Claude Opus 5 ベンチマーク：数値からわかる真の性能

Anthropicは2026年7月24日にClaude Opus 5をリリースし、圧倒的なベンチマーク結果を公表しました。ある評価ではOpus 4.8の2倍以上、別の評価では次点のモデルの3倍、さらに別の評価ではFable 5を1/3のコストで上回りました。

これらは間違っているわけではありません。しかし、他のベンダーの発表チャートを読むのと同じように、慎重に、何が測定されているか、何が省略されているかに注意を払って読むべきです。このガイドでは、公表されているすべてのOpus 5のベンチマーク主張を一つの表にまとめ、それぞれの数字が何を裏付け、何を裏付けないのかを説明し、Anthropic自身が自社のモデルに課した上限を挙げ、最後にApidogで自分で実行できる評価プランを紹介します。

ボタン

モデル自体（claude-opus-5、100万コンテキスト、最大出力128k、知識カットオフ2026年5月）については、Claude Opus 5とは何かから始めましょう。以下の主要な情報源は、AnthropicのClaude Opus 5発表記事です。

公表されているすべての主張を一つの表に

以下に、Anthropicが発表時に行ったベンチマークに関するすべての声明をまとめました。これらの多くはスコアとしてではなく、他のモデルとの相対的な関係として述べられているため、比較の列は結果の列と同じくらい重要です。

上記すべての情報源：Anthropicの発表記事とモデルドキュメント。本稿執筆時点で、これらの結果の再現を公表している第三者機関はありません。

個々の数字を読む前に、2つの点が目につきます。9つの項目の中で、絶対的なポイント変動を示しているのは2つだけです。そして、Anthropic自身が、新しい主力モデルが劣っている最後の2つの項目を提供しています。

比率の問題、そしてそれが重要な理由

4つの主張（Frontier-Bench、ARC-AGI 3、AutomationBench、そしてある程度はCursorBench）は、スコアではなく比率または差として述べられています。これは些細なことではなく、真の制約であり、その理由を具体的に説明する価値があります。

比率は分母を隠します。 ARC-AGI 3における「次点のモデルの約3倍」は、その分野がどのレベルにあるかによって意味合いが異なります。もし次点のモデルが8%のスコアであれば、3倍は24%となり、誰も解決に近づいていないベンチマークにおける実際の進歩を示します。もし次点のモデルが25%のスコアであれば、3倍は75%となり、全く異なる結果となります。どちらも「3倍」と正直に表現できますが、どちらが起きたのかは判断できず、Anthropicも言及していません。

スケールの下端では2倍にする方が簡単です。 Frontier-Bench v0.1での「Opus 4.8のスコアを2倍以上上回る」というのも同じ問題です。これまでの主力モデルが1桁台や10代前半のスコアだった難しく新しいベンチマークでは、2倍になっても、その表現が示唆するよりも絶対的な伸びは小さくなります。もし4.8がすでに40%を達成していたベンチマークであれば、2倍は並外れたことです。ここでバージョン文字列がヒントになります。v0.1は、公開された実績も、コミュニティでの再現も、確立された飽和点もないベンチマークです。

「次点のモデル」は特定されていません。 2つの主張では、Opus 5が特定されていない競合モデルと比較されています。その競合モデルはFable 5、Mythos 5、あるいは別の研究機関のモデルである可能性があります。比較対象によって比率の意味合いは決まりますが、それは開示されていません。

差分には単位が必要です。 CursorBench 3.2における「Fable 5のピークから0.5%以内」という表現は、それが0.5パーセンテージポイントなのか、それとも0.5%の相対的な差なのかを明記していません。また「ピーク」は、デフォルト設定ではなく、最適な設定での実行を示唆しています。コーディングベンチマークにおいて、デフォルトのeffort設定と最大設定の違いは些細なことではありません。私たちのFable 5ベンチマークの詳細記事では、そのモデル自体の数値がどのように構成されていたかを解説しています。

2つの科学分野の数値は、まさにこれらの問題を回避しているため、最も明確な主張です。有機化学で+10.2ポイント、タンパク質解析で+7.7ポイントという数値は、指定されたベースラインに対する絶対的な差分です。開始スコアは依然として分かりませんが、モデルがどれだけ進歩したかは正確に把握できます。

タスクあたりのコストに関する主張は設定に依存する

Anthropicの主張のうち3つは、性能とコストを組み合わせています。Frontier-Benchでのタスクあたりのコスト削減、OSWorld 2.0での1/3のコスト、CursorBench 3.2での半額です。

そのうち、公表されている価格が半分であることは検証可能であり、有効です。Opus 5は、入力トークン100万あたり5ドル、出力トークン100万あたり25ドルで、Opus 4.8と同一であり、Fable 5の10ドル/50ドルのちょうど半分です。これはAnthropicの価格ページに掲載されており、ベンチマークの結果とは全く関係ありません。キャッシュ書き込み、バッチレート、高速モードのプレミアムを含む完全な計算は、私たちのOpus 5料金内訳に記載されています。

*タスクあたりのコスト*は異なる量です。これは、実行が消費したトークン数に依存し、そのトークン数は、努力レベル、思考が有効だったかどうか、エージェントループが何回実行されたか、そしていくつのサブエージェントが生成されたかによって決まります。Anthropic自身のプロンプトガイドラインでは、Opus 5がOpus 4.8よりもデフォルトの応答が長くなり、サブエージェントへの委譲がより容易になり、タスクのスコープをより頻繁に拡大すると指摘しています。これら3つすべてが実際のワークロードでのトークン消費を増加させるため、タスクあたりのコストチャートのために調整された実行が、必ずしもあなたが展開する構成になるとは限りません。

これらのいずれも、コストに関する話が誤りであることを意味しません。提示価格が半分であることは紛れもない事実であり、私たちのOpus 5とFable 5の比較記事では、その差が実際にどこでメリットになるかを詳しく説明しています。つまり、タスクあたりのコスト比率は特定の設定によるものであり、あなたの場合は異なるということです。それを測定してください。

Anthropic自身が設定した上限

発表資料の中で最も有用な一文は、勝利ではないものです。Anthropicは、Opus 5がサイバーセキュリティ攻撃と自律生物学研究において、依然として**Mythos 5**に劣ると明言しています。Fable 5もまた、「最も能力の高い広範囲にリリースされたモデル」という称号を保持しています。

プレス報道ではこの点がほとんど触れられていないため、改めて述べる価値があります。Opus 5はClaudeスタックの頂点ではありません。正直な要約は、フロンティアクラスの能力をフロンティア価格の半分で提供し、その上に名前の挙げられた上限があるというものです。フロンティアセキュリティ研究や自律的な科学研究においては、ベンチマークの答えは依然としてMythosクラスであり、私たちのMythosクラスモデル解説記事とFable 5対Mythos 5の記事でカバーされています。

運用上の結果もあります。Anthropicは、Opus 5がサイバーカテゴリのリクエストを拒否した場合に自動的にOpus 4.8にフォールバックするfallbacks: "default"オプション（server-side-fallback-2026-07-01ベータヘッダーの背後）を提供しました。より厳格なサイバー拒否を持つモデルには回避策が必要であり、その回避策の存在は、チャートには示されていない何かを教えてくれます。

ベンチマークが全くカバーしていないこと

ベンチマークはタスクの完了度を測定します。製品でモデルが機能するかどうかを決定する以下のことは測定しません。

• 移行時の振る舞いの変化。 Opus 5は、プロンプトなしで自身の作業を検証します。もしあなたのプロンプトがOpus 4.8からの「回答を再確認する」という指示をまだ含んでいる場合、過剰な検証が行われ、トークンが無駄になります。AnthropicのOpus 5用プロンプトガイドでは、それらを削除するよう指示しています。
• 出力長。 デフォルトの応答や書面による成果物は、Opus 4.8よりも長くなります。努力レベルを下げると思考トークンは削減されますが、目に見える出力長は変わりません。簡潔さを明示的に要求する必要があります。
• 思考が無効化された場合の失敗モード。 thinking: {type: "disabled"}を使用すると、ツール呼び出しが実行されないプレーンテキストとして現れ、その後のエージェントループを阻害したり、内部のXMLタグが目に見える出力に漏洩したりすることがあります。ベンチマークチャートではこれらは示されません。
• 努力の再調整。 Opus 5では努力レベルが再調整されており、Anthropicは4.8の設定を引き継ぐのではなく、再評価するよう推奨しています。ある努力レベルでのベンチマーク結果は、別のレベルでのスループットについては何も語りません。努力パラメータガイドを参照してください。
• 遭遇する400エラー。 thinking: {type: "disabled"}をxhighまたはmaxの努力レベルと組み合わせると、リクエストごとに400エラーが返されます。これは機能ではなく移行の詳細であり、Opus 4.8からOpus 5への移行ガイドで説明されています。

実際に自分でテストすべきこと

ベンダーのベンチマークは初期の仮説です。以下に示すのは、午後に実行できるコンパクトな評価であり、上記のすべての数字を合わせたよりも、あなたのワークロードにおけるOpus 5について多くのことを教えてくれるでしょう。

1. 自身の履歴から小規模なタスクセットを構築する。 20から50の実際のタスクを用意します。完了したチケット、マージされたPR、モデルが処理するはずだったサポートスレッドなどです。実際の入力は、あなたの実際のフォーマット、曖昧さ、エッジケースを含むため、合成の入力よりも優れています。

2. 設定を固定し、記録する。 モデルIDは正確にclaude-opus-5とします。さらに、output_config.effortレベル、思考が有効か、max_tokensを記録します。固定されていない設定では、その後のすべての比較が無意味になります。

3. トークンあたりのコストではなく、解決されたタスクあたりのコストを評価する。 すべての応答のusageブロックを読み、タスクごとの入力、出力、キャッシュ読み取り、キャッシュ書き込みトークンを記録します。その後、合計費用を実際に受け入れチェックを通過したタスク数で割ります。これはAnthropicのチャートが主張している数値なので、再現すべき数値です。

4. 実際の努力レベルスイープを実行する。 low、medium、high、xhighの各レベルで同じタスクセットを実行します。再調整により、Opus 5ではlowとmediumが以前のOpusモデルよりも著しく強力になり、多くのワークロードでより安価なレベルでも同程度の頻度で合格するでしょう。高負荷時のmax_tokensにも注意してください。

5. シングルターンではなく、エージェントループをテストする。 ほとんどの発表ベンチマークはエージェント型です（OSWorld、CursorBench、AutomationBench）。シングルターンのスポットチェックではそれらを再現できません。実際のツールを接続し、複数ターンで実行し、結果だけでなくターン数も数えてください。

6. 同じタスクセットで既存のシステムと比較する。 現在使用しているシステムがOpus 4.8、Sonnet 5、またはその他のいずれであっても、全く同じハーネスで実行してください。あなた自身のデータに基づく相対的な結果は、他人の絶対的なスコアよりも価値があります。

7. 拒否を個別に記録する。 サイバー関連の作業では、4.8よりも頻繁に拒否が発生するでしょう。フォールバックヘッダーを組み込む価値があるかどうかを決定する前に、それらを数えてください。

以前の発表における比較方法については、私たちのSonnet 5ベンチマーク記事で同じ演習を詳しく説明しており、Opus 5 APIガイドにはリクエストの形式が記載されています。

Apidogで評価を実行する

上記の評価は、認証ヘッダー、JSONボディ、ストリーミング応答、そして呼び出しごとに読み取る必要があるusageブロックを含むHTTPリクエストの山です。これは通常のAPI作業であり、Apidogが対応しています。

実用的なセットアップ：

1. Anthropic Messagesエンドポイントに対して1つのリクエストを作成し、APIキーをボディに直接貼り付けるのではなく、環境変数として保存します。
2. そのリクエストを努力レベルごとに複製し、lowからxhighまで同じプロンプトを発行し、応答を並べて比較できるようにします。
3. ストリーミングをオンにし、目に見える回答が始まる前に思考トークンがどのように蓄積されるかを確認する必要がある場合は、SSEイベントを直接検査します。
4. 応答内のツール呼び出しペイロードを検査して、モデルがツール呼び出しを散文で説明するのではなく、実際に構造化されたツール呼び出しを発していることを確認します。これは、思考が無効化された場合に注意すべきアーティファクトです。
5. usageフィールドにアサーションを追加し、キャッシュヒットとトークン合計が目視ではなく、すべての実行でキャプチャされるようにします。
6. これらすべてをコレクションとして保存することで、次のモデル発表時にはモデルIDを交換するだけで済み、再構築する必要がなくなります。

ベースとなるリクエストは以下の通りです。

curl https://api.anthropic.com/v1/messages \
  --header "x-api-key: $ANTHROPIC_API_KEY" \
  --header "anthropic-version: 2023-06-01" \
  --header "content-type: application/json" \
  --data '{
    "model": "claude-opus-5",
    "max_tokens": 8192,
    "output_config": {"effort": "medium"},
    "messages": [
      {"role": "user", "content": "Fix the failing test in this diff."}
    ]
  }'

実行ごとに1つのフィールドを変更し、それ以外はすべて固定して、毎回usageブロックを記録します。環境とアサーションがすでに設定されている状態でこのパターンに従いたい場合は、Apidogをダウンロードしてください。

正直なまとめ

Opus 5のベンチマークに関する話は、確かに強力です。AnthropicがOpusシリーズのリリースで主張してきた中で、前身モデルからの最大の飛躍であり、定価は据え置きです。また、2026年7月25日現在、完全にベンダー主導で、再現されておらず、その多くは分母を隠した比率で述べられています。これら二つのことは同時に真実です。

このページの冒頭にある表を、Anthropicが自社のモデルについて立てた仮説として扱ってください。そして、あなた自身の数値を手に入れてください。発表チャートと実稼働ワークロードの間のギャップこそが、すべてのモデル移行が実際に決定される場所であり、Opus 5の主要ガイドでは、その他に変更された点をカバーしています。

ボタン

よくある質問

Claude Opus 5のベンチマークは独立して検証されていますか？ いいえ。2026年7月25日現在、公表されているすべてのOpus 5ベンチマーク結果はAnthropicによるものです。第三者機関や独立した評価者による再現は発表されていません。これらはベンダーが報告した数値として読んでください。

Opus 5の最大のベンチマーク主張は何ですか？ Frontier-Bench v0.1です。Anthropicは、Opus 5がOpus 4.8のスコアを2倍以上上回り、タスクあたりのコストも低いと主張しています。Anthropicは基礎となるスコアを公表せず、比率のみを報告しており、Frontier-Bench v0.1は実績のない新しいベンチマークです。

Claude Opus 5は最も能力の高いClaudeモデルですか？ いいえ。Fable 5は依然として「最も能力の高い広範囲にリリースされた」という称号を保持しており、AnthropicはOpus 5がサイバーセキュリティ攻撃と自律生物学研究においてMythos 5に依然として劣ると述べています。Opus 5の売りは、Fable 5の半分の価格でフロンティアクラスの能力を持つことであり、スタックの頂点ではありません。

Opus 5は科学タスクにおいてOpus 4.8よりもどの程度優れていますか？ Anthropicは、有機化学でOpus 4.8と比較して+10.2ポイント、タンパク質解析で+7.7ポイントの向上を報告しています。これらは比率ではなく絶対的な差分として述べられている2つの主張であり、ベースラインスコアは公表されていませんが、最も解釈しやすいものです。

Opus 5はFable 5を打ち負かしますか？ Anthropicの数値によると、OSWorld 2.0ではFable 5を1/3のコストで上回り、CursorBench 3.2ではFable 5のピークから0.5%以内に収まり、価格は半分です。Fable 5は依然として全体的な能力の称号を保持しています。完全な比較記事を参照してください。

自分で何をベンチマークすべきですか？ あなた自身のバックログから20〜50の実際のタスクについて、解決されたタスクあたりのコストを測定してください。複数の努力レベルで、実際のツールを接続し、複数ターンのループを有効にして実行します。現在実行しているシステムと全く同じハーネスで比較してください。