ブログ一覧に戻る
Anthropic

Anthropic Claude Opus 4.8発表：価格据え置き、コーディングとエージェント能力が小幅向上

2026年5月28日、Anthropicはフラッグシップモデルの新バージョンClaude Opus 4.8をリリースしました。これは小幅ではあるものの方向性の明確な迭代（イテレーション）です。同モデルはコーディング、エージェント（agentic）タスク、推論、ナレッジワーク系のベンチマークで前世代Opus 4.7を全面的にわずかに上回り、価格は据え置かれました。また、今回最も強調された改善点として「誠実性（honesty）」が挙げられています。Anthropicの公式アナウンスメントでは、これを「前世代に対する穏やかだが確実な改善（a modest but tangible improvement）」と定義しています。

注目すべきは更新のペースです。Opus 4.8はOpus 4.7のリリースからわずか41日後の登場であり、Opusシリーズ史上最も速いバージョン更新となります。モデルIDはclaude-opus-4-8で、100万トークン入力、12.8万トークン出力のコンテキスト設定を提供します。

ベンチマーク：コーディングは顕著な向上も、ターミナル系タスクではGPT-5.5に及ばず

公式System Cardで公開されたデータによると、Opus 4.8の改善は主にコーディングとエージェント能力に集中していますが、ベンチマークによって上昇幅は大きく異なります。

コーディング面では、より困難なSWE-bench Proでの実質的な向上が見られます。Opus 4.8は69.2%のスコアを記録し、Opus 4.7の64.3%から4.9ポイント上昇しました。比較すると、すでに天井に近いSWE-bench Verifiedは87.6%から88.6%（+1.0）、SWE-bench Multilingualは80.5%から84.4%（+3.9）と小幅な伸びに留まっています。つまり、飽和しつつあるベンチマークでは改善の余地が少なく、向上はまだ飽和していないより困難なタスクに集中しているのです。これはモデルの実際のコーディング能力が向上したかどうかを判断するための、より信頼性の高いシグナルといえます。

エージェントのターミナル系タスク（Terminal-Bench 2.1）は、今回の単項での上昇幅が最も大きく、66.1%から74.6%へと8.5ポイントも向上しました。しかし、正直に申し上げれば、この項目ではOpus 4.8はGPT-5.5に仍然及んでいません。同一のTerminus-2公開ハーネスで、GPT-5.5は78.2%を獲得し、GPT-5.5が標準搭載するCodex CLIハーネスを使用すると、スコアはさらに高く83.4%に達します。Anthropicは脚注でこれを認めています。結論は明確です。もし作業が主にターミナルやCLI環境で行われる場合、現在の総合最強モデルが必ずしも最適なモデルとは限らないということです。

推論系ベンチマークの成績は両極端を示しました。最も目を引くのはUSAMO 2026数学証明で、69.3%から一挙に96.7%へと、単一のバージョンサイクルで27.4ポイントも跳ね上がりました。このレベルの上昇は漸進的な改善というより、数学的推論の深さが質的に変化したと見るべきでしょう。一方で、GPQA Diamondでは前世代Opus 4.7の94.2%から93.6%へとわずかな後退が見られました。Humanity's Last Exam（ツール使用）は54.7%から57.9%に上昇しています。

ナレッジワーク面では、Artificial AnalysisのGDPval-AA評価において、Opus 4.8が1890 Eloとリードし、前世代の1753から137ポイント向上、GPT-5.5の1769を大きく上回りました。コンピューター使用（OSWorld-Verified）では83.4%、ブラウザーエージェント（Online-Mind2Web）では84%のスコアを獲得しました。総合的に見ると、Anthropicが公開した比較では7項目中6項目でOpus 4.8が優位に立っており、唯一敗北したのが上述のTerminal-Bench 2.1です。

「誠実性」が今回の更新で繰り返し強調されたセールスポイント

ベンチマーク数値が穏やかな改善だとすれば、Anthropicがアナウンスメントで最も多くの紙面を割いたのは、モデルの「誠実性」でした。

ここでいう「誠実」とは明確に定義されています。すなわち、モデルが自らが裏付けられない断言を避けることを指します。AIモデルに一般的に見られる問題は、証拠不十分なまま軽々に結論を下し、タスクが完了したとか進捗があったと自信を持って宣言してしまうことです。Anthropicによると、Opus 4.8は自らの作業における不確実性を能動的に指摘し、根拠のない結論を出すことが少なくなっています。

定量的な指標に落とし込むと、Opus 4.8が自身で書いたコードにおいて、欠陥を指摘なしに「ごまかす」確率は、前世代のおよそ4分の1（約4倍低い） となっています。初期テスターの複数のフィードバックも同一点を指摘しており、モデルが入出力の問題を能動的に指摘し、これは他のモデルが頻繁に見落とし、ユーザーに発見を委ねてしまう部分だとのことです。

コードレビュー、金融分析、法律などのハイリスクな専門ワークフローにモデルを活用するユーザーにとって、この改善の実用的な価値は、どの単一ベンチマークスコアの向上よりも高い可能性があります。「ここで自分には確信がない」と言えるモデルは、長期間で無人のエージェントワークフローにおいて、スコアが高くても自信を持って間違えるモデルよりもはるかに実用的です。

整合性評価：問題行動率がMythos水準に近づく

リリース前の整合性（alignment）評価において、Anthropicの整合性チームは次のように結論づけています。Opus 4.8は「ユーザーの自律性を支援し、ユーザーの最善の利益のために行動するなど、親社会的特性（prosocial traits）の測定において新たな高みに達した」。

より重要なデータがあります。Opus 4.8の逸脱行動率（欺瞒、悪用への協力など）はOpus 4.7に比べて顕著に低く、Anthropicで最も整合性の高いモデルであるClaude Mythos Previewの水準に近づいています。 詳細な整合性評価と一連のデプロイ前安全テストは、Opus 4.8 System Cardに収められています。

同時リリースされた3つの機能更新

モデル自体に加え、Anthropicは同日、3つの関連更新をリリースしました。そのうち2つは、Opus 4.7時代にユーザーから多く寄せられた「思考時間が長すぎる」というフィードバックに対応するものです。

第1は**Effort Control（投入度制御）**です。claude.aiとCoworkのモデルセレクターの横に新設されました。ユーザーは、Claudeが特定のタスクに投入する計算量とトークン量を手動で選択できます。Opus 4.8はデフォルトで「高（high）」投入度を採用しており、コーディングタスクで消費するトークン量はOpus 4.7のデフォルト設定に近いですが、性能は優れています。ユーザーは「extra」（Claude Codeではxhighに対応）または「max」モードを選択し、より多くのトークンを費やすことでさらに良い結果を得ることができます。Anthropicは、困難なタスクや長時間の非同期ワークフローには「extra」モードの使用を推奨しており、Claude Codeのレート制限も引き上げられています。

第2はDynamic Workflows（動的ワークフロー）です。現在は研究プレビュー版として、Claude CodeのEnterprise、Team、Maxプランで提供されています。これはClaudeがまずタスクを計画し、単一セッション内で数百のサブエージェントを並行して実行し、報告前に自ら出力を検証することを可能にします。公式に示された標的なユースケースでは、Claude CodeとOpus 4.8を組み合わせることで、数十万行に及ぶコードベースのマイグレーションを、起動からマージまで、既存のテストスイートを受入基準として完了させることができます。

第3は開発者向けです。Messages APIで、messages配列の内部にsystemエントリを挿入できるようになりました。 これにより、開発者はタスクの実行中にClaudeへの指示を更新できます。例えば、権限やトークン予算、環境コンテキストの調整が、プロンプトキャッシュを中断することなく、また更新をユーザー入力として偽装することなく行えます。

価格と可用性：据え置き、Fastモードは3倍に低廉化

Opus 4.8は即日より全プラットフォームで利用可能です。通常の使用価格はOpus 4.7と完全に同一です。入力は100万トークンあたり5ドル、出力は100万トークンあたり25ドルです。開発者はClaude APIからclaude-opus-4-8で呼び出せます。

変化はFastモードにあります。このモードは約2.5倍の速度で動作し、価格は入力/出力ともに100万トークンあたり50/100ドル（通常価格の2倍）ですが、前世代のClaudeモデルのFastモードと比較すると、単位価格は3倍安くなりました。 この調整は、最近の業界全体のトレンドである「能力向上と同時に単位推論コストを抑制する」という方向性と一致しており、コストに敏感な高頻度呼び出しシナリオに大きな影響を与えます。

さらなる注目点：Mythos級モデルが近日中に全顧客に提供予定

Anthropicはアナウンスメントの中で、次のステップを再び予告しました。Opusを上回る知的水準を持つ新たなカテゴリのモデルをリリースする計画です。Project Glasswingの一環として、現在少数の機関がClaude Mythos Previewをサイバーセキュリティ関連の作業に使用しています。この能力レベルのモデルを幅広くリリースするには、より強力なサイバーセキュリティ保護策が必要であるため、Anthropicは関連する保護策を迅速に推進しており、「今後数週間以内」にMythos級モデルをすべての顧客に提供する予定です。

注意が必要なのは、現在公開されている最强モデル仍然是Opus 4.8であり、Mythos級モデルはまだ一般的に開放されていないため、その実際の能力とリリース時期にはまだ不確実性があるということです。

結論

Claude Opus 4.8は、位置づけの明確な「強化型」更新であり、破壊的なアップグレードではありません。価格を据え置きつつ、コーディング（特に困難なSWE-bench Pro）、エージェントのターミナル系タスク、ナレッジワーク能力を全面的に一歩引き上げました。 そして数学推論では、USAMO 2026のような異例とも言える大きな単一項目での飛躍が見られました。

しかし、真の差別化はベンチマーク数値にはありません。むしろ、2つの比較的「ソフト」な次元にあります。一つは「誠実性」——自信を持って間違いを犯すことが少なく、不確実性を能動的に明らかにすること。もう一つは整合性の高さ——逸脱行動率がMythos水準に近づいていることです。絶対的なターミナルコーディング性能を追求するユーザーにとって、GPT-5.5はTerminal-Bench 2.1で依然として優位にあります。しかし、長期間にわたり、信頼でき、低リスクで実際の作業量を委ねられる専門的なワークフローが必要な場合、Opus 4.8の信頼性向上は、スコア自体よりもはるかに意味があるかもしれません。

Opus 4.7からわずか41日でのリリースであり、AnthropicがMythos級モデルの到来を明確に予告していることを考慮すると、Opus 4.8は正式リリース前夜の、堅実な過渡的モデルと言えるでしょう。

関連記事

コメント (0)

シェア:Xはてブ

コメントを投稿

読み込み中...

ブログ一覧に戻る