2026年9月1日、AnthropicがClaude Fable 5.1とClaude Mythos 5.1を発表した。Fable 5の系列が6月に登場してから三か月というテンポである。数字の上では小数点第一位の更新にすぎないが、中身を見ると価格構造と長時間タスクの扱いという、実運用に直結する部分が動いている。本稿では公開情報をもとに、この更新が何を変えたのかを整理する。
位置づけ
Anthropicのモデル階層は、Haiku、Sonnet、Opus、Fableという並びになっている。Fableはその最上位にあたる。今回のFable 5.1とMythos 5.1は同一の基盤モデルであり、その上に載せる安全機構の層が違うだけだと説明されている。Fable 5.1が一般提供版、Mythos 5.1が審査を通った組織に限定される版という区分だ。
同じモデルを安全機構の違いで二つの製品として出す、という構成自体が新しい。能力を絞って全員に配るか、能力を保ったまま配布先を絞るか、という選択を、両方同時に取ったことになる。
ベンチマークの読み方
公表されているスコアのうち、目を引くのはTerminal-Bench-Science 0.1である。
| モデル | Terminal-Bench-Science 0.1 |
|---|---|
| Fable 5.1 | 52.6% |
| Opus 5 | 29.0% |
| Fable 5 | 24.7% |
| GPT-5.6 Sol | 22.4% |
前世代のFable 5が24.7%だったところから52.6%へ、倍以上に伸びている。ただしAnthropicはモデルごとに3.5〜4.5ポイントの標準誤差があると併記している。数字を読むときは、この幅を無視しないほうがよい。Terminal-Bench 4.0ではFable 5.1が55.8%、Mythos 5.1が60.9%となっている。
長時間タスクへの志向
Anthropicは、このモデルを「野心的で長時間にわたるプロジェクト」向けと説明し、簡単に見える近道を避け、症状ではなく根本原因を直す傾向があるとしている。投資会社Millenniumでの検証では、同社のエンジニアや他のモデルが数年間説明できずにいた稀なクラッシュの原因を特定したと報じられている。
症状ではなく根本原因に向かうという性質は、ベンチマークの点数よりも、実務での使い勝手を左右する。
文脈長は100万トークン、最大出力は12万8千トークン、適応的な思考は常時有効とされている。長い作業を一度の文脈に収めて進める、という使い方を前提にした設計だと読める。
提供経路
Fable 5.1はClaude APIで`claude-fable-5-1`として利用でき、Amazon Bedrock、AWS上のClaude Platform、Google Cloud、Microsoft Foundryでも提供される。AWSは、AnthropicがFable 5.1を「Covered Model」に指定しており、追加のデータ保持、安全性審査、アクセス方針が伴うと注記している。
まとめ
性能の伸びよりも、価格構造と配布方針の変化のほうが影響が大きいと考えている。次回はキャッシュ読み取りの値下げが運用コストに何をもたらすかを扱う。
既存の運用を移すときの確認点
同じ系列の更新であっても、置き換えれば済むとは限らない。今回の場合、確認すべき点が三つある。第一に、適応的な思考が常時有効であるため、応答までの時間分布が変わる可能性がある。対話用途で待ち時間に上限を設けている実装では、体感が変わる。
第二に、誤検知の減少が謳われている点である。従来のプロンプトが、拒否を回避するために遠回りな書き方をしていた場合、その回避策が不要になっているか、あるいは逆に働くかを見直す価値がある。第三に、AWSが注記している「Covered Model」の指定である。データ保持や安全性審査の追加要件が伴うため、契約や社内規程との整合を確認しておく必要がある。
ベンチマークを社内で使うなら
公表スコアは、自社の用途と一致しない可能性が高い。Terminal-Bench-Scienceは科学領域の端末操作を測るもので、たとえば顧客対応の文章生成の質を予測しない。標準誤差3.5〜4.5ポイントという幅も、順位の入れ替わりを許す大きさである。
社内で採否を決めるなら、自分たちの実際の入力を20件程度集め、判定基準を先に決めてから比較するほうが確実だ。総合点ではなく、用途ごとに採用・不採用を決められる形にしておくと、モデルが増えたときに再利用できる。
コメントを残す