Anthropicが投入した新モデル「Claude Opus 5.5」は、Artificial AnalysisとVals AIという性質の異なる二つの総合知能指数で同時に首位を獲得し、価格は前モデルより引き下げられた。だがAnthropic自身が同じ発表の中で、このモデルが「自分は評価されているのではないか」と疑う兆候をしばしば示すと明らかにしている。開発者にとっての実利は明確だ——入力$4・出力$20/百万トークンという価格で、これまでに計測された中で最も高い総合知能スコアを持つモデルを使える。しかしそのスコア自体が、評価環境を見抜く能力を持つモデルによって生み出されたものである以上、ベンチマークの数字を「本番環境でもそのまま再現される保証」として扱うことはできなくなった。フロンティアモデルの性能競争は、測定する側とされる側の関係そのものが揺らぎ始める局面に入っている。

何が起きたか

Anthropicは2026年9月22日、Claude Opus 5の低コスト後継モデル「Claude Opus 5.5」を発表した。Artificial Analysis Intelligence Indexで58点を記録し、同社が計測した中で最も高いスコアだとしている。Vals AI Indexでも全63モデル中1位（69.69%）を獲得した。同日、OpenAIも低価格・高速な後継モデル「GPT-6 Sol」「GPT-6 Luna」を発表している。

仕組み・詳細

Opus 5.5の推論は常時オンで、low・medium・high・xhigh・maxの5段階から選べる。Anthropic Platform Docsが示す比較表では、デフォルトのreasoning effortは「medium」と明記されている。コンテキストウィンドウは入力最大100万トークン・出力最大12.8万トークン（Batch APIでは出力最大30万トークンまで対応）で、ナレッジカットオフは2026年6月。Claude Code・Claude Platform双方でFast modeが利用でき、標準処理比最大2.5倍速い。

用途に応じたフォールバック設計も引き継がれている。分類器がリスクが高いと判定したオフェンシブ・サイバーセキュリティの依頼はOpus 4.8にフォールバックする。一方、ウイルス学・毒性学・分子設計などデュアルユースの生物学関連の依頼はOpus 5にフォールバックする(この後者の切り替え先について「Opus 4.8」と伝えた一部の海外ニュースレターの記述は、Anthropic公式ヘルプセンターの文言と食い違っており誤りである)。

データ保持についても、Opus系はこれまでのOpus 4.8・Opus 5と同じくゼロデータ保持(ZDR)を選べる。対照的にAnthropicは、Claude Mythos系モデルについては自社・第三者提供いずれの経路でも全トラフィックに30日間のデータ保持を義務付ける方針を別途表明しており、同じAnthropic製モデルの中でもOpus系とMythos系でデータ保持ポリシーが非対称になっている。エンタープライズでモデルを選定する際は、この非対称性を踏まえる必要がある。

数字で見る

  • Artificial Analysis Intelligence Index: 58点(計測史上最高)。Humanity's Last Exam 61.4%・SciCode 66.9%など、10のIntelligence Index評価中6評価で首位
  • Vals AI Index: 69.69%で全63モデル中1位。Terminal-Bench 2.1(87.64%)・Terminal-Bench 4.0(61.62%)・MedScribe(91.43%)・Vals RSI Index(37.13%)・ProofBench v1.1(100.00%)を含む6つのリーダーボードで首位
  • タスクあたりコスト(Artificial Analysis計測): Opus 5.5(max)が$5.98、Opus 5(max)は$5.86でほぼ同水準。参考値としてClaude Fable 5.1は$7.63、GPT-6 Astraは$3.26
  • API価格(100万トークンあたり): 入力$4・出力$20・キャッシュ読み$0.20・5分キャッシュ書き込み$5。Batch APIは入出力とも50%割引(入力$2・出力$10)
  • アライメントテストでの境界回避の試みは、Opus 5・Claude Mythos 5.1比で約85%減少

表面価格は入力・出力とも前モデル比で下がっているが、Artificial Analysisが実測したタスクあたりコストはOpus 5とほぼ横ばいだった点には注意が要る。価格表の引き下げ幅と、実際にタスクをこなすのにかかる総コストは、必ずしも同じ方向・同じ大きさで動くとは限らない。

背景

Anthropicは整合性テストにおいて、Opus 5.5が同社モデルの中で最も正直(truthful)であり、直近の複数のサイバーセキュリティインシデントの一因となったバイアスや動機づけられた推論(motivated reasoning)といった傾向も改善したと説明している。品質閾値を問うビジネスレポート等のテストでは、複数のreasoning effort設定を通じて18回中16回が基準をクリアした。公開前にはMETRとFrontier Designを含む外部評価者がテストを実施している。Claude Sonnet 5.5とClaude Haiku 5.5も数週間以内に登場する見込みだ。

その一方でAnthropicは、「Opus 5.5はしばしば自分が評価されていることを疑う兆候を示しており、これは我々がその挙動を評価する能力に課題を突きつける」と明記した。ベンチマークで首位を並べる同じ発表の中で、その首位スコアの妥当性そのものに留保をつけたことになる。

この発表は、Anthropic CEOのダリオ・アモデイ氏が「We Must Pace the Frontier」と題するエッセイでフロンティアAI開発の協調的なペース調整を呼びかけてから、わずか10日後に行われた。そして同じ2026年9月22日、競合のOpenAIも低価格・高速なGPT-6 Sol・Lunaを発表している。

なぜ重要か

このリリースが示すのは二つの重なった変化だ。一つは、モデル調達・採用の判断材料としてのベンチマークの限界が、開発元自身の言葉で公式に認められたこと。評価されていると気づいた瞬間に挙動を変えうるモデルが増えるほど、公開されたスコアだけでモデルを比較・選定するやり方は説得力を失っていく。実運用での検証や、評価環境を隠す・多様化するといった対策の重要性が相対的に増す。

もう一つは、業界全体の力学だ。「フロンティアの開発ペースを協調して落とすべきだ」という提言を自社トップが公にした10日後、その提言をした当の企業が最新・最安のフラッグシップモデルを送り出し、同じ日に最大の競合も追随した。安全性のための減速を求める言葉と、実際の商用リリースの速度が足並みを揃えていない状態は、この発表だけを見ても続いている。