【geek-terminalニュース】Claude Opus 5運用論、ベンチ勝負からeffort・トークン効率・注入耐性へ

【事象の全貌と背景】

以前お伝えしたClaude Opus 5発表の続報です。今回は「Fable 5に勝ったか」「GPT-5.6 Solより賢いか」という単純なモデル性能レースではなく、実装者が本番で毎日踏む足場、つまりeffort設定、トークン効率、エージェント運用耐性、ベンチマーク汚染リスクの話に焦点が移っています。公式に確認できる範囲では、Claude Opus 5はAnthropicが2026年7月に発表した新しいOpus系モデルで、Opus 4.8を置き換えるOpus-tier flagshipです。価格はMarkTechPostの整理ではOpus 4.8から据え置きで、入力100万tokenあたり5ドル、出力100万tokenあたり25ドル。The Decoderは、Claude Maxのdefault model、Claude Proで使える最上位モデルになると報じています。

重要なのは、今回の評価が「能力の大ジャンプ」ではなく「同じような仕事をどれだけ安定して安く回せるか」に寄っている点です。Ars TechnicaはOpus 5を、能力の絶対値を大きく跳ね上げたモデルというより、token efficiencyと実用コストの改善を重視した更新として見ています。これは地味ですが、AIコーディングやブラウザ操作エージェントを回している現場には刺さる話です。最高性能モデルを常時maxで焼く時代から、タスクごとにmedium/high/maxを測り、失敗時のルート、安全分類器、ツール権限、フォールバックまで含めて設計する時代に入った、ということです。

【技術的ディープダイブ】

公式・大手メディア系の裏付けで断定できる数字から見ると、Opus 5はSWE-bench Proで79.2%、ARC-AGI-3で30.16%を記録したとSystem Card側で示されています。The DecoderはFrontier-Bench v0.1のagentic terminal codingでOpus 5が43.3%を出し、Fable 5の33.7%、GPT-5.6 Solの34.4%、Opus 4.8の21.1%を上回ったと報じています。Artificial Analysisも、Opus 5 maxのIntelligence Indexを61、Fable 5 maxを60とし、実質同等クラスでありながらCost per TaskはOpus 5が26%低いと評価しています。ここだけ見ると「安いFable級」と言いたくなるわけですが、運用論としてはそこからが本番です。

まずeffort dialです。コミュニティ側では、Opus 5のeffort設定は「上げれば必ず良くなる」単純なノブではない、という観測が出ています。Frontier-Bench v0.1で最上位設定が一段下より低く出たという話があり、これは公式確認済みの一般法則ではなく、あくまでコミュニティ由来の観測として扱うべきです。ただし実務上の示唆は強い。max固定は気持ちいいが、レイテンシ、コスト、探索の過剰化、自己検証の回りすぎで、代表ワークロードではmediumやhighの方が総合スコアが良い可能性がある。LushBinaryもproduction agentでは、effort control、自動フォールバック、会話途中のツール利用を組み合わせるべきだと整理しています。

次にprompt injection耐性です。The DecoderはAnthropicの主張として、Opus 5とAuto Modeの組み合わせがbrowser-based prompt injectionの129シナリオで攻撃成功率0%、Auto Modeなしでも3.7%だったと報じています。これは大きい。ただし「Opus 5単体が全Web攻撃に免疫を持った」と読むのは危険です。検証対象はAnthropic環境、ブラウザエージェント設定、Auto Modeなどの運用条件に依存します。つまり勝ち筋はモデル単体ではなく、権限設計、実行モード、危険操作の確認、外部ページ内容の扱い、監査ログをまとめたエージェント基盤にあります。

【コミュニティの生々しい熱量と議論】

コミュニティの反応は、かなり実務者っぽい温度です。HNでは、shwajが「Agentic Codingで最高と強調しているが、数字はFableより少し低い。マーケ的には十分近い、ということか」と皮肉っています。一方でdd8601fnは「半額で、しかもauto-downgradeされにくいなら妥当な主張に見える」と受け止めています。この空気感が今回の本質です。誰も純粋な知能ランキングだけを見ていない。価格、ダウングレード、実行安定性、利用枠、ルーティングまで含めて「本当に使えるか」を見ています。

benjiro29は、Artificial AnalysisやValsの結果を引き合いに出し、Opus 4.8比でコスト増に見えるケースもあると反論しています。MagnumOpusは逆に、Opus 5 mediumがOpus 4.8 max並みに賢く、3分の1のコストで2倍速いなら、それだけで強い、必要なら上げればいいと主張しています。さらにadam_arthurは、GPT 5.6の方が多くのタスクでtoken efficientではないかと疑問を投げ、ActivePatternは出力単価ではOpus 5の方が安く、agentic codingではやや上回って見えると応酬しています。これは宗教戦争ではなく、コストモデルの読み方の戦いです。

Reddit側では、ARC-AGI-3の30%台スコアについて「benchmaxxed」ではないか、つまり特定ベンチや類似ジャンルへの最適化を反映しているのではないかという疑惑が浮上しています。これは検索結果3で公式に裏付けられた事実ではないため断定できません。ただ、AI評価の文脈では無視できない疑念です。高スコアが本当に未知タスクへの一般化を示すのか、それともベンチ周辺の分布やテンプレート認識に強いのか。実装者が欲しいのはリーダーボードの王冠ではなく、自分のCI、社内コード、ブラウザRPA、権限付きツール実行で壊れない挙動です。

【今後の展望とエコシステムへの影響】

今回オワコン化しつつあるのは、「最強モデルを選べば運用問題も解決する」という雑な発想です。Opus 5が示しているのは、モデル選定がAPI名の選択ではなく、effort dial、token予算、ベンチの信頼性、prompt injection耐性、フォールバック、ルーティング、監査可能なツール実行を含むシステム設計になったという現実です。Microsoft FoundryやMicrosoft 365 Copilotのmodel selector、Copilot Studioのadvanced reasoningやworkflow automation、multi-step tool useにOpus 5が入るという公式発表も、この流れを後押しします。企業利用では、モデル単体の賢さより、誰がどの権限で何を実行し、失敗時にどのモデルへ逃がし、どのログで追跡できるかが主戦場になります。

パラダイムシフトは、ベンチマークの読み方にも来ます。Frontier-Benchで勝った、ARC-AGIで伸びた、Intelligence Indexで同等だった、という数字はもちろん重要です。しかし次の実務者の問いは「そのスコアは自分のワークロードでも再現するか」「mediumで十分か」「maxにすると逆に不安定にならないか」「安価なモデルとのルーティングで総コストをどこまで下げられるか」「Webページに埋め込まれた悪意ある命令を本当に踏まないか」です。Opus 5は、能力競争のニュースでありながら、実はAI運用設計のニュースです。ベンチの数字より、どう回すと壊れないか。そこに巨大LLM競争の次の勝敗ラインが引かれています。