Anthropicは2026年9月1日、Claude Fable 5.1を発表しました。9つのテストでFable 5、Opus 5、GPT-5.6 Solと比較したベンチマーク表が公開されました。各メディアがこぞって報じた見出しはTerminal-Bench-Scienceで、Fable 5.1は52.6%を記録し、Fable 5の24.7%を上回りました。あまり報じられなかったのはCursorBenchで、ここではOpus 5との差は、価格が2倍のモデルに対して3.4ポイントでした。
このガイドでは、公開されているすべての数値を典拠とともに一箇所にまとめ、各ベンチマークが何を測定するのかを説明し、大きなギャップと小さなギャップを区別した上で、発表時の報道が見過ごした部分について解説します。それは、これらがすべてベンダーによる結果であること、両方が公開された唯一のエージェント的コーディングテストではMythos 5.1がFable 5.1を上回っていること、そして発表された表に対して正しい対応は独自の評価を実行することである、という点です。主な情報源はAnthropicの発表記事です。モデルの文脈はClaude Fable 5.1とは何かにあります。
全表
| ベンチマーク | 測定内容 | Fable 5.1 | Fable 5 | Opus 5 | GPT-5.6 Sol |
|---|---|---|---|---|---|
| Terminal-Bench-Science 0.1 | ターミナルでのエージェントによる科学研究 | 52.6% | 24.7% | 29.0% | 22.4% |
| Terminal-Bench 4.0 | ターミナルでのエージェントによるコーディング | 55.8% | 42.0% | 52.3% | 37.3% |
| GDPval-AA v2 | 経済的価値のある知識労働 (Elo) | 1853 | 1723 | 1824 | 1711 |
| OSWorld 2.0 (部分点) | 実際のデスクトップタスクにおけるコンピューター使用 | 77.9% | 72.9% | 75.4% | 未報告 |
| OSWorld 2.0 (厳密) | 同上、タスク完全完了のみ | 41.7% | 36.1% | 39.6% | 未報告 |
| 人類最後の試験 (ツールなし) | 専門家レベルの推論問題 | 60.9% | 57.8% | 56.6% | 未報告 |
| 人類最後の試験 (ツールあり) | 同上、検索とコードを使用 | 65.0% | 63.8% | 63.6% | 未報告 |
| AutomationBench | エンドツーエンドのビジネスワークフロー | 31.4% | 17.1% | 26.9% | 19.6% |
| CursorBench 3.2.0 | IDEスタイルのコーディングタスク | 73.4% | 70.5% | 70.0% | 67.2% |
Anthropicは、Mythos 5.1の数値も1つ公開しています。Terminal-Bench 4.0で60.9%です。VentureBeatは、最も難しいブラウザエージェントタスクにおいて、Fable 5.1のBrowserbaseの結果が82%であったのに対し、Opus 5が74%、Fable 5が57%であったことも報じています。この数値は発表記事ではなくプレス報道からのものであるため、それ相応の重み付けをしてください。
大きなギャップ
Terminal-Bench-Science 0.1: 52.6% vs 24.7% (Fable 5) および 29.0% (Opus 5)。これがその結果です。Fable 5.1は、科学ツールを備えたターミナルでモデルを動作させ、多段階の研究を実行させるベンチマークにおいて、その前身の2倍以上、Opus 5のほぼ2倍のスコアを記録しました。これは、Anthropicが掲げる「長期的問題解決」への注力が、測定可能な成果を生み出したことの最も明確な証拠です。これはバージョン0.1のベンチマークでもあり、タスクセットが新しく、成熟するにつれてスコアが変動する可能性が高いことを意味します。
AutomationBench: 31.4% vs 17.1% (Fable 5) および 26.9% (Opus 5)。これは、アプリケーションを横断するエンドツーエンドのビジネスワークフローのベンチマークで、絶対値はどれも低い結果です。Fable 5.1はここでFable 5のほぼ2倍のスコアを記録し、Opus 5を4.5ポイントリードしています。もしあなたの製品が複数のアプリケーションにまたがるビジネス業務を自動化するなら、この項目が重要です。
Terminal-Bench 4.0: 55.8% vs 42.0% (Fable 5)。エージェントによるコーディングにおいてFable 5を13.8ポイント上回っており、これはAnthropicの発表記事でコーディングセクションの冒頭に挙げられた数値です。Opus 5に対しては3.5ポイントのリードです。Opus 5はこのベンチマークで7月には既にFable 5を上回っていたため、エージェントによるコーディングにおけるFableティアのOpusティアに対する優位性が戻ってきましたが、6月よりも差は縮まっています。Opus 5のベンチマーク詳細に7月の数値が記載されています。
GDPval-AA v2: 1853 vs 1723 (Fable 5)。知識労働タスクにおいてFable 5より130 Eloポイント向上しており、Anthropicがドキュメント、スプレッドシート、スライドに関する主張で示しているベンチマークです。Opus 5に対する差は29 Eloで、これは小さいです。
小さなギャップ
CursorBench 3.2.0: 73.4% vs 70.5% (Fable 5) および 70.0% (Opus 5)。IDEスタイルのコーディングタスクです。どちらのモデルに対しても3ポイントの差です。これは、最も多くの開発者にとって最も重要なベンチマークであり、Fable 5.1のリードが最も薄い部分です。もしあなたのワークロードが「エディターでのアシスタンス」である場合、発表された表だけでは2倍の価格を正当化できません。
OSWorld 2.0: 77.9% / 41.7% vs 75.4% / 39.6% (Opus 5)。コンピューター使用。両方のスコアリングでOpus 5より2ポイント、Fable 5より5ポイント上回っています。これは現実的な差であり、劇的ではありません。厳密なスコアに注目してください。どのモデルでもタスクが完全に完了するのは半分以下です。コンピューター使用は依然としてフロンティア領域の最も弱い分野です。
人類最後の試験: 60.9% / 65.0% vs 56.6% / 63.6% (Opus 5)。ツールなしの場合、Opus 5に対して4.3ポイントのリードがあり、これは小さなギャップの中で最大です。ツールありの場合、検索とコード実行が条件を均一化するため、1.4ポイントに縮小します。ツールなしの数値は純粋な推論能力のより良い尺度であり、ツールありの数値はモデルがどのように使用されるかに近いものです。
Fable 5.1 対 GPT-5.6 Sol
Anthropicは、GPT-5.6 Solの列を含む4つの項目を公開しており、Fable 5.1はすべてでリードしています。Terminal-Bench-Scienceでは30.2ポイント、Terminal-Bench 4.0では18.5ポイント、AutomationBenchでは11.8ポイント、CursorBenchでは6.2ポイントです。GDPval-AAでは1853対1711を示しています。注意点が2つあります。これらはAnthropicが競合モデルで実行したものであり、GPT-5.6 Solの列がない5つの項目は、Anthropicが説明していない理由で欠落しています。弊社のGPT-5.6 Sol対Fable 5の比較では、以前の対決を取り上げましたが、これらの数値ではFable 5.1はFable 5が持っていたすべての差を広げています。
発表時の報道が見過ごした点
すべての数値はベンダーによる実行結果です。競合モデルの項目を含め、すべてAnthropicが実行したものであり、発表時点では独立した研究室による再現は行われていません。Anthropicのベンチマーク履歴は概ね信頼できますが、CursorBenchとOSWorldのギャップは小さいため、異なるハーネスやスコアリング方法によって結果が逆転する可能性があります。
Mythos 5.1が真の天井です。Anthropicのシステムカードと発表記事では、Fable 5.1とMythos 5.1は「セーフガードのレベルが異なるだけで同じモデル」であると述べており、Terminal-Bench 4.0ではFable 5.1の55.8%に対し、Mythos 5.1は60.9%と発表されています。この5ポイントの差は、エージェント的コーディングにおけるセーフガードのコストであり、「Anthropicが広くリリースした最も高性能なモデル」の上には、さらに優れた兄弟モデルが存在することを示しています。Mythos 5.1対Fable 5.1の比較では、誰がアクセスできるかについて解説しています。
Effort（努力レベル）は明記されていません。Anthropicのeffortに関するドキュメントには、Fable 5.1の性能向上はxhighとmaxで最大になると記されています。発表記事では、各スコアがどのeffortレベルで得られたのか、また比較モデルがどのeffortで実行されたのかは言及されていません。effortはこれらのモデルの品質を左右する主要なレバーであるため、数値を再現しようとする際にはこの省略が重要になります。
多言語性能は横ばいです。Anthropicは、多言語性能はFable 5と同等であり、改善されていないと述べています。もしあなたのワークロードが非英語である場合、発表された表は性能向上を過大評価していることになります。
セーフガードの数値は別の種類のベンチマークです。Anthropicは、良性リクエストに対する生物学関連の誤検出が85%減少し、Claude Codeセッションあたりのサイバー介入がFable 5と比較して約60%減少したと報告しています。これらはAnthropic自身のトラフィックで測定されており、外部では再現できませんが、拒否に遭遇したFable 5ユーザーにとっては、いかなる能力向上よりも重要かもしれません。
自分でテストすべきこと
発表された表は、どこを見るべきかを教えてくれます。あなたの評価は、移行すべきかどうかを教えてくれます。上記の項目に対応する4つのテストを挙げます。
- 自社製品における長期的なエージェントタスクを、Fable 5.1を
high、Opus 5をxhigh、Fable 5をhighで最後まで実行します。これはTerminal-Bench-ScienceとAutomationBenchのアナログであり、2倍の価格が妥当かどうかを判断する場所です。 - 最も難しいコーディングプロンプト10個を、Fable 5.1とOpus 5で同じeffortレベルで実行します。結果が同点であれば、CursorBenchの状況を再現したことになり、Opus 5が答えとなります。
- ルーティンタスクで、Fable 5.1単独で
lowからmaxまでのeffortスイープを行います。Anthropicの主張は、mediumがFable 5と同等であり、lowがタスクあたりのコストでOpus 5と競合するというものです。これを検証してください。 - 良性のセキュリティまたはライフサイエンス関連のプロンプトで、Fable 5対Fable 5.1の拒否回数をカウントします。これが60%と85%の主張であり、午後に検証できるものです。
上記4つすべてをApidogでリクエストとして構築し、modelとeffortを環境変数として設定します。stop_reasonと回答に期待される文字列の存在についてアサーションを追加し、モデルごとにコレクションを実行します。実行履歴により、新たなインフラなしで再現可能な評価テーブルが得られます。設定するにはApidogをダウンロードしてください。APIウォークスルーにはリクエストの形状が記載されています。
ベンチマークが意思決定にどうつながるか
- 長期的なエージェント、研究、自動化：ギャップは大きく、一貫しています。Fable 5.1がそのモデルであり、料金の内訳を見ると、キャッシュリードが安価なため、まさにこれらのワークロードでコストギャップが縮小することがわかります。
- IDEコーディング、知識Q&A、ツール支援推論：Opus 5とのギャップは1〜4ポイントです。Anthropic自身のルールが適用されます。つまり、より高いeffortで評価に失敗しない限りOpus 5を使い続けるべきです。Fable 5.1対Opus 5の比較で詳しく解説しています。
- Fable 5からの移行：すべての項目が改善され、価格は変わらず、偽陽性率が低下しました。Fable 5.1対Fable 5の比較では、移行コストについて解説しています。
よくある質問
Claude Fable 5.1の最高のベンチマーク結果は何ですか？ Terminal-Bench-Science 0.1で52.6%です。これはFable 5の24.7%の2倍以上であり、Opus 5の29.0%やGPT-5.6 Solの22.4%を上回っています。すべての数値はAnthropicのものです。
Fable 5.1とOpus 5のコーディング性能の比較はどうですか？ Anthropicの数値では、Terminal-Bench 4.0で55.8%対52.3%、CursorBench 3.2.0で73.4%対70.0%です。約3ポイントの現実的だがわずかなリードです。
Fable 5.1はGPT-5.6 Solより優れていますか？ Anthropicが両方を公開した4つのベンチマークでは、6〜30ポイント差で優れています。AnthropicがGPT-5.6 Solの数値を自身で実行しており、全9項目のうち5項目にはGPT-5.6 Solのデータがありません。
Fable 5.1のベンチマークは独立して検証されていますか？ 発表時点ではされていません。すべての数値はAnthropicが実行したものです。これらは、ご自身のワークロードでテストすべき主張として扱ってください。
Mythos 5.1のスコアはどうですか？ Anthropicは1つの数値を公開しました。Terminal-Bench 4.0で60.9%であり、Fable 5.1の55.8%より5ポイント高いです。この2つはセーフガードが異なるだけで同じモデルです。
これらのスコアはどのeffortレベルで得られましたか？ Anthropicは言及していません。ガイダンスによると、Fable 5.1の性能向上はxhighとmaxで最大になるため、高いeffortが使われたと仮定し、より低い設定ではスコアが下がると予想されます。