAC)にあるのはgpt-6.1-solだけです。階層1のクォータはいずれもグローバル標準で1,000 RPM/1,000,000 TPM、gpt-6-astraだけは階層によってクォータ要求が要ります。
気をつけたいのは、OpenAIとMicrosoftのドキュメントで記述が割れている点です。OpenAIの最新モデルガイドは「GPT-6 AstraとGPT-6.1 Solはreasoning effortの none に対応しない」「GPT-6 AstraとGPT-6.1 SolはChat Completionsに対応するが、ツール呼び出しにはResponses APIが必要」と書いています。一方、Microsoft Learnの対応表はGPT-6系の4モデルすべてに「Reasoning effort(noneを含む)」と temperature の対応を付けつつ、同じページの別の箇所では「GPT-6 Astra以外の推論モデルはtemperatureに対応しない」と書いています。GPT-6系では none と temperature を前提にした設計を避け、ツールはResponses APIで送るのが安全です。モデルごとの位置づけはGPT-6 Astraとは?提供3経路の料金とデータ境界の判断【2026年9月】とGPT-6 Solとは?6.1 Solの変更点とLuna・Astraの使い分け【2026年10月】で解説しています。
Azure側でGPT-5系を採用する条件と、OpenAI直APIを選ぶ場面
分かれ目は、データ所在の要件とスループットです。
Azureを選ぶのは、既存のデータ基盤や業務システムがAzureにあり、Entra IDの認証とロール管理をそのまま延ばしたい案件です。リソース単位で監査ログをそろえたい案件も当てはまります。処理範囲をAPAC内に限れば足りるなら、データゾーン標準でgpt-5.2・gpt-5.4・gpt-5.4-mini・gpt-5.6-solのいずれかを選びます。
次の2つの場面では見送ったほうが無難です。
- 日本国内での処理完結が動かせない要件の案件:標準デプロイにGPT-5系が無い以上、この要件とGPT-5系は両立しません。「APAC内処理」へ読み替えられるかを先に確認します。
- 階層1のまま瞬間的な大量並列が要る段階:gpt-5.6系の階層1は1,000 RPMです。増枠申請は受け付け順に処理され、既存の割り当てを消費している利用者が優先されるため、いきなり大きな枠は通りにくく、PTUを含めた費用の検討が先に来ます。
社内で進めるか外部に任せるかの判断軸はAzure OpenAI Service導入支援の進め方|五工程と外部委託の判断基準で整理しています。デプロイ設計・クォータ設計・運用監視まで含めて任せたい場合は、当社の生成AI開発・AI受託開発でご相談を受け付けています。
よくある質問
Azure OpenAIでGPT-5を使うのに申請は必要ですか?
2026年10月21日時点のMicrosoft Learnでは、gpt-5・gpt-5-mini・gpt-5-nano・gpt-5.4など大半のGPT-5系はアクセス申請が不要です。ただしgpt-5.5とgpt-5.6系は、クォータ階層によってはクォータ要求が必要で、既定で枠を持つのは階層5と階層6です。
東日本リージョンでGPT-5は使えますか?
グローバル標準なら全てのGPT-5系をjapaneastにデプロイできますが、処理は任意のAzureリージョンで行われます。APAC内で処理させるならデータゾーン標準(gpt-5.2・5.4・5.6-solなど)、国内で完結する標準デプロイにGPT-5系はありません。
api-versionはどの値を指定すればよいですか?
v1 APIなら日付付きの api-version は不要です。base_urlの末尾に /openai/v1/ を付け、OpenAI公式クライアントをそのまま使います。プレビュー段階の機能は、APIバージョンを替えるのではなく機能ごとのプレビューヘッダーを渡すか、パスに alpha を含む専用パスで呼び出します。
max_tokensを指定したのに応答が途中で切れる、または空になるのはなぜですか?
GPT-5系は max_tokens に対応しないため、Chat Completionsでは max_completion_tokens、Responses APIでは max_output_tokens を使います。上限には推論トークンも含まれるため、最初は25,000トークン以上を確保し、status や finish_reason を見て絞り込みます。
Chat Completions APIでツールを呼ぶとエラーになるのはなぜですか?
gpt-5.6系はChat Completionsで関数ツールと推論を同時に使えず、reasoning_effortの既定がmediumのため、tools を送るだけで失敗します。Responses APIへ移すか、ツールを送る全リクエストで reasoning_effort を none にしてください。gpt-5-proやcodex系のようにChat Completions自体に対応しないモデルもあります。
関連記事
- Azure OpenAI Serviceのモデル一覧と選び方|GPT-6・GPT-5.6・推論・埋め込み・音声を用途別に整理【2026年10月】
- Azure OpenAIの日本リージョン選定:東日本・西日本で使えるモデルをデプロイの種類別に確認【2026年10月】
- Azure OpenAIのモデル廃止予定と対応手順|引退日一覧・自動アップグレード・移行【2026年10月】
- OpenAI Responses APIとChat Completions APIの違い|移行手順と見送る条件【2026年10月】
- Azure OpenAI APIの使い方|リソース作成からPython・REST呼び出しまでの実装手順