Claude Opus 5 実機検証
指示を8割消したら、逆に速く正確になった
2026年7月24日にリリースされた Claude Opus 5。注目すべきは性能そのものより「引き算」です。Anthropic は自社の Claude Code から指示文の80%以上を削除し、それでも性能は落ちませんでした。この記事では、その理由を公式ドキュメントで確認したうえで、実際に設定ファイルを削って前後を実測した結果をまとめます。
SECTION 01
Claude Opus 5 とは — 値段が1円も変わっていない
Anthropic が 2026年7月24日に公開した最新モデルです。モデルIDは claude-opus-5。想定される主戦場は、コード生成、パソコン操作の自動化、そして数時間級の自律作業です。
今回いちばん分かりやすい変化は、実は性能ではなく値段が動いていないことでした。100万トークンあたり入力5ドル、出力25ドル。これは前世代の Opus 4.8 とまったく同額です。上位モデルの Fable 5 は入力10ドル・出力50ドルなので、その半額にあたります。
| モデル | 入力 / 100万トークン | 出力 / 100万トークン |
|---|---|---|
| Claude Opus 4.8（前世代） | $5 | $25 |
| Claude Opus 5 | $5 | $25 |
| Claude Fable 5（上位） | $10 | $50 |
そして視聴者にとって一番効くのはここです。Claude Max では新しい標準モデル、Claude Pro では使える中で最も高性能なモデルとして提供されます。Claude Code と Claude Cowork でも使えます。つまり Pro / Max を契約していれば、追加課金なしで今日から使えます。
コンテキストは 1Mトークンが既定かつ最大で、小さい版は存在しません。しかも長文の割増料金がありません。公式は「90万トークンのリクエストも9千トークンと同じ単価」と明記しています。ナレッジカットオフは 2026年5月（Fable 5・Sonnet 5 は 2026年1月）。
ただし落とし穴が1つ。4.7以降のトークナイザは同じ文章で約30%多くトークンを消費します。「1Mだから安心」とは言い切れません。
SECTION 02 ・ 本題①
Anthropic が、自社の指示の8割を消した
ここが今回の主題です。Anthropic は Claude Code のシステムプロンプト、つまり「AIにこう振る舞ってほしい」と書いていた指示文を、Opus 5 と Fable 5 向けに80%以上削除しました。そしてコーディングの評価スコアに、測定できる低下はありませんでした。
これは「機能が増えました」というアップデートではありません。指示を減らせるようになったというアップデートです。
言葉だけでなく、課金される数字としても裏が取れます。ツールを使うときにAPIが自動で追加するシステムプロンプトのトークン数は、次のように減っています。
| モデル | 自動追加されるトークン数 |
|---|---|
| Claude Opus 4.7 | 675 |
| Claude Opus 4.8 | 290 |
| Claude Opus 5 | 286（4.7比 −57%） |
公式が名指しで「削除しろ」と言っている指示
公式のプロンプトガイドには、消すべき指示が具体的な文言で挙げられています。
- 「最終検証ステップを入れよ」
- 「サブエージェントで検証せよ」
- 「答えをダブルチェックせよ」
- 「返答前に再検証せよ」
理由は明快です。Opus 5 は言われなくても自分で検証するため、これらを残すと過剰な検証でトークンを無駄に消費します。そして削っても品質は落ちない、と公式が明言しています。
これまで「自己チェックを入れなさい」はプロンプトの定石でした。このモデルではそれが逆効果になります。もう一つ、方向が反転した点があります。Opus 4.8 はサブエージェントを使わなさすぎたので「もっと委譲しろ」と書き足していた人が多いはずですが、Opus 5 は逆に使いすぎます。その指示も消す対象です。
実演：自分の設定ファイルを削る
実運用している CLAUDE.md を開いて、赤ペンで削っていきます。削る前と削った後で、同じお題を1回ずつ流し、所要時間・出力トークン・結果を並べます。
| 残す指示 | 消す指示 |
|---|---|
| AIが知りようのない事実と制約 ファイルの場所／命名のルール／やってはいけないこと／自分の環境固有の情報 |
AIの振る舞いを矯正するための指示 検証しなさい／確認しなさい／ダブルチェックしなさい／丁寧にやりなさい |
SECTION 03 ・ 本題②
effort のつまみを、どこに回すのが得か
Opus 5 には強さのつまみが5段階あります。low / medium / high / xhigh / max。API・Claude Code とも標準は high です。
ここで推奨が変わりました。Opus 4.8 や 4.7 では「コーディングなら xhigh」と案内されていたのですが、Opus 5 では「まず標準の high から始めて、要求が厳しいときだけ xhigh へ上げる」に変更されています。
第三者測定（Artificial Analysis の AA-Briefcase＝エージェント型の知識労働評価）のスコアを見ると、その理由が分かります。
| effort | Elo | 備考 |
|---|---|---|
| low | 1223 | |
| medium | 1470 | |
| high（標準） | 1606 | max より出力トークンが約33%少なくて、他社の全モデルを上回る |
| xhigh | 1693 | max より15%少ないトークンで他社の全モデルを上回る |
| max | 1720 |
high と max の差は114しかありません。それなのに max は出力するトークンが大きく増えます。だから標準の high のままで十分なことが多い、という話です。公式も「low / medium でも品質が落ちにくいので、コストとレイテンシの主要なコントロールとして積極的に使え」と書いています。
effort が変えるのは「どれだけ考えるか」であって「どれだけ喋るか」ではありません。下げても返答は短くなりません。出力を短くしたいなら、プロンプトで直接そう言うしかありません。ここを取り違えている解説記事がかなりあります。
SECTION 04
公式の主張を、自分のコースで答え合わせする
得意なのはエージェント作業
Anthropic のシステムカード（表8.1.A）から、勝っている指標を並べます。
| ベンチマーク | Opus 5 | Opus 4.8 | Fable 5 | GPT-5.6 Sol |
|---|---|---|---|---|
| FrontierBench v0.1 | 43.3 | 18.7 | 33.7 | 37.5 |
| OSWorld 2.0（パソコン操作） | 70.6 | 55.7 | 66.1 | 62.6 |
| ARC-AGI-3（初見の問題） | 30.2 | 1.5 | — | 7.8 |
| Zapier AutomationBench（業務自動化） | 26.0 | 17.0 | 17.4 | 18.1 |
| GDPval-AA v2（知識労働・Elo） | 1861 | 1593 | 1747 | 1736 |
いちばんおいしいのは ARC-AGI-3 です。これは「初めて見る問題を解く力」を測るもので、1.5% から 30.2% へ、およそ20倍に跳ねています。世代でここまで動いた指標は他にありません。
もう一つ、Zapier AutomationBench の見方が面白いところです。Opus 4.8・Fable 5・GPT-5.6 Sol が17〜18%で団子になっているのに、Opus 5 だけ 26.0%。業務自動化が本命だと分かる一枚です。
全部勝っているわけではない
ここを隠すと嘘になるので出します。
| ベンチマーク | Opus 5 | 勝っているモデル |
|---|---|---|
| SWE-bench Pro | 79.2 | Fable 5（80.0） |
| DeepSWE v1.1（長時間の作業） | 68.8 | GPT-5.6 Sol（72.7） |
| ARC-AGI-2 | 90.4 | GPT-5.6 Sol（92.5） |
| Humanity's Last Exam（ツールなし） | 56.3 | Fable 5（56.5・ほぼ同点） |
とくに長時間の自律作業は GPT-5.6 Sol のほうが上です。用途によって選ぶべきモデルは変わります。
自前の固定コースで実際に回した結果
新しいモデルが出るたびに同じ課題を投げている自作の検証コースがあります。7月25日から26日にかけて回した4課題の実測です。
| 課題 | Claude Opus 5 | Kimi K3 |
|---|---|---|
| ブロックエディタ（Notion風） | 620秒 / 84.7KB | 1848秒 / 58.4KB |
| 3Dアスレチック | 646秒 / 66.0KB | 769秒 / 30.2KB |
| 10枚アニメスライド | 402秒 / 50.3KB | 781秒 / 43.3KB |
| 縦書き原稿用紙 | 485秒 / 28.5KB | 780秒 / 15.4KB |
ファイルサイズは「長く書いた」というだけで、品質そのものではありません。だから実際に動かして確かめる必要があります。
なお各モデルは出力の最後に「仕様チェックリスト」を自己申告します。Opus 5 は縦書き・スライド・エディタではできなかった項目を正直に申告していましたが、3Dアスレチックだけは34項目すべて合格・失敗ゼロと申告していました。その申告が本当かどうかも、動かして確かめるところです。
歴代の時系列
同じ固定コースで積み上げてきた記録です。
| 世代 | 日付 | モデル |
|---|---|---|
| 第1世代 | 2026-05-29 | Claude Opus 4.8 |
| 第2世代 | 2026-06-14 | Claude Fable 5 |
| 第3世代 | 2026-07-11 | GPT-5.6 |
| 第4世代 | — | Grok 4.5 |
| 第5世代 | 2026-07-26 | Claude Opus 5 |
2ヶ月でここまで来た、というのが自分でコースを固定していると見えてきます。
SECTION 05
切り替える前に見る3か所
① 思考モードが標準でオンになった
Opus 4.8 では設定を書かなければ思考なしで走りました。Opus 5 は同じリクエストが思考ありで走ります。出力の上限は「思考＋本文」の合計にかかるので、前世代で上限を絞っていた設定は途中で切れます。回避策は上限の見直しです。
② 思考オフと強さ xhigh / max は同時に使えない
組み合わせると400エラーになります。切るのではなく、強さを下げて調整します。公式も「多くのタスクで、同じコストなら思考ありで強さを下げたほうが高性能」と言っています。
おまけに怖い話がひとつ。思考を切るとツール呼び出しが「ただのテキスト」として出力され、エラーも出ないまま何も実行されないことがあります。
③ 利用枠が前世代とは別枠
Opus 4.x の枠が空くわけでも、引き継げるわけでもありません。本番を移す前に自分のティアの上限を確認してください。
おまけ：返答も成果物も長くなる
公式が「デフォルトの返答と書き出すドキュメントは前モデルより長い」と認めています。しかもeffort を下げても短くなりません。プロンプトで明示するしかありません。公式の推奨文言はこれです。
<tone_preference>Keep outputs reasonably concise.</tone_preference>長いシステムプロンプトの末尾に置きます。ついでに、頼んでいない範囲までスコープを広げる傾向もあります。
ハルシネーションが Opus 4.8 よりやや多いです。正答率は11%高いのですが、幻覚率も6%高い。
賢くなった＝間違えなくなった、ではありません。確信度が上がったぶん、間違いも自信満々になります。数字の突き合わせは必ず自分の目で確認してください。
SECTION 06
使うべき人／まだ要らない人
| こういう人 | 判定 | 理由 |
|---|---|---|
| Claude Pro / Max 契約者 | 今すぐ使う | 追加費用ゼロ。Max は標準モデル・Pro は最上位。判断すること自体がない |
| Opus 4.8 を API で使っている | 無条件で乗り換え | 価格・コンテキストが完全据え置きで性能だけ上がる。破壊的変更は上の①②だけ |
| Fable 5 を API で使っている | 用途で判断 | 半額だが SWE-bench Pro は Fable 5 が上。長時間自走は GPT-5.6 Sol が上 |
| コード生成が主戦場 | 乗り換え妥当 | FrontierBench・OSWorld・Zapier で明確に上 |
| 大量のバッチ生成が支出の大半 | 急がなくていい | 品質差より単価差が効く領域。安いモデルで足りる |
| セキュリティ研究（エクスプロイト開発） | 向かない | 公式が Mythos 5 に劣ると明記。安全分類器で拒否されることもある |