Anthropicは本日、OpusティアのフラッグシップモデルとしてClaude Opus 5をリリースし、Claude Opus 4.8を置き換えました。価格設定は入力トークン100万件あたり5ドル、出力トークン100万件あたり25ドルのまま変更なく、新フラッグシップモデルは置き換え前のモデルと同一のAPIレートに維持されています。

Anthropicは、Opus 5を半分の価格でClaude Fable 5に迫る知能と位置付けています。本モデルは現在Claude Maxのデフォルトであり、Claude Proで利用可能な最強のモデルとなっています。

APIレベルの変更

AnthropicはOpus 5で複数のAPIレベルの変更を導入しました。開発者はベンチマーク結果を評価する前や既存のアプリケーションを新モデルに移行する前に、これらの変更を考慮する必要がある場合があります。

第一に、thinkingがデフォルトで有効化されました。Opus 4.8では、開発者がthinking: {"type": "adaptive"}を設定しない限り、リクエストはthinkingなしで実行されていました。Opus 5では同じリクエストがデフォルトでthinkingを行い、effortパラメータが深さを制御します。max_tokensがthinkingトークンとレスポンステキストの両方を上限とするようになったため、既存のトークン制限の見直しが必要になる場合があります。

第二に、Anthropicは重大な変更を導入しました。thinking: {"type": "disabled"}をeffortにxhighまたはmaxを指定して設定したリクエストは、400エラーを返すようになりました。この制限はリクエストごとに適用されます。開発者はeffortをhighに制限するか、thinkingフィールドを削除する必要があります。

第三に、Anthropicは開発者に対し、検証用プロンプトの削除を推奨しています。「最後に検証ステップを含める」のような指示は、モデルが自身の作業を既に検証しているため、過剰な検証を引き起こす可能性があります。AnthropicのOpus 5プロンプトガイドに関連するチューニングパターンが記載されています。

モデルIDはclaude-opus-5です。コンテキストウィンドウはデフォルトおよび最大値として1Mトークンで、より小さなバリアントはありません。同期Messages APIでの最大出力は128kトークンです。Message Batches APIはoutput-300k-2026-03-24ベータヘッダーを使用することで最大300k出力トークンをサポートします。最小キャッシュ可能プロンプト長は1,024から512トークンに引き下げられました。

コーディングおよびエージェント型ベンチマーク結果

Terminal-Bench 2.1の後継となる74タスクのFrontierBench v0.1において、Opus 5はmax effortで43.3%を記録しました。Opus 4.8は18.7%、Fable 5は33.7%、GPT-5.6 Solは37.5%でした。xhigh effortでは、Opus 5は44.4%の平均報酬を記録し、最高結果を示しました。

この実行における注目すべき詳細は、安全性に関する拒否です。Opus 5の安全分類器はAPI呼び出しの5%をフラグ付け・拒否し、試行の4%に影響しました。Fable 5の分類器は呼び出しの42%をフラグ付けし、試行の26%に影響しました。

Opus 5はSWE-bench Verifiedで96.0%、SWE-bench Proで79.2%を記録しました。Fable 5はSWE-bench Proで80.0%とわずかにリードを維持しました。SWE-bench Multimodalでは、Opus 5は38.4%から59.4%へと向上しました。

最も大きな改善はエージェント型評価で見られました。この評価では、単一の静的プロンプトに回答するのではなく、ソフトウェア環境全体でモデルが操作することが求められます。Opus 5はOSWorld 2.0で70.57%に達し、Opus 4.8の55.7%を上回りました。Zapier AutomationBenchでは26.0%を記録し、Opus 4.8の17.0%およびFable 5の17.4%を上回りました。medium effortでも、Opus 5はタスクあたり0.89ドルで24%を記録しました。

Artificial Analysis GDPval-AA v2では、Opus 5がELO 1861および1827でリーダーボードの上位2ポジションを獲得しました。xhigh設定は、maxよりも25%少ない出力トークンを使用しながら、他のすべてのモデルを上回りました。

推論結果とARC-AGI-3

Anthropicは、ツールやエージェントハーネスなしでOpus 5にIMO 2026の全6問をプロンプトとして提示しました。3モデルの審査パネルが生成された全24の解答を正解と判定しました。人間の専門家が別途、各問題につき1つの事前指定された解答を7/7と評価しました。最終スコア42/42はゴールドメダルレベルであり、29/42のカットオフを上回っています。

ARC Prize Foundationは、high effortでのARC-AGI-3においてOpus 5の検証済みスコア30.16%を報告しました。これは従来報告されたリーダーボード最高スコアの約4倍です。GPT-5.6 Solは7.78%、Opus 4.8は1.52%でした。max effortでのOpus 5の結果はリリース時点では公開されていませんでした。

Humanity's Last Examでは、Opus 5はツールなしで56.3%、ツールありで64.7%を記録しました。

マルチモーダルタスクにおけるツール使用

Anthropicのマルチモーダル結果は、適応型のthinking単独よりもエージェント型のツール使用の方が、テスト時の計算をより費用対効果よくスケールできることを示しています。

Chartographyにおいて、Opus 5はツールなしで29.6%、コンテナと画像クロップツールの使用時には83.0%を記録しました。BenchCAD Vision2Codeでは、voxel IoUが0.366から0.821に上昇しました。ツール使用時、Opus 5は同一指標で0.678を記録したClaude Mythos 5を大きく上回りました。

サイバー能力とセーフガード

Anthropicは、Opus 5をサイバーセキュリティタスクでトレーニングしていないと述べています。それでも、モデルのサイバー能力は全体的な能力向上の副産物として向上しました。

ExploitBenchにおいて、Opus 5はAutoNudgeアームで平均10.14の能力フラグを獲得し、完全な任意コード実行エクスプロイトを99件生成しました。Mythos 5は132件でした。OSS-Fuzzでは、Opus 5はターゲットの79.4%で非ゼロのスコアを記録し、Mythos 5は約80%に達しました。ただし、Opus 5が完了した完全なエクスプロイトは4件であり、Mythos 5の13件と比較して少なかったです。

このギャップがAnthropicのセーフガード設計を形作りました。Opus 5は脆弱性の発見においてMythos 5にほぼ匹敵しますが、その悪用においては大幅に劣ります。その結果、Anthropicはソースコードでの脆弱性発見をブロック解除しました。バイナリベースのスキャン、ペネトレーションテスト、エクスプロイト生成は引き続きブロックされています。Anthropicは、分類器の介入がFable 5と比較して約85%減少すると予想しています。防御者はCyber Verification Programに申請できます。

UK AISIは3つのサイバーレンジで早期チェックポイントを試行あたり100Mトークンでテストしました。Opus 5は10回の試行中8回で「The Last Ones」をエンドツーエンドで解決しました。より難しい「Doing Life」レンジは解決しませんでしたが、ステップ22/23に到達し、テストされたすべてのモデルの中で最も深く到達しました。

AnthropicのResponsible Scaling Policyに基づき、同社はOpus 5がCB-1能力を有するがCB-2能力は有しないと扱っています。AnthropicはOpus 4.8で使用されたものと同一のASL-3保護を適用しています。AI R&Dの閾値は超過していません。

プロンプトインジェクション結果

Gray Swanの間接プロンプトインジェクションベンチマークにおいて、15回以内の攻撃成功率はOpus 4.8の5.5%からOpus 5の2.0%に低下しました。Mythos 5は2.6%、GPT-5.6 Solは20.0%でした。

Claude Cowork経由で実行されたブラウザ環境では、攻撃成功率はOpus 4.8の31.5%からOpus 5の3.70%に低下しました。この結果はセーフガードが適用されていない状態で測定されました。auto modeを有効にすると、全129環境で攻撃成功率は0%に達しました。

元のレポートで引用された情報源には、Anthropicのローンチ投稿、Claude Opus 5 System Card、Claude Opus 5の新機能、TechCrunch、およびCodeRabbitの独立レビューが含まれます。