OpenAIとMolecule.oneの準自律AI化学者｜反応改善実験の中身と読み方（2026年10月確認）

2026年6月17日、Molecule.oneは「A near-autonomous AI chemist improves a challenging reaction in medicinal chemistry」と題した発表を、自社サイトのプレス一覧に掲載しました（Molecule.one公式サイト、2026年10月12日確認）。同社のページによると、OpenAIのGPT-5.4と同社のMaria AIが、研究テーマの選定、提案の作成と評価、Maria Labでの実験までを担ったとされています。

結論から言うと、この発表が示したのは「AIが新しい薬を見つけた」ことではありません。医薬品化学で使われる一つの反応、一級スルホンアミドのChan–Lamカップリングで、TEMPOという添加剤が収率を改善した、という実験結果です。数値は論文（プレプリント）に載っており、10,080件の微量反応で平均推定収率が16.6%から25.2%に上がったと報告されています。

この記事では、公開されている資料から読み取れる事実と、読み取れない部分を分けて整理します。ニュースの見出しにある「準自律」「AI化学者」という言葉が、実際の実験の中でどこまでを指しているのかを、数字と一緒に確かめていきます。

• OpenAIとMolecule.oneの発表で、具体的に何が行われたのか
• 「準自律AI化学者」という言葉は、どこまでを指しているのか
• 10,080件・16.6%・25.2%といった数字は、何をどう数えたものか
• GPT-5.4というモデル名を、いまのモデル案内とどう結びつけて読むか
• 研究者・企業・AIを仕事に使う人は、この結果をどう受け止めればよいか

発表の概要——OpenAIとMolecule.oneが公表した内容

この発表とは、Molecule.oneとOpenAIが共同で行った一級スルホンアミドのChan–Lamカップリング改善実験の報告で、Molecule.oneのサイト、OpenAIの発表ページ、論文（プレプリント）の三つの資料で公開されています。

公開されている三つの資料

Molecule.oneのトップページには、OpenAIとの共同取り組みとして「Chan-Lam Synthesis Discovery OA1-M1-003」の欄があり、そこからOpenAIの発表ページと論文（プレプリント）にリンクが張られています。プレス一覧には、2026年6月17日付で同じ題名の発表が載っています（Molecule.one公式サイト、2026年10月12日確認）。

論文（プレプリント）は、OpenAIが公開しているPDFです。著者の所属は、Molecule.one（サンフランシスコ／ワルシャワ）とOpenAI（サンフランシスコ）の両方が書かれています（論文（プレプリント）、2026年10月12日確認）。同じ内容を扱う資料が複数あるので、数字を引用するときは、どの資料の数字なのかを分けて書くのが安全です。

Molecule.oneとはどんな会社か

Molecule.oneは、自社サイトで「Chemistry AI for Autonomous Discovery」を掲げ、Maria™というプラットフォームで創薬と製造の研究を支援する会社だと説明しています。拠点としてワルシャワとサンフランシスコが示されています（Molecule.one公式サイト、2026年10月12日確認）。

Mariaは、AI、ラボ、データの三つを組み合わせたものとして紹介されています。この三つの内訳は、次の章の表で整理します。

この記事が確認した範囲

本記事で内容を引用しているのは、Molecule.oneのサイトと論文（プレプリント）の本文です。OpenAIの発表ページに固有の記述は、ここでは引用していません。そのページにしか書かれていない説明（たとえば人間の関与の具体的な範囲）が気になる場合は、原文を直接ご確認ください。

「準自律AI化学者」とは何か——公開資料から読み取れる範囲

「準自律」は、Molecule.oneのページが「near-autonomous」と表現している語で、研究の多くをAIとラボが進めたことを示す一方、完全な自律を意味する言葉としては書かれていません（Molecule.one公式サイト）。

Maria AI・Maria Lab・Maria Dataの三つの役割

Molecule.oneのトップページは、Mariaを三つの要素で説明しています。次の表は、その英語の説明を日本語にまとめたものです。

要素	Molecule.oneの説明（要約）
Maria AI	化学の課題を解き、新しい化学を見つけるために、化学向けのフロンティア級モデルをエージェントの枠組みで組み合わせたもの
Maria Lab	Maria AIが指揮する、マイクロリットル規模の高スループット実験（HTE）ラボ
Maria Data	Maria AIの指示によって、専用に作られたラボで生成されるデータセット

表の三つはMolecule.one側の構成で、OpenAIのGPT-5.4はこの外から組み合わされたモデルです。トップページの説明では、GPT-5.4とMaria AIが一緒に研究領域を選び、提案を生成し、評価し、Maria Labで実験を行ったと書かれています（Molecule.one公式サイト、2026年10月12日確認）。

「近い」と「完全」の間にあるもの

「準自律」と書かれているからといって、人間がまったく関わっていないとは読めません。論文の著者欄には、Molecule.oneとOpenAIの研究者の名前が並んでいます。ただし、論文（プレプリント）の本文を読んでも、人間がどの段階でどこまで関わったのかを整理した記述は見当たりませんでした。

人間の役割がどこまでだったかは、「準自律」という言葉の中身を決める大切な点です。この点は、OpenAIの発表ページなど、人間の関与に触れている資料で確認する必要があります。

「自律」という言葉を読む三つの問い

AIが自律的に研究したという話を読むときは、次の三つを分けて考えると、中身を取り違えにくくなります。

1. 研究の目標やテーマを決めたのは、AIか人間か
2. 実験を実行したのは、人間の手か、自動化されたラボか
3. 結果の良し悪しを判断し、次の実験を決めたのは誰か

Molecule.oneのページは、これらのうちテーマの選定、提案の生成と評価、Maria Labでの実験をGPT-5.4とMaria AIが担ったと書いています。三つ目の「結果の判断」の分担については、確認した資料からは読み取れません。

対象になった反応——Chan–Lamカップリングと一級スルホンアミド

Chan–Lamカップリングは、銅を触媒にして、ボロン酸などの有機ホウ素化合物と、N–H・O–H・S–Hをもつ相手を結びつける反応で、一級スルホンアミド（R–SO₂NH₂）は医薬品化学で価値のある構造として論文が取り上げている相手です（論文（プレプリント））。

この反応が医薬品化学で使われる理由

論文の導入部は、Chan–Lamカップリングの特徴として、室温で進めることができ、安価で毒性の低い銅触媒を使い、空気や水分に比較的強いことを挙げています。こうした穏やかな条件のため、医薬品化学や工業的なプロセス開発で重宝される反応だと説明しています（論文（プレプリント）、2026年10月12日確認）。

この反応は、パラジウムを使う別の方法と違い、反応を回し続けるために外部の酸化剤が必要になります。この「酸化剤をどうするか」が、今回の実験の中心的な問いでした。

なぜ一級スルホンアミドは難しい相手なのか

論文の要旨は、一級スルホンアミドを、求核性が低いことと、ボロン酸が分解してしまうことのために、Chan–Lamの窒素アリール化では難しい基質だと説明しています。

ここで問題になる分解の一つが、酸化的脱ホウ素です（論文（プレプリント））。ボロン酸の炭素とホウ素の結合が酸化で切れ、フェノール類ができます。論文によると、このフェノールが残りのボロン酸と反応してジアリールエーテルができ、ボロン酸が減ってしまううえ、精製も難しくなります。そのため、従来の方法ではボロン酸を1.5〜3.0当量と多めに使うことが多い、と論文は書いています。

TEMPOとはどんな物質か

TEMPO（2,2,6,6-テトラメチルピペリジニルオキシル）は、論文の説明では、穏やかで保存しやすいラジカル系の酸化剤です。銅の酸化還元に働きかけることが知られており、今回は候補の一つとして選ばれました。

論文は、Chan–Lamカップリングの原著（Lamらの研究）でもTEMPOが検討されていたこと、しかしその後はほとんど注目されてこなかったことを書いています。また、TEMPOがこの反応で果たす正確な役割は、論文の時点では解明されていないとも述べています。

結果の数字を読む——10,080件の実験と収率の変化

論文によれば、二つのマイクロスケールのスクリーニング（合計10,080件）で、TEMPOを使った最適条件の平均推定収率は16.6%から25.2%に、30%を超えた反応の割合は15.6%から37.5%に上がりました（論文（プレプリント））。

論文が示す主な数字

次の表は、論文の要旨と結論にある数字を並べたものです。最適条件は、TEMPO 2当量と酢酸銅(II)20モル%を使った条件だと書かれています（論文（プレプリント）、2026年10月12日確認）。

指標	変更前（酸化剤なしの対照）	最適条件（TEMPOあり）	読み方のポイント
平均推定収率	16.6%	25.2%	全反応の推定値の平均で、1回の反応の成績ではない
収率30%を超えた反応の割合	15.6%	37.5%	論文は「2倍を超えて増えた」と表現している
スクリーニングの規模	—	1回目5,088件、2回目4,992件、合計10,080件	規模は条件の組み合わせの多さを示す数字
ベンチスケールでの確認	—	代表的な14組のうち11組で効果を確認	多くの組で、収率が2倍を超えて改善したと要旨は書く

数字を自分で計算して確かめる

平均推定収率は、25.2から16.6を引くと8.6ポイントの増加です。倍率にすると、25.2を16.6で割って約1.5倍になります。「収率が1.5倍になった」と言い換えることはできますが、「約9割の反応が成功した」といった意味ではありません。平均の収率は、理論上得られる量に対する割合で、約4分の1という水準にとどまっているからです。

一方、30%を超えた反応の割合は、15.6%から37.5%へ上がりました。37.5を15.6で割ると約2.4倍で、論文（プレプリント）の「2倍を超える」という表現と一致します。

割合を100件に置き換えた仮の例で考えてみます（元の数字は論文（プレプリント））。対照条件で収率30%を超える反応が100件のうち約16件だったとすると、最適条件では約38件になる計算です。差は約22件で、これは「全体の半分にも届かない」ことも同時に示しています。数字の大きさと、実用の水準は別に考える必要があります。

「推定」収率とベンチスケールの違い

論文は、高スループット実験の数字を「mean estimated product yield（平均推定収率）」と呼んでいます。微量で多数の反応を回す方式のため、一つひとつを丁寧に精製して量るのではなく、分析装置の信号などから見積もった値だからです。

これに対し、ベンチスケールの確認は、より大きな量で行う追試です。代表的な14組の基質ペアのうち、TEMPOの効果が確認されたのは11組でした。残りの3組について、要旨は改善に触れていません。つまり、効果は「ほぼ全部」ではなく、基質ペアによって出方が違う、と読むのが正確です。

AI創薬の現在地——主要プレイヤーとの比較

同じ反応を扱った先行データとの比較

この記事で比較できるのは、論文が実際に引用している先行データです。論文は、Gandhi、Brown、Doyleらが生成した3,904件の高スループットデータセットを、一級スルホンアミドのChan–Lam窒素アリール化に有効な条件を探した先行研究として挙げ、その結果を今回の出発点となる条件づくりに使ったと書いています（論文（プレプリント）、2026年10月12日確認）。

比較項目	先行研究（論文が引用）	今回のスクリーニング
反応の件数	3,904件	10,080件（5,088件と4,992件の2回）
論文が書く位置づけ	有効な条件を探した高スループットデータセット	著者らの知る限り、Chan–Lamで報告された最大の高スループットスクリーニング
今回の役割	出発点の条件を決める材料	酸化剤の種類や量、銅、塩基、溶媒、温度などを系統的に評価

件数は大きく増えていますが、論文の「最大」という表現は著者ら自身の評価です。ここでは、同じ反応を扱った実験の規模の違いとして読むにとどめます。

他社のAI創薬との優劣は、この発表から言えるか

この発表だけで、AI創薬を手がけるほかの企業との優劣を述べることはできません。比較が意味を持つのは、同じ課題・同じ指標・同じ条件で公開された数字がそろったときだけです。

今回の資料が扱うのは、一つの反応の収率改善です。創薬企業の評価で使われる、候補化合物の数や開発の進み具合といった別の物差しとは、並べて比べられません。見出しの「現在地」は、この実験が創薬全体のどこにあたるかを、次の章で位置づける意味で使っています。

創薬の工程のどこに位置づくか——合成段階の改善

創薬の工程の中でこの実験が扱ったのは、候補となる分子を実際に作るときの反応条件の改善であり、標的の選定や動物・ヒトでの評価といった工程は、確認した資料では対象になっていません。

工程ごとの関係

医薬品の研究開発は、標的の選定、候補分子の設計、合成、評価という流れで進むと説明されるのが一般的です。次の表は、この流れの五つの段階と、今回の資料との関係を整理したものです。

段階	今回の資料との関係
標的の選定	確認した資料に記載なし
候補分子の設計	確認した資料に記載なし
候補分子の合成（反応条件の改善）	今回の実験の対象。一級スルホンアミドのChan–Lamカップリング
実験室での活性・安全性の評価	確認した資料に記載なし
動物・ヒトでの試験	確認した資料に記載なし

合成の改善が意味を持つ場面

一級スルホンアミドは医薬品化学で価値のある構造だと論文は書いています。その構造をもつ分子をつなぐ反応で収率が上がれば、同じ原料から得られる量が増えたり、条件の探索にかかる手間が減ったりする可能性があります。

論文は、TEMPOの効果が銅の量を2.5〜10モル%に減らした条件でも保たれたこと、そして4-ヒドロキシTEMPO（TEMPOL）でもTEMPOと同程度の性能が得られたことを報告しています。TEMPOLはプラスチック産業で広く使われ、規模によってはTEMPOよりかなり安価で、水で洗い流しやすいため、工業規模での応用の可能性があるとしています（論文（プレプリント）、2026年10月12日確認）。

あくまで「可能性」という書き方で、実際に工業規模で導入されたとは書かれていません。

GPT-5.4というモデル名をどう読むか——発表当時のモデルと現行モデル

GPT-5.4は、この実験で使われたモデルとしてMolecule.oneのページに書かれている名称であり、いま選べるOpenAIのモデル名と同じものとして扱わず、公式のモデル案内で別に確認する必要があります（Molecule.one公式サイト）。

2026年10月11日時点の現行モデルとの関係

当サイトが2026年10月11日に確認したOpenAI公式のモデル案内（Using the latest model）には、GPT-5.6 Sol・GPT-5.6 Terra・GPT-5.6 Lunaが掲載されていました。GPT-5.4は、この確認範囲の一覧には含まれていません。

このことは、GPT-5.4が使えない、あるいは提供が終了したという意味ではありません。確認できたのは「この案内ページに載っている現行モデルの中にはない」という点だけです。提供状況は、OpenAIの公式ページで個別に確認してください。

モデルの終了日や置き換え先の調べ方は、OpenAIのモデル提供終了の仕組みと確認手順をまとめた記事で整理しています。現行モデルの一つについては、GPT-5.6 Terraの仕様とAPI料金をまとめた記事も参考になります。

「当時のモデルでの結果」として読む

実験の結果は、発表当時のモデルと、Maria AI、Maria Labという構成のもとで得られたものです。別のモデルに入れ替えたら同じ結果になるのか、より新しいモデルならさらに良くなるのかは、確認した資料に書かれていません。

モデル名が付いた発表を読むときは、「その時点のそのモデルでの結果」と読み、現行モデルの性能として引用しないことが、誤解を避ける基本です。

自分の環境で同じことをやれるのか

Molecule.oneの説明では、実験はMaria Labというマイクロリットル規模の専用ラボで実行されています（Molecule.one公式サイト、2026年10月12日確認）。そのため、ChatGPTなどの対話型サービスに同じ質問を入れても、同じ実験が行われるわけではありません。

AIが提案しても、それを確かめる実験設備と評価の仕組みがなければ、結果は得られません。この発表の価値は、AIの出力そのものよりも、AIと実験設備を組み合わせた一連の流れにあります。

限界と読むときの注意——論文自身が書いていること

論文は、TEMPOが効く仕組みは確定しておらず追加の機構研究が必要だと述べ、効果も基質によって大きく異なると書いているため、この結果を「どのスルホンアミドにも効く方法」と読むことはできません（論文（プレプリント））。

仕組みは仮説の段階

論文は、TEMPOが酸化的脱ホウ素の生成物の推定収率を下げたことから、TEMPOの効果はボロン酸由来の分解を抑えることにあるのかもしれない、と述べています。そのうえで、この仮説を確かめるには機構の研究がさらに必要だと明記しています（論文（プレプリント）、2026年10月12日確認）。

効果は基質によって異なる

結論部で論文は、最適条件が複数の基質のクラスで有効だったとしつつ、効果は基質への依存性が強いと書いています。電子不足のボロン酸では、高スループットとベンチスケールの両方で一貫した改善が見られたとも述べています。

つまり、「平均で良くなった」ことと、「あなたの手元の基質でも良くなる」ことは別の話です。個別の反応に使うなら、その基質での確認が前提になります。

スケールと査読の状況

高スループット実験はマイクロスケールで、実際の製造規模とは大きさが異なります。論文が工業規模への応用に触れているのは「可能性」としてです。

また、Molecule.oneのページは、この論文を「Preprint」としてリンクしています。プレプリントは、査読を受ける前の論文として公開される形式です。査読を経た論文として掲載されたかどうかは、確認した資料からは分かりません。

AIの寄与は、この数字だけでは測れない

論文（プレプリント）が示す16.6%から25.2%への改善は、TEMPOという添加剤を使った条件と、使わない条件の比較です。AIを使わずに同じ条件にたどり着けたのか、AIがどの程度早く到達したのか、といったAIの寄与を測る比較は、論文（プレプリント）を含む確認した資料には書かれていません。「AIが収率を改善した」と短くまとめると、この違いが見えなくなります。

読者の立場別——何を確認し、何を判断に使うか

立場によって、この発表から確認すべき点は異なり、化学の研究者は条件と基質の範囲を、企業の事業担当者は実験設備の前提を、AIを仕事で使う人は役割分担の書き方を見るのが現実的です。

立場別に見るポイント

立場	まず確認すること	判断に使える範囲
化学の研究者	論文の基質の範囲、条件（TEMPO 2当量・酢酸銅(II)20モル%）、ベンチスケールの結果	自分の基質に近い例があれば、追試を検討する材料になる
企業の事業担当者	Maria Labのような設備が前提かどうか、提携の窓口	社内の検討に使えるのは「AIと実験設備の組み合わせが報告された」という事実まで
AIを仕事に使う人	誰が何を担ったのかの書き方、モデル名と時期	自分の業務にそのまま当てはめず、発想の参考にとどめる

共有メモの書き方（仮の例）

ここでは、化学系の会社で、この発表を社内に共有する担当者を想定した「仮の例」を示します。実在の会社や人物ではなく、書き方の見本です。

メモの冒頭には、論文（プレプリント）の内容を、事実を三つに分けて書きます。「何が報告されたか」には、一級スルホンアミドのChan–Lamカップリングで、TEMPO 2当量・酢酸銅(II)20モル%の条件により、10,080件の微量反応の平均推定収率が16.6%から25.2%に上がったこと。「どの範囲か」には、効果は基質によって異なり、ベンチスケールでは代表的な14組のうち11組で確認されたこと。「分かっていないこと」には、作用の仕組みの確定、人間の関与の範囲、独立した追試の有無を書きます。

そのうえで、社内で次に行うことを一つだけ決めます。たとえば「自社で扱う基質が、論文の基質の範囲に入っているかを化学担当が確認する」といった、検証できる小さな行動です。「AIが化学を変える」といった大きな主張は、メモに書かないほうが、読んだ人が判断しやすくなります。

医療・創薬の話題は、人の役割と合わせて読む

AIと医療・生命科学の発表は、人間の専門家が何を担ったかまで読むと、見出しの印象とのずれに気づきやすくなります。OpenAIが小児の希少疾患の症例を再解析した研究については、小児の未解決症例の再解析とその読み方を整理した記事で、数字が何を数えたものかを確認しています。

また、生命科学向けの評価の仕組みについては、生命科学AIの評価ベンチマークLifeSciBenchを解説した記事があります。いずれも、本記事の実験とは別の発表です。

AI関連の発表を読むときの五つの確認

AI関連の発表を読むときの五つの確認とは、発表元、数字の分母、比較の相手、AIと人間の役割、モデル名と時期の五つで、今回の発表にも当てはめることができます。

ここまでの内容を、今後ほかの発表を読むときにも使えるように、五つの確認にまとめます。

1. 発表元と共著者を見る。今回は、Molecule.oneとOpenAIの両方の研究者が論文の著者に入っている
2. 数字の分母を確かめる（論文（プレプリント））。今回の10,080件は1回目5,088件と2回目4,992件の合計で、16.6%と25.2%は平均推定収率
3. 比較の相手を確かめる。今回の比較相手は、酸化剤なしの対照条件
4. AIと人間の役割の書き方を確かめる。今回は、サイトにAIが担った範囲の記述があり、人間の関与の具体的な範囲は確認した資料にない
5. モデル名と時期を確かめる。今回のGPT-5.4は発表当時のモデルとして読み、現行モデルとは分けて扱う

五つのうち、一つでも確認できない項目があれば、その部分は断定せず「資料に書かれていない」と整理しておくと、後から訂正する場面が減ります。

よくある質問

Q1. この実験でAIは新薬を見つけたのですか？

いいえ。資料が扱っているのは、医薬品化学で使われる一つの反応の収率改善です。新しい薬の候補を発見した、あるいは臨床試験に進んだという内容は、確認した論文（プレプリント）には書かれていません（論文）。

Q2. 「準自律」は、人間が関わっていないという意味ですか？

そうは読めません。Molecule.oneのページは「near-autonomous」と表現しており、完全な自律とは書いていません。人間の関与の具体的な範囲は、確認したサイトと論文の本文には整理されていないため、OpenAIの発表ページで確認してください。

Q3. 平均推定収率25.2%は、高い数字なのですか？

数字だけでは高低を判断できません。論文は、一級スルホンアミドを難しい基質として扱っており、その平均が16.6%から25.2%に上がったと報告しています。実用の水準は、反応の目的や基質によって異なります。

Q4. TEMPOとは何ですか？

論文によると、穏やかで保存しやすいラジカル系の酸化剤です。今回の実験では、2当量を酢酸銅(II)20モル%と一緒に使う条件が最適とされました。作用の仕組みは、論文の時点では確定していません。

Q5. GPT-5.4は、いまも使えますか？

この記事では判断できません。確認したのは、2026年10月11日時点のOpenAIのモデル案内（Using the latest model）に、GPT-5.4が載っていなかったという点だけです。提供状況は、公式ページでご確認ください。

Q6. 一般の人や企業は、Maria Labのような仕組みを使えますか？

確認した資料には、提供形態や料金は書かれていません。Molecule.oneのサイトには、Research PartnershipsとContactのページがあります（Molecule.one公式サイト）。詳細は同社に問い合わせてください。

Q7. この結果は、第三者に再現されていますか？

論文は、ベンチスケールで14組の代表的な基質ペアを検証し、11組で効果を確認したと報告しています。ただし、別の研究グループによる独立した再現は、確認した資料には書かれていません。

用語集

用語	説明
高スループット実験（HTE）	微量の反応を多数同時に行い、条件の効果を一度に調べる方式。今回はマイクロリットル規模
Chan–Lamカップリング	銅触媒を使い、ボロン酸などと、N–H・O–H・S–Hをもつ相手を結びつけてC–N・C–O・C–S結合をつくる反応
一級スルホンアミド	R–SO₂NH₂の形をもつ構造。論文は医薬品化学で価値があるが、この反応では難しい相手だとしている
ボロン酸	ホウ素を含む化合物。Chan–Lamカップリングで、結びつける相手の一方として使われる
酸化的脱ホウ素	ボロン酸の炭素とホウ素の結合が酸化で切れ、フェノール類ができる副反応
TEMPO／TEMPOL	穏やかなラジカル系の酸化剤。TEMPOLは4-ヒドロキシ体で、論文では同程度の性能を示した類縁体
基質	反応の相手となる出発物質。今回はスルホンアミドとボロン酸の組み合わせ
収率	理論上得られる量に対する、実際に得られた量の割合
プレプリント	査読を受ける前の論文として公開される形式

まとめ

OpenAIとMolecule.oneの発表は、AIと自動化されたラボを組み合わせて、一つの反応の改善に取り組んだ報告です。論文（プレプリント）によると、10,080件の微量反応で、平均推定収率は16.6%から25.2%に上がりました。

• この発表は、新薬の発見ではなく、一級スルホンアミドのChan–Lamカップリングの収率改善を扱っている
• 「準自律」は、Molecule.oneのページの表現で、人間の関与の具体的な範囲は確認した資料に整理されていない
• GPT-5.4は発表当時のモデル名で、いまのモデル案内の現行モデルとは分けて読む
• TEMPOの作用の仕組みは確定しておらず、効果は基質によって異なる
• 独立した再現と査読の状況は、確認した資料からは分からない

AIの発表は、見出しが大きくなりがちです。数字の分母、比較の相手、人間とAIの分担、モデル名と時期の四つを確かめるだけでも、読み取れることの範囲がはっきりします。更新される可能性があるため、最終的な判断は、Molecule.one公式サイト、OpenAIの発表ページ、論文（プレプリント）の原文で行ってください。

※本記事は、2026年10月12日に確認した公開資料にもとづいています。モデルの提供状況や各社の発表内容は変更される場合があります。現在の状況はOpenAIとMolecule.oneの公式ページでご確認ください。