コレクション / Claude Fable 5.1

Claude Fable 5.1

Anthropic・🇺🇸 米国・最上位

推論・知識エージェント・業務自動化

Anthropic の上位ライン。Opus 5.5 は「ほとんどの作業で Fable 5.1 と同等」と Anthropic が説明。AA 指数 v4.3 では GPT-6 Astra と同率首位（53）。

$10入力 / 100万トークン

$50出力 / 100万トークン

1Mコンテキスト

—公開日

仕様の詳細

提供状況: Claude / Claude Platform（セーフガード付き）
API ID: —
最大出力: 要確認
価格の注記: Anthropic 公式の料金表で確認（2026-10-16）。キャッシュ書き $12.50（5分）、キャッシュ読み $0.25。バッチは入力 $5・出力 $25。
価格の確認: 公式ページで確認済み
最終確認日: 2026-10-16

ベンチマーク42件

自社発表（＊）を除く

ベンチマーク	結果	詳細
AA Intelligence Index v4.1.1総合指数	65.7
何を測る？ Artificial Analysis 総合指数の旧版（v4.1.1）。OpenAI の比較表がこの版の数値を掲載している。 v4.3 とは構成も難易度も違うので、v4.3 の数値と並べて比べないこと。測定条件・出典 65.7 — OpenAI（比較表に掲載）（最大effort）出典 ↗
AA Intelligence Index v4.3総合指数	53
何を測る？ Artificial Analysis が10種の評価（AA-Briefcase, GDPval-AA, AutomationBench-AA, Terminal-Bench 4.0, SciCode, HLE, GDP.pdf, CritPt, AA-Omniscience, AA-LCR）を重み付けして合成した総合指数。第三者が同じ手順で測る総合点。配点はエージェント30%・コーディング20%・一般30%・科学推論20%。指数の版（v4.1.1 / v4.3 など）が違う数値は比較できない。測定条件・出典 53 — Artificial Analysis（max（フォールバックあり））出典 ↗ 公式サイト ↗
CursorBench 4.0コーディング	51.8%＊
何を測る？実際の Cursor の利用セッション由来の、曖昧で複数ファイルにまたがるタスクでコーディングエージェントを評価する。現場の指示の曖昧さに近い評価。effort（思考量）の設定で値が大きく変わる。測定条件・出典 51.8%＊ — Anthropic（max）出典 ↗
DeepSWE v1.1コーディング	67.4%
何を測る？ソフトウェアエンジニアリングのエージェント評価（v1.1）。問題内容の詳細は各社の評価方法ページを参照。上位モデルは70%台で接近している。測定条件・出典 67.4% — OpenAI（比較表に掲載）（最大effort）出典 ↗
FrontierCode 1.1（Extended）コーディング	63.6%
何を測る？ FrontierCode 1.1 の拡張セット。 Main と同じ考え方で問題数を広げたもの。測定条件・出典 63.6% — OpenAI（比較表に掲載）（最大effort）出典 ↗
FrontierCode 1.1（Main）コーディング	50.3%＊ 50.9%
何を測る？エージェントのコード変更が「マージされるか」を測るコーディング評価（Mainセット）。単に動くかではなく、レビューを通る品質かを見る。プロンプトやハーネスの違いで数ptずれる。測定条件・出典 50.3%＊ — Anthropic（max）出典 ↗ 50.9% — OpenAI（比較表に掲載）（最大effort）出典 ↗
FrontierSWE v2コーディング	56.3%
何を測る？ Google の比較表で「エージェント型コーディング」に分類される評価。詳細は Google の評価方法ページを参照。測定条件・出典 56.3% — Google（比較表に掲載）出典 ↗
PostTrainBenchコーディング	40.2%
何を測る？ Google の比較表で「ML エンジニアリング」に分類される評価。詳細は Google の評価方法ページを参照。測定条件・出典 40.2% — Google（比較表に掲載）出典 ↗
Terminal-Bench 4.0コーディング	55.8%＊ 55.8% 52% 57.9%
何を測る？ターミナル上で、ソフトウェア・機械学習・科学・運用・セキュリティ・ハードウェア・メディアなど複雑な多段階作業をやり切れるかを測る評価。実際にコマンドを実行して作業を完了できるか。エージェントのハーネス（実行環境）や試行回数で結果が変わり、標準誤差は±2〜3pt程度。数pt差は誤差の範囲。測定条件・出典 55.8%＊ — Anthropic（max）出典 ↗ 55.8% — OpenAI（比較表に掲載）（最大effort）出典 ↗ 52% — Artificial Analysis（max（フォールバックあり））出典 ↗ 57.9% — Google（比較表に掲載）（Google の測定）出典 ↗ 公式サイト ↗
Vibe Code Benchコーディング	90.3%
何を測る？ Google の比較表で「エージェント型コーディング」に分類される評価。詳細は Google の評価方法ページを参照。上位は90%前後で飽和気味。測定条件・出典 90.3% — Google（比較表に掲載）出典 ↗
AutomationBenchエージェント・業務	31.4%＊ 31.4%
何を測る？ Zapier 作。複数の連携アプリをまたぐ実際の業務ワークフローをエージェントが遂行できるかを測る。業務自動化の実用度。ガードレール違反や安全装置の介入が失敗扱いになる設定だと、実運用より低く出る。測定条件・出典 31.4%＊ — Anthropic（Zapier 公開リーダーボード）出典 ↗ 31.4% — OpenAI（比較表に掲載）（最大effort）出典 ↗
AutomationBench-AA（完全達成率）エージェント・業務	32.1%
何を測る？ AutomationBench-AA で、全目的を達成しかつガードレール違反ゼロだったワークフローの割合。一部できたかではなく、完全に任せられるかの指標。Score より厳しい。測定条件・出典 32.1% — Artificial Analysis（max（フォールバックあり））出典 ↗
GDPval-AA v2.1エージェント・業務	1735 Elo
何を測る？ 44職種の実務タスクでエージェントを評価する。Artificial Analysis が Elo で算出。 Elo は対戦形式の相対評価で、差が大きいほど人間の評価者に選ばれやすい。絶対的な正答率ではない。測定条件・出典 1735 Elo — Artificial Analysis（Anthropic の表に掲載）（max）出典 ↗
Harvey Legal Agent Benchmarkエージェント・業務	6.7%
何を測る？法務業務を行うエージェントの評価（Harvey）。全体に低い値の難関評価。差は大きく見えるが母数・採点方法に注意。測定条件・出典 6.7% — Google（比較表に掲載）出典 ↗
Vals Finance Agent v2エージェント・業務	58.9%
何を測る？金融分野の業務を行うエージェントの評価（v2）。金融調査・分析の実務適性の目安。測定条件・出典 58.9% — Google（比較表に掲載）出典 ↗
Vals Indexエージェント・業務	65.8%
何を測る？ Google の比較表で「知識労働」に分類される総合指数。詳細は Google の評価方法ページを参照。測定条件・出典 65.8% — Google（比較表に掲載）出典 ↗
BenchCADPC・ブラウザ操作	84.3%
何を測る？ CAD（設計）タスクの評価。 OpenAI の脚注によると、Claude の数値は評価に3つの修正が加えられた条件。直接比較に注意。測定条件・出典 84.3% — OpenAI（比較表に掲載）（最大effort・Claude 側の評価に3つの修正あり）出典 ↗
OSWorld 2.1（部分点）PC・ブラウザ操作	80.7%＊
何を測る？ OSWorld の 2.1 版。Anthropic が部分点で報告。 2.0 とは版が違うため数値を直接比較できない。測定条件・出典 80.7%＊ — Anthropic（部分点）出典 ↗
ARC-AGI-1推論・知識	97.5%
何を測る？ ARC Prize の抽象推論パズル（第1版）。ほぼ飽和（97〜98%）で、差がつきにくい。測定条件・出典 97.5% — OpenAI（比較表に掲載）（最大effort）出典 ↗ 公式サイト ↗
ARC-AGI-2推論・知識	90%
何を測る？ ARC Prize の抽象推論パズル（第2版）。 1より難しい。90%前後で上位が接近。測定条件・出典 90% — OpenAI（比較表に掲載）（最大effort）出典 ↗ 公式サイト ↗
GPQA Diamond推論・知識	93.7%
何を測る？大学院レベルの生物・化学・物理の選択式問題（Diamond は高品質サブセット）。上位モデルは93〜96%で飽和気味。数ptの差は実力差より誤差・問題の癖に近い。測定条件・出典 93.7% — OpenAI（比較表に掲載）（最大effort）出典 ↗ 公式サイト ↗
Humanity's Last Exam（ツールあり）推論・知識	65.6%＊ 65%
何を測る？専門家が作った多分野の超難問集。ツール（検索・コード実行など）使用あり。ツールの有無で大きく変わる。ツールなしの値とは比較できない。測定条件・出典 65.6%＊ — Anthropic（ツールあり・max）出典 ↗ 65% — OpenAI（比較表に掲載）（最大effort・ツールあり）出典 ↗ 公式サイト ↗
FrontierMath Tier 4（v2）科学・数学	87.8%
何を測る？研究レベルの最難関数学問題（Tier 4）。 OpenAI は Astra で97.6%と報告。非常に難しい評価での高得点だが、自社報告である点に注意。測定条件・出典 87.8% — OpenAI（比較表に掲載）（最大effort）出典 ↗
HealthBench Professional（長さ補正）科学・数学	58.1%
何を測る？医療・健康分野の専門家向け評価。回答の長さによる有利不利を補正した値。医療判断の代替ではなく、モデル間の相対比較用。測定条件・出典 58.1% — OpenAI（比較表に掲載）（最大effort・Claude 側の評価に修正あり）出典 ↗
LABBench 2科学・数学	68.6%
何を測る？ Google の比較表で「科学・数学」に分類される評価。詳細は Google の評価方法ページを参照。測定条件・出典 68.6% — Google（比較表に掲載）出典 ↗
RiemannBench科学・数学	65.6%
何を測る？ Google の比較表で「科学・数学」に分類される評価。詳細は Google の評価方法ページを参照。測定条件・出典 65.6% — Google（比較表に掲載）出典 ↗
Terminal-Bench Science 0.1科学・数学	52.6%＊ 52.6%
何を測る？データ解析・シミュレーション・モデルのフィッティングなど、科学研究のワークフローをコードとターミナルで遂行できるかを測る。研究実務に近いエージェント評価。標準誤差が±3.5〜5ptと大きいため、近い値の優劣は断定できない。測定条件・出典 52.6%＊ — Anthropic（max）出典 ↗ 52.6% — OpenAI（比較表に掲載）（最大effort）出典 ↗
GraphWalks（〜128K・BFS F1）長文コンテキスト	91.4%
何を測る？長文脈内のグラフを幅優先探索（BFS）でたどるタスク（F1）。128Kトークンまで。長文の中で構造を追跡できるか。測定条件・出典 91.4% — Google（比較表に掲載）出典 ↗
GraphWalks（256K〜1M・BFS F1）長文コンテキスト	65%
何を測る？同上（256K〜1Mトークン）。超長文では Argon が大きくリード（Google 報告）。測定条件・出典 65% — Google（比較表に掲載）出典 ↗
Chartographyマルチモーダル	88.4%＊ 46.2%
何を測る？グラフ・図表の読み取り（視覚的チャート認識）。 Anthropic は「ツール使用あり」、Google は条件の記載なしで報告しており、値の直接比較は不可。測定条件・出典 88.4%＊ — Anthropic（ツールあり）出典 ↗ 46.2% — Google（比較表に掲載）（条件記載なし）出典 ↗
LVBenchマルチモーダル	79.7%
何を測る？長時間動画の理解を測る評価。動画入力の強さ。Google の比較表に掲載。測定条件・出典 79.7% — Google（比較表に掲載）出典 ↗
CWE-bench v1サイバーセキュリティ	58%
何を測る？ Google の比較表でサイバーセキュリティに分類される脆弱性（CWE）関連の評価。詳細は Google の評価方法ページを参照。測定条件・出典 58% — Google（比較表に掲載）出典 ↗
ExploitGymサイバーセキュリティ	30.4%
何を測る？既知の脆弱性を動くエクスプロイトに変換できるかを測る評価（OpenAI の説明）。セーフガードなしでの成功率。測定条件・出典 30.4% — OpenAI（比較表に掲載）（最大effort）出典 ↗
AA 1タスクあたりコストコスト	$7.63
何を測る？ Intelligence Index の評価1タスクあたりの加重平均コスト（入力・キャッシュ・推論・回答トークン価格から算出）。同じ知能点でもコストは大きく違う（例: 同スコア53でも Astra は Fable 5.1 より57%安い）。低いほど良い。測定条件・出典 $7.63 — Artificial Analysis（max（フォールバックあり））出典 ↗

＊＝開発元の自社発表。測定者・条件が違う値は同じ名前でも直接比較できません。ⓘ で条件を確認できます。

情報源（6）

公式・一次情報

Anthropic: Introducing Claude Opus 5.5 ↗ Anthropic・2026-09-22
Opus 5.5 は max effort（Terminal-Bench は xhigh）。本番セーフガード有効のため一部で不利。
OpenAI: GPT-6 Astra 発表（比較表・脚注） ↗ OpenAI
比較表の他社モデル数値は OpenAI が掲載したもの。各社最大 effort の値。
Google DeepMind: Gemini 4 Argon モデルカード ↗ Google DeepMind・2026-10-13
2026年10月時点。比較表の他社数値は Google が掲載したもの。
Claude Platform Docs: Context windows ↗ Anthropic
Claude Platform Docs: Pricing ↗ Anthropic

第三者の測定

Artificial Analysis: Intelligence Index v4.3 発表 ↗ Artificial Analysis・2026-09-07
2026-09-07 の発表時点の数値。最新値はリーダーボードを参照。

Fable 5.1 の前の版。

$10入力 / 100万トークン

$50出力 / 100万トークン

1Mコンテキスト

—公開日

仕様の詳細

提供状況: Claude / Claude Platform（セーフガード付き）
API ID: —
最大出力: 要確認
価格の注記: Anthropic 公式の料金表で確認（2026-10-16）。キャッシュ書き $12.50（5分）、キャッシュ読み $1。バッチは入力 $5・出力 $25。
価格の確認: 公式ページで確認済み
最終確認日: 2026-10-16

ベンチマーク20件

自社発表（＊）を除く

ベンチマーク	結果	詳細
AA Intelligence Index v4.1.1総合指数	62.1
何を測る？ Artificial Analysis 総合指数の旧版（v4.1.1）。OpenAI の比較表がこの版の数値を掲載している。 v4.3 とは構成も難易度も違うので、v4.3 の数値と並べて比べないこと。測定条件・出典 62.1 — OpenAI（比較表に掲載）（最大effort）出典 ↗
AA Intelligence Index v4.3総合指数	50
何を測る？ Artificial Analysis が10種の評価（AA-Briefcase, GDPval-AA, AutomationBench-AA, Terminal-Bench 4.0, SciCode, HLE, GDP.pdf, CritPt, AA-Omniscience, AA-LCR）を重み付けして合成した総合指数。第三者が同じ手順で測る総合点。配点はエージェント30%・コーディング20%・一般30%・科学推論20%。指数の版（v4.1.1 / v4.3 など）が違う数値は比較できない。測定条件・出典 50 — Artificial Analysis（フォールバックあり）出典 ↗ 公式サイト ↗
AA Coding Agent Index v1.4コーディング	67.2
何を測る？ Artificial Analysis が算出するコーディングエージェント向けの指数（OpenAI の比較表に掲載）。 AA 独自の合成指数。構成の詳細は AA の方法論ページを参照。測定条件・出典 67.2 — OpenAI（比較表に掲載）（最大effort）出典 ↗
DeepSWE v1.1コーディング	69.9%
何を測る？ソフトウェアエンジニアリングのエージェント評価（v1.1）。問題内容の詳細は各社の評価方法ページを参照。上位モデルは70%台で接近している。測定条件・出典 69.9% — OpenAI（比較表に掲載）（最大effort）出典 ↗
FrontierCode 1.1（Extended）コーディング	64.9%
何を測る？ FrontierCode 1.1 の拡張セット。 Main と同じ考え方で問題数を広げたもの。測定条件・出典 64.9% — OpenAI（比較表に掲載）（最大effort）出典 ↗
FrontierCode 1.1（Main）コーディング	53.5%
何を測る？エージェントのコード変更が「マージされるか」を測るコーディング評価（Mainセット）。単に動くかではなく、レビューを通る品質かを見る。プロンプトやハーネスの違いで数ptずれる。測定条件・出典 53.5% — OpenAI（比較表に掲載）（最大effort）出典 ↗
Terminal-Bench 4.0コーディング	44.5%
何を測る？ターミナル上で、ソフトウェア・機械学習・科学・運用・セキュリティ・ハードウェア・メディアなど複雑な多段階作業をやり切れるかを測る評価。実際にコマンドを実行して作業を完了できるか。エージェントのハーネス（実行環境）や試行回数で結果が変わり、標準誤差は±2〜3pt程度。数pt差は誤差の範囲。測定条件・出典 44.5% — OpenAI（比較表に掲載）（最大effort）出典 ↗ 公式サイト ↗
AutomationBenchエージェント・業務	17.4%
何を測る？ Zapier 作。複数の連携アプリをまたぐ実際の業務ワークフローをエージェントが遂行できるかを測る。業務自動化の実用度。ガードレール違反や安全装置の介入が失敗扱いになる設定だと、実運用より低く出る。測定条件・出典 17.4% — OpenAI（比較表に掲載）（最大effort）出典 ↗
Agents' Last ExamPC・ブラウザ操作	48.7%
何を測る？コンピュータ操作エージェントの合格率を測る評価。測定者によって値が大きく違う（OpenAI 59.3% / Google 34.2% など）。必ず測定者と条件を確認すること。測定条件・出典 48.7% — OpenAI（比較表に掲載）（最大effort）出典 ↗
BenchCADPC・ブラウザ操作	67.5%
何を測る？ CAD（設計）タスクの評価。 OpenAI の脚注によると、Claude の数値は評価に3つの修正が加えられた条件。直接比較に注意。測定条件・出典 67.5% — OpenAI（比較表に掲載）（最大effort・Claude 側の評価に3つの修正あり）出典 ↗
BrowseCompPC・ブラウザ操作	87.4%
何を測る？ウェブを調べて見つけにくい情報を探し出す能力を測るブラウジング評価。検索・閲覧を使った調査力。ツール構成で結果が変わる。測定条件・出典 87.4% — OpenAI（比較表に掲載）（最大effort）出典 ↗
ScreenSpot-Pro（ツールなし）PC・ブラウザ操作	87.3%
何を測る？高解像度のプロ向けソフトの画面で、指示された要素の位置を正しく特定できるか（GUIグラウンディング）。 PC操作エージェントの目の良さ。測定条件・出典 87.3% — OpenAI（比較表に掲載）（最大effort・ツールなし）出典 ↗
ARC-AGI-1推論・知識	98.5%
何を測る？ ARC Prize の抽象推論パズル（第1版）。ほぼ飽和（97〜98%）で、差がつきにくい。測定条件・出典 98.5% — OpenAI（比較表に掲載）（最大effort）出典 ↗ 公式サイト ↗
ARC-AGI-2推論・知識	89.2%
何を測る？ ARC Prize の抽象推論パズル（第2版）。 1より難しい。90%前後で上位が接近。測定条件・出典 89.2% — OpenAI（比較表に掲載）（最大effort）出典 ↗ 公式サイト ↗
GPQA Diamond推論・知識	92.6%
何を測る？大学院レベルの生物・化学・物理の選択式問題（Diamond は高品質サブセット）。上位モデルは93〜96%で飽和気味。数ptの差は実力差より誤差・問題の癖に近い。測定条件・出典 92.6% — OpenAI（比較表に掲載）（最大effort）出典 ↗ 公式サイト ↗
Humanity's Last Exam（ツールあり）推論・知識	63.8%
何を測る？専門家が作った多分野の超難問集。ツール（検索・コード実行など）使用あり。ツールの有無で大きく変わる。ツールなしの値とは比較できない。測定条件・出典 63.8% — OpenAI（比較表に掲載）（最大effort・ツールあり）出典 ↗ 公式サイト ↗
FrontierMath Tier 4（v2）科学・数学	90.2%
何を測る？研究レベルの最難関数学問題（Tier 4）。 OpenAI は Astra で97.6%と報告。非常に難しい評価での高得点だが、自社報告である点に注意。測定条件・出典 90.2% — OpenAI（比較表に掲載）（最大effort）出典 ↗
HealthBench Professional（長さ補正）科学・数学	60.9%
何を測る？医療・健康分野の専門家向け評価。回答の長さによる有利不利を補正した値。医療判断の代替ではなく、モデル間の相対比較用。測定条件・出典 60.9% — OpenAI（比較表に掲載）（最大effort・Claude 側の評価に修正あり）出典 ↗
Terminal-Bench Science 0.1科学・数学	21.4%
何を測る？データ解析・シミュレーション・モデルのフィッティングなど、科学研究のワークフローをコードとターミナルで遂行できるかを測る。研究実務に近いエージェント評価。標準誤差が±3.5〜5ptと大きいため、近い値の優劣は断定できない。測定条件・出典 21.4% — OpenAI（比較表に掲載）（最大effort）出典 ↗
ExploitGymサイバーセキュリティ	28.4%
何を測る？既知の脆弱性を動くエクスプロイトに変換できるかを測る評価（OpenAI の説明）。セーフガードなしでの成功率。測定条件・出典 28.4% — OpenAI（比較表に掲載）（最大effort）出典 ↗

＊＝開発元の自社発表。測定者・条件が違う値は同じ名前でも直接比較できません。ⓘ で条件を確認できます。

情報源（4）

公式・一次情報

OpenAI: GPT-6 Astra 発表（比較表・脚注） ↗ OpenAI
比較表の他社モデル数値は OpenAI が掲載したもの。各社最大 effort の値。
Claude Platform Docs: Context windows ↗ Anthropic
Claude Platform Docs: Pricing ↗ Anthropic

第三者の測定

Artificial Analysis: Intelligence Index v4.3 発表 ↗ Artificial Analysis・2026-09-07
2026-09-07 の発表時点の数値。最新値はリーダーボードを参照。

得意分野の根拠

推論・知識 — HLE（ツールあり）65.0〜65.6%（OpenAI／Anthropic 掲載値）
エージェント・業務自動化 — AA Intelligence Index v4.3 で Astra と同率首位の53（AA 測定）

掲載された測定値や仕様をもとにした編集部の分類です。