70.6%を選ぶのか、一件の仕事を選ぶのか
Claude Sonnet 5.5は、単純に上位モデルへ迫った低価格版と見るより、仕事に使う計算量を選べるモデルとして読むほうが実態に近い。9月28日の公式発表には、Terminal-Bench 4.0で70.6%という大きな改善が並ぶ。ただし、その点数は最大のeffortで得られた値であり、普段の既定設定の結果ではない。
同社は、日々の範囲が明確な仕事ではSonnetを、複雑で継続的な判断が要る仕事ではOpus 5.5を位置づける。ベンチマークの一点だけでモデルを選ぶと、この使い分けと、同じモデル内の設定差を見落とす。成功率、時間、費用を同時に比べる必要がある。
単価が同じでも、一件の費用は変わる
Sonnet 5.5の標準料金は、100万トークン当たり入力2ドル、出力10ドルで、Sonnet 5と同じだ。キャッシュ読み込みは0.10ドルとされ、前世代の0.20ドルから下がった。Anthropicは、同じ仕事に必要なトークンも減り、自社テストで一件当たり最大30%安くなったと説明する。
ここには三つの異なる比較がある。まず、入力や出力の単価。次に、一回の仕事で使う量。そして、失敗してやり直す回数だ。単価が変わらなくても、短い手順で正しい結果を得られれば一件の費用は下がる。一方、計算量を上げて長く実行すれば、その効果が消える場合もある。
「最大30%」は、あらゆる設定で必ず3割下がるとの約束ではない。元記事も、最上位設定の比較だけでは同じ差が見えないことを指摘する。自分たちの仕事で再現できるかを測らずに、月の予算を一律3割減らすのは早計だ。
effortは、仕事に使う時間と試行を変える
effortを上げると、一般に推論や確認が長くなる。Claude Codeとアプリの既定はMedium、Claude PlatformではHighと案内されている。同じモデル名でも、入口を変えたときに同じ設定で動くとは限らない。
開発者向けのeffortの説明は、指示の明確な作業から始め、必要なときに高い設定を検証する考え方を示す。最高設定を標準にするより、低い設定で十分な仕事を見つけるほうが、大量処理では重要になることがある。
編集部の考察では、モデル選定の単位を「部署」だけにしないほうがよい。同じ部署でも、文章の整形と、例外の多い契約資料の比較では必要な判断が違う。簡単な仕事を速く回す構成と、難しい仕事を上位設定や別モデルへ戻す構成を、工程ごとに組み合わせる余地がある。
上へ行くほど良くなるとは限らない
公式資料は、評価の種類ごとに設定と費用の曲線を示す。CursorBenchでは、上の設定ほど成績が伸びる傾向がある。一方、FrontierCodeのMainでは、Xhighの52.1%に対しMaxは46.2%だった。計算量を増やすことと、正しい変更を作ることは同じではない。
Anthropicは、Maxでサブエージェントへ仕事を分ける場面が増え、調査された一部ではタイムアウトや範囲外の編集につながったと説明する。これは、モデルの能力以外に、仕事の分け方や実行の制約が結果を左右する例として読める。
医療系の作業でも、電子カルテを使う複雑な工程と、一般的な質問への回答では、設定を上げた効果が同じではない。長い応答や多くの確認が、必要な情報の抽出を助ける場合もあれば、待ち時間だけを増やす場合もある。設定は一度決めて終わりではなく、業務の評価と組にする必要がある。
グラフでは、縦の点数と横の費用を一緒に見る
イノベトピアの解説は、公式グラフを読み取り、Terminal-Bench 4.0のMediumが約29%・約0.83ドル、Highが約43%・約1.9ドル、Maxが70.6%・約12.5ドルという目安を示した。正確な料金表の請求単位ではなく、特定の評価の一試行についてグラフから読んだ近似だ。
この差を見ると、70.6%だけを見出しにして通常利用へ当てはめられない理由が分かる。同じモデルでも、費用の異なる複数の動作点がある。Opusも同じ費用帯で比較しなければ、どちらの選択が合理的かは分からない。
スコアの横軸が対数の場合は、点の間隔から費用差を直感で読みすぎないことも大切だ。曲線は選択肢を示す材料であり、自社の仕事の単価をそのまま示すものではない。実行回数、環境、再試行、キャッシュの条件をそろえて初めて比較できる。
移行では、モデル名以外の変更を見る
Sonnet 5.5の移行ガイドには、思考設定やツール選択などの互換性に関わる説明がある。以前の指定をそのまま渡すとエラーになる項目もあるため、モデル名の差し替えだけで動作確認を終えるべきではない。
特に、思考の無効化やツールの強制指定を前提とした実装では、現在の対応条件を確認する。利用するクラウド基盤によって、ツール入力の保証やフォールバックの扱いも違う場合がある。APIが正常終了したかだけでなく、必要な道具が正しい時点で呼ばれたかを試したい。
また、高リスクのサイバー関連依頼には、制限や別モデルへの切り替えが関わる。正規の防御業務向けのCVPは10月6日に拡張が発表されているため、9月時点の記事の「近く拡張」という表現は、現在の案内と分けて読む必要がある。申請の承認、利用基盤、保存条件は個別に確認する。
安全性も、最大スコアとは別の軸
公式発表は、自動的な行動監査で前世代と同等または改善した指標が多いとする一方、すべての失敗を評価で発見できるわけではないと認める。能力が上がったから、実行権限も広げてよいとは限らない。
編集部としては、比較試験に失敗条件を含めたい。資料が不足している場合、外部の文書が別の指示を含む場合、許可のない変更が必要になった場合に、止まって説明できるかを見る。正しい成果物を作る力と、仕事の範囲を守る力は別に測る必要がある。
高い設定で長く動かすなら、中断、再開、途中成果の保存も試す。失敗した後に同じ作業を重ねて、外部システムへ二重の変更を加えないことが重要だ。時間制限で止まった処理を、人がどこから受け取れるかまで確認すると、実務での負担が見える。
日本のチームが作る比較表
以下は編集部が考える導入手順だ。代表的な仕事を、明確な修正、複数資料の比較、曖昧な判断などへ分け、同じ入力で設定を変えて試す。結果は成功率だけでなく、所要時間、使用量、人の修正時間、範囲外の操作の有無で残す。
「安いモデルで何回もやり直す」場合と、「高いモデルで一度で終える」場合を同じ一件として比較する。成果物を再度開き、実際に使えるかを確認するところまで費用に含めれば、デモと運用の差を減らせる。日本語の固有名詞、長い資料、社内の書式も試験に入れたい。
Sonnet 5.5の変化は、最高点の伸びだけではなく、低い計算量でできる仕事が増えたことにもある。どのモデルが勝ったかを一度決めるより、必要な品質をどの設定と費用で得るかを選ぶ。公開された曲線は、その検証を始める材料になる。
モデルの切り替えを試す際は、同じ名称だけで条件が一致したと判断せず、実際のモデルID、思考設定、ツールの許可、入力の版を記録する。評価日を残しておけば、後日の更新による変化と、依頼文の違いを分けて考えやすい。
確認日：2026年10月18日。運営会社：RO合同会社の公式HP。
学習コースClaude マスター講座
Claude マスター講座を受講する →
