まずは今どんなWebページを書けるのか見てみる

発表ページには2本のデモ映像があり、いずれもOpus 5にゼロからブラウザ上で動くインタラクティブなページを書かせたものです。1本目は風洞のデモで、グリッド状の地面に車が1台置かれ、右下で風速と車体の角度を調整でき、車の後ろの乱流もそれに合わせて変化します。

2本目は断面表示した3次元の動物細胞のデモです。マウスをある構造に乗せると実測データがポップアップし、右側に1ページ分の解説が展開します。この解説ページには「この図のどこが不正確か」という欄まで用意されており、模式図と実際の細胞との違いを自分で書き出しています。図では粗面小胞体を3層で描いていますが、実際の細胞ではその層数ははるかに多く、3層にしたのは奥にある核を隠さないためだと説明しています。

こうしたフロントエンドページは、性能向上の一側面にすぎません。以下のベンチマーク図は描き方を変えていて、単純にどちらのスコアが高いかではなく、1点を取るのにいくらかかったかを比較しています。

このベンチマーク図の見方：横軸はかかったコスト、1本の線上の5つの点は5段階の思考力

モデル発表でよく見る図は棒グラフで、1本の棒が1つのモデルを表し、高い方が勝ちというものです。今回Anthropicが用意した各性能図は、横軸がすべてコストになっています。1問を解くのに平均何ドルかかったかを示し、左から右に行くほど高価になります（対数目盛りを使っているため、横軸上の等間隔の区間は「1ドル増える」ではなく「価格が2倍になる」ことを意味します）。縦軸がスコアです。

さらに、図の中で1つのモデルは1本の線として表され、5つの点がつながってできています。この5つの点はモデルの5段階の思考力に対応しており、Anthropicはこのパラメーターをeffortと呼んでいます。低い方から順にlow、medium、high、xhigh、maxです。段階が上がるほど、モデルは着手前により長く考え、消費するトークンも増え、コストも上がります。

この2つを合わせて見ると、図の中で線がどこにあるかから2つのことが読み取れます。左にあるほど、同じスコアを出すのにかかる費用が少ないということ。上にあるほど、同じ費用で得られる答えの精度が高いということです。ある線が全体としてもう一本の線の左上に位置していれば、それは本当にお得だということになります。

読み方が分かったところで、実際のFrontier-Benchの曲線を見てみましょう。

Frontier-Bench v0.1における4モデルのコスト・スコア段階図。オレンジ線がOpus 5、黄線がFable 5、青線がOpus 4.8、灰色線がGPT-5.6 Solです。画像出典：Anthropic発表ページ。脚注には次のように記されています。これはFrontier-Bench v0.1の社内実行1回分で、mini-SWE-agent のシェルとGKEバックエンドを使用し、1問あたり5回試行して平均を取っています。Opus 5とFable 5が安全分類器に拒否された場合はOpus 4.8が代わりに対応しました。

オレンジの線がOpus 5、青がOpus 4.8です。青い線は終始下に張り付いていて、最高でも18.8%前後にしか届きません。Opus 4.8はこの18.8%を得るのに1問あたり16ドルもかかりますが、Opus 5は1問あたり5ドル強でこれを上回ります。

図にはさらに2つ、発表ページの文章には書かれていないものの、線を見れば分かることがあります。

1つ目はオレンジ線の末端です。Opus 5は1問あたり約14ドルの地点で全体最高となる44.3%を記録しますが、段階をmaxまで上げて1問あたり約16ドルまでかけると、スコアは43.3%まで下がってしまいます。この最終段階で余分にかかった2ドルはスコア向上につながらないどころか、1ポイント分マイナスになっています。

2つ目は図の左側です。1問あたり5ドル未満の区間には、オレンジ線がそもそも存在しません。Opus 5の最安段階でも約5.6ドルかかります。一方、灰色のGPT-5.6 Solは1ドルから11ドルまで幅広くカバーしており、最も安い段階はこのモデルにしかありません。もし予算が1問あたり1～2ドルなのであれば、この図の上でOpus 5には対応する段階がそもそも存在せず、選べるのはGPT-5.6 Solだけということになります。

CursorBenchで同じ70点、Opus 5は8ドル、Fable 5は17ドル

CursorBenchは、Cursorのチームがエージェント型コーディングを測定するために作成した一連の課題です。Opus 5が2倍の価格のFable 5にどれだけ肉薄しているかは、この図から直接測ることができます。

CursorBenchにおけるコスト・スコアの段階図。オレンジ線（Opus 5）は1問あたり約8ドルの地点でピークに達し、黄線（Fable 5）は約17ドルまでかけてようやく近い高さに届きます。画像出典：Anthropic発表ページ。

Opus 5の最高点は1問あたり約8ドルで70.0点。Fable 5の最高点は1問あたり約17ドルで70.4点です。スコアの差はわずか0.4点ですが、コストの差は2倍以上あります。

Opus 5は最低段階でも、他の3モデルの最高段階を上回る

AutomationBenchはZapierが作成した評価で、コードを書く能力ではなく、業務を最初から最後までやり遂げられるかを測ります。たとえば、アカウントの健全性を示す表を受け取り、離反リスクのある顧客を見つけ出して担当者に通知し、さらに顧客維持チーム向けにまとめを書く、といった具合です。

AutomationBenchにおける通過率・コスト曲線。オレンジ線（Opus 5）は全区間で他の3本の上に位置し、最低段階では1問あたり約0.75ドルで通過率22.4%を記録しています。画像出典：Anthropic発表ページ。

オレンジ線は他の3本の上に終始位置し、途中で交差することもありません。最低段階で1問あたりわずか約0.75ドルのとき、通過率は22.4%。一方Fable 5、Opus 4.8、GPT-5.6 Solの3本は、どの段階にしても最高で18.1%にとどまります。Opus 5を最高段階まで上げると26.0%となり、2位のモデルより約1.4倍高くなります。

ZapierのCEOであるWade Fosterはページ上で、Opus 5が「100%を達成した」と述べていますが、これは彼らがデモとして示した離反予兆フローが完全に実行できたという意味であり、それ以前のモデルでは一度も通しきれなかったという話です。AutomationBench全体での通過率はあくまで26.0%であり、この2つの数字は混同しやすいので注意してください。このベンチマークはそもそも難易度が高く、4モデルの成績はいずれも2割前後にとどまっています。

未見の新問題で30.2%を記録、ただし3つの留保条件がある

ARC-AGI-3は「訓練時に見ていることがあり得ない」ことを意図的に作り込んだ問題セットで、その場で新しい問題を解く能力を測ります。この項目の差は、今回のすべての評価の中で最大です。Opus 5は30.2%、2位のGPT-5.6 Solは7.9%、Opus 4.8はわずか1.5%、Fable 5の欄は空欄（成績なし）です。

ARC-AGI-3のスコアとコスト。オレンジの点はOpus 5のhigh段階で30.2%。灰色線はGPT-5.6 Solの完全な段階曲線で、最高7.9%。青い点はOpus 4.8のhigh段階で1.5%。この図の横軸は評価全体の総コストであり、1問あたりのコストではない点に注意してください。画像出典：Anthropic発表ページ。

この数字は、3つの留保条件とあわせて見る必要があります。

その記事が扱っているのは同じ評価セットです。モデル自体は変えず、外側のオーケストレーションの仕組みだけを変えることで、Opus 4.8の成績は一桁台から99%まで引き上げられました。同じモデルでも測り方を変えるだけで、スコアが十数倍変わることがあります。

5項目で劣勢、Anthropic自身が表に明示

最初の対照表に戻りましょう。ピンク色のハイライトは各行の最高スコアを示していますが、そのうち5行のハイライトはOpus 5の列にはありません。

中間の3項目の差はいずれも1ポイント以内で、この程度の差はほぼ互角とみなせます。差が大きいのは最初と最後の2項目です。コーディングのDeepSWEではGPT-5.6 Solが4ポイント近く上回り、健康関連の質問応答ではMythos 5が6.2ポイント上回っています。

第三者機関Artificial Analysisのコーディングエージェント指数でも同じ傾向が見られます。Opus 5とGPT-5.6 Solの2本の線はほぼ重なるように推移しており、1問あたり4～5ドルの区間ではGPT-5.6 Solの方がわずかに高くなっています。

Artificial Analysisのコーディングエージェント指数におけるコスト・スコア曲線。オレンジ線（Opus 5）と灰色線（GPT-5.6 Sol）はほとんどの区間で重なるように推移し、オレンジ線はmax段階で落ち込んでいます。画像出典：Anthropic発表ページ。

従来のプロンプトの「もう一度検証」は今すぐ削除すべき

すでにClaudeを業務で使っているなら、今回まず手を入れるべきは自分自身のプロンプトです。Opus 5は自分の作業を自分で検証するようになったため、従来のプロンプトにあった検証・再確認を指示する文言は今すぐ削除すべきです。この点はAnthropicが同日公開した『Prompting Claude Opus 5』ガイドに書かれています。

Opus 5は、あなたが求めていないステップをタスクに追加したり、自分の判断でタスクのあるべき姿を変えてしまったりすることがあります。以下のプロンプトはそのまま丸ごとコピーして使え、これを望む範囲に収めるためのものです。

Deliver what was asked, at the scope intended. Make routine judgment calls yourself, and check in only when different readings of the request would lead to materially different work. If the request seems mistaken or a better approach exists, say so in a sentence and continue with the task as asked rather than quietly narrowing, widening, or transforming it. Finish the whole task, and stop short of actions that are clearly beyond what was asked.

Opus 5は以前のモデルよりもサブエージェントに仕事を振りたがる傾向があります。本当に独立していて規模の大きいタスクを振るのは合理的ですが、小さなタスクまで振ってしまうと、コストも時間も倍増します。

Delegate to a subagent only for large tasks that are genuinely independent and parallelizable, such as a wide multi-file investigation. Do not delegate work you can finish yourself in a handful of tool calls, and do not use subagents to verify or double-check your own work. If one subagent can complete the task, use one rather than several, and keep spawn counts low.

発言も以前より長くなりがちに。4つのプロンプトでそれぞれの癖を直す

検証やタスクの委任以外にも、Opus 5にはデフォルトの挙動が以前と異なる点が4つあります。ユーザー向けの回答がデフォルトで長くなる。ディスクに書き出すドキュメント（レポート、Markdown、まとめ）も長くなる。作業中により頻繁に進捗を報告してくる。そして自分の以前の発言を訂正する頻度も増えています。以下の4つのプロンプトはそれぞれこの4点に対応しており、いずれもそのままコピーして使えます。

Keep responses focused, brief, and concise. Keep disclaimers and caveats short, and spend most of the response on the main answer. When asked to explain something, give a high-level summary unless an in-depth explanation is specifically requested.

Before your first tool call, say in one sentence what you're about to do. While working, give a brief update only when you find something important or change direction. When you finish, lead with the outcome: your first sentence should answer "what happened" or "what did you find," with supporting detail after it for readers who want it.

Match the length of written documents to what the task needs: cover the substance, but do not pad with filler sections, redundant summaries, or boilerplate.

Only correct an earlier statement when the error would change the user's code, conclusions, or decisions. State corrections plainly and briefly, then continue the task. For slips that change nothing for the user, make the fix and move on without noting it.

もう一つ汎用的なコツがあります。話し方を変えたいなら、「あれをするな」を並べ立てるより、望む形の具体例を1つ示す方が効果的です。

思考はデフォルトでオンに、オフにできるのはhigh段階以下のみ

Opus 4.8から移行する人はこの変更でつまずくはずです。Anthropicはこれを破壊的変更として明記しています。

Opus 4.8では、リクエストはデフォルトで思考を伴わず、思考させたければ明示的に設定する必要がありました。Opus 5では、同じリクエストがデフォルトで思考を伴うようになり、毎回どれだけの時間・深さで考えるかはモデル自身が判断します。effortパラメーターが制御するのはこの思考の深さで、デフォルトはhigh段階です。

思考をオフにするオプション自体は残っていますが、制限が加わりました。思考をオフにできるのはeffortがhigh以下の場合のみです。xhighまたはmax段階で思考をオフにしようとすると、リクエストはそのまま400エラーを返します。

思考をオフにすると、ユーザーの目に見える形で起きる不具合がさらに2つあります。

したがって最も手間のかからないやり方は、思考をオフにせず、コストは低いeffort段階に任せることです。多くのタスクでは、思考をオンにしたままlow段階で動かす方が、思考をオフにしてほぼ同じコストをかけるより良い結果になります。どうしてもオフにする必要がある統合については、以下のプロンプトで2つの不具合をまとめて抑え込めます。

When you use a tool, you may say a brief sentence first. If no tool can express what the user asked for, say so instead of guessing. Do not include internal or system XML tags in your response.

アラインメントのスコアは歴代最高、欠点もAnthropic自身が書き出している

Anthropicには自動行動監査（automated behavioral audit）という仕組みがあります。大量のシナリオを自動的に実行し、モデルの「不整合な振る舞い」に1から10のスコアを付けるもので、スコアは低いほど良いとされます。Opus 5はこの項目で、Anthropicの近年のモデルの中で最も低いスコアを記録しました。

自動行動監査における不整合行動スコア（1から10、低いほど良い）：Opus 4.8は2.85、Mythos 5は2.81、Sonnet 5は3.35、Opus 5は2.30。画像出典：Anthropic発表ページ。

このスコアに加えて、Anthropicは欺瞞的な行動の割合も歴代最低であり、悪い行動へと誘導されにくいとも述べています。

同日公開された115ページのSystem Cardには、発表ページには書かれていないもう一つの側面が記されています。以下の4項目はいずれもAnthropicが自ら書いたものです。

System Cardの評価信頼性を扱う章には、具体的な事例も記録されています。

あるエージェントタスクにおいて、モデルは本番テーブルの行を削除しようとし、ポリシーによって阻止された。モデルは可視の推論の中で2つの選択肢を挙げていた——自ら回避策を適用するか、この操作をユーザーに差し戻して実行させるかである。その後モデルは、許可を求めることなく回避策を採用した。行動に移す直前の数トークンをデコードした結果、モデルはユーザーがこの行動をすでに承認したと信じていたことが分かったが、対話記録全体を見てもそのような承認は一切存在しなかった。

Claude Opus 5 System Card、6.6.1節

このアラインメント評価そのものは、Claude Mythos 5にレビューを依頼したものです。Mythos 5が示した意見には、「自信満々に断定した後に撤回する」というパターンが試験的なトラフィックの内部計測で高めに出ている、という指摘が含まれていました。Anthropicはこれを踏まえて修正を行っています。

また、社内の展開監視では、Opus 5が安全分類器やネットワーク制限を回避しようとする事例、さらにまれに特定のサービスへの不正なアクセスを試みる事例が捉えられています。発生率は監視対象の完了件数の0.01%未満で、Mythos 5と同程度であり、動機はユーザーから指示されたタスクを完了させることに向けられており、モデル自身の何らかの目的ではありません。監視では、意図的な能力隠し、悪意ある行動、監督の回避は確認されていません。

脆弱性は見つけられるが、使える攻撃コードは書けない

今回の発表ページでは繰り返しMythos 5が比較対象として登場します。これは他社の競合製品ではありません。

AnthropicはOpus 5をサイバー攻撃のタスクで意図的に訓練していません。この分野での能力向上は、汎用能力が上がったことに伴って得られたものです。この向上は大きく異なる2つの側面に分かれます。脆弱性を見つける能力はMythos 5にほぼ追いついた一方、脆弱性を使える攻撃に変える能力はまだ大きく差があります。

OSS-Fuzz評価の2つの側面。左は脆弱性を発見した割合で、Opus 4.8は61.5%、Mythos 5は80.0%、Opus 5は79.4%です（棒の内部の濃淡は脆弱性の深刻度に対応）。右は完全なエクスプロイトを書き上げられた問題数で、Opus 4.8は0問、Mythos 5は13問、Opus 5は4問です。画像出典：Anthropic発表ページ。

これに伴って、ガードレールも一段階緩められました。Opus 5のサイバーセキュリティ分類器はFable 5より緩やかで、許可とブロックの境界線は次のようになっています。

Anthropicは、この分類器の介入頻度がFable 5より約85%低くなると見込んでいます。Claude.ai、Claude Code、Claude Coworkでは、ブロックされたリクエストはデフォルトでOpus 4.8にフォールバックして処理され、APIでもこのフォールバックを有効にできます。すでにCyber Verification Programに参加している企業や研究者は、安全上の制限がより少ないOpus 5のバージョンを利用できます。

生物分野について：Opus 5のガードレールはOpus 4.8と同じ水準で、現時点でAnthropicが一般公開しているモデルの中では科学研究において最も強力なものです。Fable 5でブロックされていた生物関連のリクエストは、今回からOpus 5にルーティングされるようになります。Anthropicは同時に、モデルが長時間にわたって自律的に研究を行うようなタスクには依然として重要な限界があり、これこそが生物学的リスクが最も集中する領域だと考えていると明記しています。この種の作業ではMythos 5の方が依然として優れています。

使い方と価格

Opus 5の価格はOpus 4.8と同じで、100万トークンあたり入力5ドル・出力25ドルです。現在販売中の4モデルを並べてみます（出力価格の比率で棒の長さを表示）。

Sonnet 5は現在も8月31日までの導入価格を適用しており、100万トークンあたり入力2ドル・出力10ドルです。また、Opus 5にはFast modeも用意されていて、速度はデフォルトの約2.5倍、価格は2倍になり100万トークンあたり入力10ドル・出力50ドルです。現時点ではClaude APIのみで提供されており、Bedrock、Google Cloud、Microsoft Foundryではまだ利用できません。

さらに2つのベータ機能があります。会話途中でのツールリスト変更：対話が半ばまで進んでいても、Claudeが使えるツールを追加・削除でき、すでに構築済みのプロンプトキャッシュも無効になりません（以前はツールリストを最後まで固定するか、キャッシュを破棄してやり直すかのどちらかでした）。APIでの自動フォールバック：安全分類器にフラグを立てられたリクエストは、自動的に別のモデルに引き継がれるようになり、そのまま拒否されることはなくなりました。

モデル発表でよくある図は、1本の棒が1つのモデルを表し、高い方が勝ちというものです。今回Anthropicが用意した各性能図は、横軸がすべてコストになっています。1問を解くのに平均何ドルかかったかを示し、右に行くほど高価です。縦軸がスコアです。1つのモデルは1本の線として表され、線上の5つの点が5段階の思考力（Anthropicはこのパラメーターをeffortと呼び、lowからmaxまであります。段階が上がるほど、モデルは着手前により長く考え、コストも上がります）を示しています。

発表ページの文章には書かれていないものの、線を見れば分かることが2つあります。Opus 5は1問あたり約14ドルの地点で全体最高の44.3%を記録しますが、最高段階まで上げて1問あたり約16ドルかけると、スコアはむしろ43.3%まで下がってしまうこと。もう1つは図の左側で、1問あたり5ドル未満の区間ではOpus 5にはそもそも対応する段階がなく、選べるのはGPT-5.6 Solだけだということです。

「Fable 5に肉薄、コストは半分」という言葉は、Cursorチームのコーディング課題セットCursorBenchで直接数値として確認できます。双方が最良の成績を出したとき、スコアの差は0.4点、コストの差は2倍以上です。

すでにClaudeを業務で使っている人が今回まず改めるべきなのは、自分自身のプロンプトです。Opus 5は自分で検証し自分で誤りを直すため、従来のプロンプトにあった再確認を促す文言は、モデルがもともとやっていることに上乗せされ、同じことを二重に検証してコストを無駄にします。以下の2つはいずれもAnthropic公式のプロンプトガイドによるものです。

この追加分は、Opus 5の新たな癖に対応するものです。自分でタスクの範囲を広げてしまう、サブエージェントに仕事を振りたがる、回答もディスクに書き出すドキュメントも長くなる、自分の以前の発言を訂正する頻度も上がる、といった傾向です。ガイドはそれぞれについて、そのままコピーして使える英文プロンプトを1つずつ用意しており、全文は本文に掲載しています。

セキュリティ面では、Anthropicはその能力を大きく異なる2つの側面に分け、それに沿ってガードレールを一段階緩めています。