Claude Opus 5.5

Anthropic・🇺🇸 米国・最上位

コーディングエージェント・業務自動化PC・ブラウザ操作推論・知識

Claude 5.5 ファミリー第1弾。Opus 5 より大幅に上位で、Anthropic は「エージェント型コーディング・コンピュータ操作・知識業務で首位」と説明（同時に「ベンチマーク差は実利用の差の目安として信頼しにくい」とも注記）。Opus 5 比で運用コスト40%減。

$4入力 / 100万トークン

$20出力 / 100万トークン

1Mコンテキスト

2026-09-22公開日

仕様の詳細

提供状況: Claude / Claude Platform
API ID: —
最大出力: 要確認
価格の注記: キャッシュ読み $0.20、キャッシュ書き $5。Fast mode は最大2.5倍速で $8 / $40。
価格の確認: 公式ページで確認済み
最終確認日: 2026-10-15

ベンチマーク26件

自社発表（＊）を除く

ベンチマーク	結果	詳細
CursorBench 4.0コーディング	57.8%＊
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 57.8%＊ — Anthropic（max）出典 ↗
DeepSWE v1.1コーディング	74.2%
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 74.2% — Google（比較表に掲載）出典 ↗
FrontierCode 1.1（Main）コーディング	54.4%＊
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 54.4%＊ — Anthropic（max）出典 ↗
FrontierSWE v2コーディング	62.3%
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 62.3% — Google（比較表に掲載）出典 ↗
PostTrainBenchコーディング	49.3%
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 49.3% — Google（比較表に掲載）出典 ↗
Terminal-Bench 4.0コーディング	66.4%＊
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 66.4%＊ — Anthropic（xhigh）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	40%＊ 42.5%
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 40%＊ — Anthropic（Zapier の早期アクセス評価・セーフガード介入は失敗扱い）出典 ↗ 42.5% — Google（比較表に掲載）（Google の掲載値）出典 ↗
GDPval-AA v2.1エージェント・業務	1846 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 1846 Elo — Artificial Analysis（Anthropic の表に掲載）（max）出典 ↗
Harvey Legal Agent Benchmarkエージェント・業務	3.8%
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 3.8% — Google（比較表に掲載）出典 ↗
Vals Finance Agent v2エージェント・業務	58.6%
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 58.6% — Google（比較表に掲載）出典 ↗
Vals Indexエージェント・業務	67%
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 67% — Google（比較表に掲載）出典 ↗
Agents' Last ExamPC・ブラウザ操作	38.2%
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 38.2% — Google（比較表に掲載）（合格率）出典 ↗
OSWorld 2.1（部分点）PC・ブラウザ操作	81.8%＊
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 81.8%＊ — Anthropic（部分点）出典 ↗
Humanity's Last Exam（ツールあり）推論・知識	67.7%＊
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 67.7%＊ — Anthropic（ツールあり・max）出典 ↗ 公式サイト ↗
LABBench 2科学・数学	73.1%
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 73.1% — Google（比較表に掲載）出典 ↗
RiemannBench科学・数学	69.6%
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 69.6% — Google（比較表に掲載）出典 ↗
Terminal-Bench Science 0.1科学・数学	58.7%＊ 63.3%
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 58.7%＊ — Anthropic（max）出典 ↗ 63.3% — Google（比較表に掲載）（Google の掲載値）出典 ↗
GraphWalks（〜128K・BFS F1）長文コンテキスト	90.6%
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 90.6% — Google（比較表に掲載）出典 ↗
GraphWalks（256K〜1M・BFS F1）長文コンテキスト	66.8%
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 66.8% — Google（比較表に掲載）出典 ↗
Chartographyマルチモーダル	89%＊ 66.3%
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 89%＊ — Anthropic（ツールあり）出典 ↗ 66.3% — Google（比較表に掲載）（条件記載なし）出典 ↗
LVBenchマルチモーダル	83.7%
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 83.7% — Google（比較表に掲載）出典 ↗
CWE-bench v1サイバーセキュリティ	67%
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 67% — Google（比較表に掲載）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（3）

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。
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: Pricing ↗ Anthropic

Opus 5.5 の前の版。Opus 5.5 は価格が20%下がり、1タスクあたり約40%安いと Anthropic は説明。

$5入力 / 100万トークン

$25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
API ID: —
最大出力: 要確認
価格の注記: キャッシュ読み $0.50、キャッシュ書き $6.25（Anthropic の比較表）。
価格の確認: 公式ページで確認済み
最終確認日: 2026-10-15

ベンチマーク34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	63.1
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 63.1 — OpenAI（比較表に掲載）（最大effort）出典 ↗
AA Intelligence Index v4.3総合指数	51
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 51 — Artificial Analysis（max）出典 ↗ 公式サイト ↗
AA Coding Agent Index v1.4コーディング	68.1
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 68.1 — OpenAI（比較表に掲載）（最大effort）出典 ↗
CursorBench 4.0コーディング	46.6%＊
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 46.6%＊ — Anthropic（max）出典 ↗
DeepSWE v1.1コーディング	73.7%
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 73.7% — 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	48%＊ 53.4%
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 48%＊ — Anthropic（max）出典 ↗ 53.4% — OpenAI（比較表に掲載）（最大effort）出典 ↗
Terminal-Bench 4.0コーディング	52.3%＊ 52.6% 49%
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 52.3%＊ — Anthropic（max）出典 ↗ 52.6% — OpenAI（比較表に掲載）（最大effort）出典 ↗ 49% — Artificial Analysis（max）出典 ↗ 公式サイト ↗
AutomationBenchエージェント・業務	26.9%＊ 26.9%
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 26.9%＊ — Anthropic（Zapier 公開リーダーボード）出典 ↗ 26.9% — 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	28.3%
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 28.3% — Artificial Analysis（max）出典 ↗
GDPval-AA v2.1エージェント・業務	1708 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 1708 Elo — Artificial Analysis（Anthropic の表に掲載）（max）出典 ↗
Agents' Last ExamPC・ブラウザ操作	55.5%
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 55.5% — OpenAI（比較表に掲載）（最大effort）出典 ↗
BenchCADPC・ブラウザ操作	82.1%
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 82.1% — 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	90.8%
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 90.8% — OpenAI（比較表に掲載）（最大effort）出典 ↗
OSWorld 2.0（オフライン・部分点）PC・ブラウザ操作	70.2%
何を測る？実際のPC環境でGUI操作タスクをこなす OSWorld 2.0 のオフラインサブセットの部分点。実際に画面を見て操作する力。部分点なので完全達成率ではない。測定条件・出典 70.2% — OpenAI（比較表に掲載）（最大effort・オフラインセット・部分点）出典 ↗ 公式サイト ↗
OSWorld 2.1（部分点）PC・ブラウザ操作	74%＊
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 74%＊ — 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	90.4%
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 90.4% — OpenAI（比較表に掲載）（最大effort）出典 ↗ 公式サイト ↗
ARC-AGI-3推論・知識	30.2%
何を測る？新規の対話的な環境を探索して解く形式の抽象推論評価。人間の行動効率を基準に採点（OpenAI/ARC Prize の説明）。 Astra の99.9%は OpenAI の自社 Responses API ハーネスでの値。ARC Prize 側は「人間水準に到達」とコメント。測定条件・出典 30.2% — 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	63.6%＊ 63.6%
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 63.6%＊ — Anthropic（ツールあり・max）出典 ↗ 63.6% — 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	73.2%
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 73.2% — OpenAI（比較表に掲載）（最大effort）出典 ↗
HealthBench Professional（長さ補正）科学・数学	56.4%
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 56.4% — 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	29%＊ 30%
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 29%＊ — Anthropic（max）出典 ↗ 30% — OpenAI（比較表に掲載）（最大effort）出典 ↗
Chartographyマルチモーダル	83.4%＊
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 83.4%＊ — Anthropic（ツールあり）出典 ↗
ExploitBenchサイバーセキュリティ	70%
何を測る？既知の脆弱性を実際に動くエクスプロイトにできるかを測る評価（OpenAI の説明）。 OpenAI はセーフガードなしで測定。Astra は100%で飽和。測定条件・出典 70% — OpenAI（比較表に掲載）（最大effort）出典 ↗
ExploitGymサイバーセキュリティ	22%
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 22% — OpenAI（比較表に掲載）（最大effort）出典 ↗
SRE-Benchサイバーセキュリティ	12.5%
何を測る？ソースコードなしでバイナリをリバースエンジニアリングして中核ロジックを理解できるかを測る評価（OpenAI の説明）。単発の成功率。OpenAI は4回試行では99.2%と報告。測定条件・出典 12.5% — 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（3）

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。

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

コーディング — Terminal-Bench 4.0 で 66.4%（Anthropic 報告・Google 掲載値も同じ。比較表内で最高）
エージェント・業務自動化 — GDPval-AA v2.1 で 1846 Elo（AA 測定・Anthropic 掲載）
PC・ブラウザ操作 — OSWorld 2.1 で 81.8%（部分点・Anthropic 報告）
推論・知識 — HLE（ツールあり）67.7%（Anthropic 報告）
長文コンテキスト — 1M コンテキスト（Anthropic ドキュメント）

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。