Anthropicが2026年6月9日にClaude Fable 5を発表した際、彼らはこのモデルをテストしたほぼすべてのベンチマークで「最先端」と評しました。もしあなたが各評価の具体的な数値とともにクリーンなClaude Fable 5のベンチマークを探しているなら、正直な注意点があります。Anthropicの発表では、完全な数値スコアボードよりもベンチマークの「順位」（Fable 5が他のフロンティアモデルと比べてどの位置にいるか）が多く報告されており、主要なチャートのいくつかはコピー＆ペースト可能な表ではなく画像として提供されました。そのため、このまとめでは、その順位が実際に何を意味するのか、Fable 5がどこに位置するのか、そしてご自身で管理したい数値が必要な場合に独自の迅速な評価をどのように実行できるかに焦点を当てます。現在のフロンティアモデルのより広範な比較については、Opus 4.8とGPT-5.5、Gemini 3.5の比較が役立つ補足情報となります。
Fable 5は、モデルID claude-fable-5として、入力トークン100万あたり10ドル、出力トークン100万あたり50ドルで提供されます。機能と価格の両面でOpus 4.8の一つ上のティアに位置し、Anthropicはこれをソフトウェアエンジニアリング、ナレッジワーク、ビジョン、科学研究において最も強力な公開済みClaudeとして位置付けています。
要約
Claude Fable 5は、FrontierCodeとFrontierBench（いずれもCognition製）の両方でフロンティアモデルの中で1位にランクされ、CursorBenchでは最先端であり、HebbiaのFinance Benchmarkで最高のスコアを記録しています。長期間にわたる自律的な作業において明確な強みを示しています。Anthropicはこれらを順位として報告したため、正確な公開スコアは限られています。これらのランキングは方向性を示すものであり、最終的なものではないと理解してください。
見出しとなる結果
Claude Fable 5のベンチマークに関する議論を特徴づける一文は、Anthropicがこのモデルを、実行したほぼすべてのベンチマーク（ソフトウェアエンジニアリング、ナレッジワーク、ビジョン、科学研究を含む）で「最先端」と表現していることです。これは広範な主張であり、広範な主張は慎重に読むべきです。
「ほぼすべてのベンチマークで最先端」とは、Anthropicが報告することを選択したほとんどの評価において、Fable 5がリーダーボードのトップに立つか、トップティアに位置することを意味します。これは、Fable 5があらゆるテストで大差をつけて勝利することを意味するものではなく、独立した研究機関が各結果を再現したことを意味するものでもありません。これは一貫性を示唆しています。つまり、コーディングでは最高クラスだが文書推論では平凡なモデルでは、この表現は得られないでしょう。Fable 5は、通常は互いにトレードオフの関係にあるカテゴリ全体でトップの座を維持しているようです。
その広範さは、どの単一のチャートよりも重要です。多くのモデルはお気に入りのベンチマークで急上昇し、他の場所では低迷します。コーディング、金融、ビジョン、科学の各分野で常にトップ近くに留まるモデルは、偽装がより困難です。なぜなら、真の能力がなければ、無関係な4つのスキルを同時に調整することはできないからです。Fable 5がより安価なティアからの乗り換えに値するかどうかを判断する場合、その順位の広範さが考慮すべき点です。モデル自体の詳細な入門書については、Claude Fable 5とは何かをご覧ください。
結果には第二のテーマとして、「長期間にわたる作業」が通底しています。Anthropicは、Fable 5が「長期間にわたるタスクで数百万のトークンにわたって集中を維持する」と述べ、これまでのどのClaudeよりも長く自律的に作業できるとしています。以下の順位のいくつかは、単一ショットの精度テストではありません。それらは、何千ものステップにわたって計画を維持し、逸脱することなく実行できるモデルに報酬を与えます。これがFable 5の報告されているリードが最も広範な領域であり、単一の数値で捉えるのが最も難しい能力でもあります。
コーディングベンチマーク：FrontierCodeとCursorBench
コーディングは、Fable 5のベンチマークストーリーが最も強力で具体的な分野です。
DevinコーディングエージェントのチームであるCognitionによるコーディング評価、FrontierCodeにおいて、AnthropicはFable 5がフロンティアモデルの中で最も高いスコアを記録し、それが「中程度の労力」でも維持されると報告しています。「労力」という修飾語は一考の価値があります。多くのフロンティアモデルは、より多くの推論計算（より多くの推論トークン、より多くの試行、より高い労力設定）を費やすことで、より高い精度に達することができます。中程度の労力でもすでにリードしているモデルは、最も高価な設定なしでトップに達しており、これは最大限の費用をかけた場合にのみ現れる数値よりも、日常的な使用におけるより良い指標となります。
CursorBenchでは、AnthropicはFable 5を最先端と表現し、結果を単一の精度数値ではなく範囲で捉えています。発表文のフレーズは、Fable 5が以前のモデルでは「手の届かなかった、長期間にわたる問題のクラスを切り開いた」というものです。CursorBenchは、実際のコードベースが要求するマルチファイル、マルチステップのエンジニアリング作業に傾倒しているため、ここでの最先端の順位は、単独の関数作成よりもエージェント的なコーディングを示唆しています。
どちらの結果も同じ方向を指しています。Fable 5はスニペット補完ではなく、持続的なエンジニアリングのために構築されています。もしあなたが一日中、ファイルの計画、編集、テストの実行、反復を行うコーディングエージェントを使用しているなら、これらはあなたのワークフローにマッピングされるベンチマークです。中程度の労力でFrontierCodeのトップに立ち、CursorBenchを新たな領域に押し上げるモデルは、数回のターンで崩れることなく、長時間のエージェントセッションに耐えるはずです。
知識と金融：Finance Benchmark (Hebbia)
コーディング以外で最も明確な知識労働の結果は、文書量の多い金融および法律業務にAIを特化している企業Hebbiaによって構築されたFinance Benchmarkから得られています。
Anthropicは、Fable 5がこのベンチマークでどのモデルよりも高いスコアを記録し、特に文書推論、チャート、表の3つの領域で集中した向上が見られると報告しています。この組み合わせは示唆に富んでいます。金融分析は、めったに豆知識クイズではありません。それは、長い提出書類を読み、数ページにわたる数値を追跡し、チャートを記述するテキストと照合し、列を誤読することなく、密な表から正しいセルを抽出することです。これらはまさにFinance Benchmarkが重視するスキルであり、散文には強いが構造化データには弱いモデルがつまずく点です。
ここでもビジョンの側面が重要です。チャートや表はしばしば画像や複合レイアウトであるため、Finance Benchmarkの高いスコアは部分的にビジョンの結果でもあります。これは、Fable 5がビジョンに強いというAnthropicのより広範な主張と一致し、このモデルが、クリーンなテキストのみの入力ではなく、知識労働者が扱う乱雑な現実世界のドキュメントを処理できることを示唆しています。
開発者にとっての実用的な解釈は、Fable 5が文書抽出パイプライン、金融分析ツール、および入力が整然としたJSONペイロードではなく、数字でいっぱいのPDFであるあらゆるワークフローの候補となるということです。もしあなたの製品が契約書、明細書、またはレポートを読み込み、数字について正確でなければならない場合、これは注目すべき配置です。ベンチマークがあなたの結果を予測すると信頼する前に、ご自身の文書で検証してください。
長期的推論：FrontierBench (Cognition)
Cognitionによる2つ目の評価であるFrontierBenchは、自律性のストーリーがベンチマークの順位に現れる場所です。AnthropicはFable 5がFrontierBenchで最も高いスコアを獲得したモデルであると報告しており、その理由として長期間にわたる推論を挙げています。
長期間にわたる推論とは、多くのステップ、多くのトークン、多くの途切れる可能性のある長いタスクを通じて、目標と計画の一貫性を保つ能力です。ほとんどのベンチマークは、完結した質問に対する正しい答えに報います。Anthropicの枠組みによると、FrontierBenchは、コンテキストウィンドウが自身の途中作業で埋まっていく間も、タスクに集中し続けられるモデルに報います。これは別の能力であり、Anthropicが「数百万のトークンにわたって集中を維持する」といったフレーズで繰り返し言及しているものです。
これはまた、外部から検証するのが最も難しい順位でもあります。正確に言えば、測定が困難だからです。長期間にわたる評価では、「タスクに集中し続ける」とは何を意味するのか、部分的な進捗がどのようにスコアリングされるのか、そしてモデルが stalling によってメトリックを欺くのをどのように防ぐのかを定義する必要があります。したがって、FrontierBenchの順位は、Fable 5が自律的な長時間実行エージェントのために構築されているという強力な方向性を示すものとして扱い、長期間にわたるスコアリングは、方法論が研究機関間でまだ異なる進化中の分野であることを念頭に置いてください。CursorBenchと合わせて考えると、ストーリーは一貫しています。Fable 5の優位性は、難しい質問に一つ答えることよりも、長期間にわたって破綻しないことにあるのです。
ベンチマークを超えた実世界での性能
ベンチマークは代理指標です。Anthropicが実際のデプロイから強調した2つの結果は、モデルがテストに合格するだけでなく、実際に仕事をこなす様子を示しているため、どのリーダーボードよりも示唆に富んでいると言えるでしょう。
1つ目は、Stripeのコードベース移行です。Anthropicは、Fable 5がStripeの5,000万行のRubyコードベースを1日で移行したと報告しています。この作業は、チームが2ヶ月以上かかると見積もっていたものです。これを注意深く読んでください。5,000万行の移行はコーディングパズルではありません。それは、何千ものファイルにわたる、広範囲で反復的で、コンテキストに依存する骨の折れる作業であり、小さな不整合がビルドの失敗につながります。このシグナルは、Fable 5が賢いということではありません。それは、ベンチマークが示唆する長期的な能力、すなわち、本物のプロダクションシステムで示された、途方もない規模で正確かつ一貫した編集を、逸脱することなく持続できるということです。
2つ目は、Slay the Spireのテストです。Slay the Spireはデッキ構築型ローグライクゲームであり、Anthropicはコーディングではなくメモリを調査するためにこれを使用しました。永続的なファイルメモリを有効にすることで、Fable 5はOpus 4.8に対してゲームで3倍の改善を示しました。興味深いのはそのメカニズムです。この改善は、モデルがファイルにメモを書き込み、実行中にそれらを読み戻すことで、人間プレイヤーと同じように戦略を蓄積できるようにしたことから生まれました。これは、セッションごとにゼロから開始するのではなく、永続的なメモリを与えることでモデルが著しく向上することを示唆しています。
これらの結果がベンチマークでは語られない何を教えてくれるのでしょうか？2つのことです。第一に、規模の耐久性です。ベンチマークの質問は意図的に小規模であり、Stripeの結果は、標準的な評価では到達できない規模での振る舞いを示しています。第二に、メモリとツール使用が相乗効果をもたらすことです。Slay the Spireの結果は、モデルの生来のIQに関するものではなく、永続的な状態を持つ環境に接続されたときにモデルがどのように向上するかに関するものです。どちらもモデルが実際のシステムに組み込まれたときにのみ現れる特性であり、それがベンダー間で比較するのが難しい理由でもあります。もしあなたが、何時間も稼働し、独自のメモを保持するエージェントのためにFable 5を評価しているなら、これらのシグナルは単一の精度パーセンテージよりも重要です。
これらの結果をどう読み解くか
ただ褒め称えるだけのベンチマークのまとめは役に立ちません。順位と一緒に考慮すべき注意点がいくつかあります。
ベンチマークの所有者はパートナーです。FrontierCodeとFrontierBenchはCognitionから、Finance BenchmarkはHebbiaからです。これらは信頼できる組織であり、真剣な評価を構築しており、彼らの関与はプラス要因であって、危険信号ではありません。しかし、彼らは発表のストーリーにおけるパートナーでもあり、一方の当事者によって設計されたベンチマークは、その当事者が重視する能力に報いる傾向があります。だからといって結果が間違っているわけではありません。それは、それらを確定されたものとして扱う前に、独立した再現性を求めるべきだということです。MiniMax M3対Opus 4.7対GPT-5.5の比較のような中立的な比較と照らし合わせて、Anthropicのモデルが他のフレームワークと比較してどうであるかを確認してください。
「労力」設定が状況を変えます。FrontierCodeの結果は中程度の労力で報告されており、これは心強いことです。しかし、労力はこれらの評価全体で実際の変数です。異なる労力レベルで比較された2つのモデルは公平に比較されていませんし、労力設定なしで引用された数値は不完全です。オンラインでFable 5のスコアを見るときは、比較する前に、どのような労力と試行回数でそれが生成されたかを確認してください。
公開スコアは限られています。Anthropicの発表は順位に重点を置いており、詳細なチャートは画像として提供されたため、この記事では特定の評価について定性的に記述しています。二次的な情報源は数値を補完していますが、それらの数値は様々であり、すべてが主要な情報源にたどれるわけではないため、購入の決定の根拠とするべきではありません。CognitionとHebbiaが独自のリーダーボードを公開する際には、そちらを優先してください。
順位は差ではありません。「最高スコア」は順位を教えてくれますが、差は教えてくれません。モデルが1点差でリードすることもあれば、20点差でリードすることもありますが、両者はアップグレードが10ドル/50ドルの価格に見合うかどうかにおいて異なる意味を持ちます。基礎となるスコアがない場合、リードは実在するが定量化されていないものとして扱ってください。
これらは結果を無視する理由にはなりません。Fable 5がコーディング、金融、ビジョン、長期的な推論、StripeとSlay the Spireのデプロイメントにおいてリードしているという事実は、強力で一貫した全体像を示しています。これは、新しいモデルがどの企業のものであっても、導入する前にご自身のワークロードで検証すべき理由となります。モデル概要では、接続する前に現在のID、価格、コンテキスト制限を確認できます。
Apidogで独自のベンチマークを実行する
最も信頼できるベンチマークは、あなたのプロンプトと「良い」の定義を使用するものです。有用な結果を得るために研究用ハーネスは必要ありません。軽量なDIY評価を構築するには、固定されたテストプロンプトをFable 5 APIに送信し、その応答をOpus 4.8の応答と、出力品質、遅延、トークンコストという直接測定可能な3つの軸で比較します。
以下は、APIのリクエストの設計、テスト、ドキュメント化のためのAPIプラットフォームであるApidogを使用してこれを行う簡単な方法です。アイデアは、Apidogで1つのリクエストを作成し、それを各モデルに送信し、応答、タイミング、トークン使用量を並行して読み取ることです。
ClaudeメッセージエンドポイントへのPOSTリクエストを設定し、Apidogで再利用可能なリクエストとして保存すると、何も再入力せずに再実行できます。
POST https://api.anthropic.com/v1/messages
x-api-key: {{ANTHROPIC_API_KEY}}
anthropic-version: 2023-06-01
content-type: application/json
固定されたタスクを含むボディを与えます。おもちゃのようなものではなく、実際の作業に似たプロンプトを選びましょう。移行スタイルの指示は、コーディングモデルにとって良いストレステストになります。
{
"model": "claude-fable-5",
"max_tokens": 2048,
"messages": [
{
"role": "user",
"content": "Refactor this Ruby method to use keyword arguments and add RSpec tests. Return only the updated code:\n\ndef charge(amount, currency, customer_id, idempotency_key)\n # ...\nend"
}
]
}
claude-fable-5に対して一度実行します。次に、リクエストを複製し、modelフィールドをclaude-opus-4-8に変更して、同じプロンプトを実行します。入力が同一であるため、出力の違いはモデルによるものであり、プロンプトによるものではありません。
次に、Apidogが各呼び出しに対して表示する3つのシグナルを読み取ります。
- 品質。ご自身の基準で両方の応答を目視で確認します。テストはエッジケースをカバーしていましたか？リファクタリングは正しく行われていましたか？どちらのモデルが何を生成したかを見る前に、両方を評価します。
- 遅延。Apidogは各リクエストの応答時間を表示します。インタラクティブなツールの場合、精度が2倍でも速度が4倍遅いモデルは、依然として間違った選択である可能性があります。
- トークンコスト。Claudeの応答には、
input_tokensとoutput_tokensを含むusageブロックが含まれます。公開されている料金（Fable 5の場合は100万トークンあたり10ドルと50ドル、Opus 4.8の場合は5ドルと25ドル）を乗算して、各回答の実際のコストを算出します。
実際の使用を反映する5〜10個のプロンプトでこれを繰り返し実行すると、公開リーダーボードではわからない、小さくて正直なベンチマークが得られます。それは、Fable 5の優位性が「あなたの」タスクにおいて、あなたが支払う意思のある価格で現れるかどうかです。Apidogをダウンロードすれば、数分でこれを設定できます。より詳細なコストの内訳については、弊社のFable 5の料金ガイドで計算が示されています。
button