Claude Fable 5.1 と GPT-6 Astra の能力レビュー

能力レビューを書くのに、これほど奇妙な状況はないでしょう。

「世界で最も強力なモデル」として登場したかと思えば、すぐに別のチームが同じく「世界で最も強力なモデル」を発表するというニュースが入ってきました。

Claude Fable 5.1 と GPT-6 Astra は、どちらも優れたモデルです。その事実は間違いありません。

Fable 5.1 ではキャッシュ価格の引き下げ、データ保持ゼロのオプション、そして Fable 5 よりもはるかに寛容なセーフティ分類器が導入されています。

初期の兆候では誤差範囲が大きいため断言はできませんが、Sol から Astra への進化は、Fable 5 から Fable 5.1 への進化よりも規模が大きく、より刺激的なものになる可能性があります。これは、Opus から Fable へ移行した際のスケールアップが大きな話題となったのと同様の現象と言えるかもしれません。

トークン使用量を除けば、Fable 5.1 は絶対的な評価においてほぼ全面的に好意的なフィードバックを得ています。報告によると、Fable 5.1 は非常にバランスが取れたモデルです。文章作成能力は大幅に向上し、「Claudisms（Claude 特有の癖）」も改善されましたが、いくつかの癖はまだ残っています。また、自身のミスを認める姿勢も見られます。ユーザーとの会話を楽しんでいるという声も多く、コードを簡潔に記述する傾向があるという指摘もあります。安全性に関する分類器も、以前ほど不快ではありません。

Fable 5.1 は能動的に働きかけ、あらゆるタスクを実行することを好みます。高い努力レベルを設定すれば、そのトークンを使って何らかの有用な作業を見つけ出してくれるでしょう。

私の経験では、Fable 5.1 と Astra の両者は非常に優れています。私が難問に対して両者の回答を比較した唯一のケースでも、両者とも異なる内容で、かつ非常に質が高く、互いに補完し合うものでした。当面は「デュアル・ウィーディング（二刀流）」のように使い分け、非自明な問い合わせには両者に質問する計画です。

今回のレビューは、Fable 5.1 を Astra と比較することなく単独で評価する必要に迫られたものです。反応を示す多くの人々も同様のアプローチをとっています。いずれは Astra についても詳細に取り上げ、より多くの比較機会を提供する予定です。

コンセプト：Fable 5.1、実行：Gemini

目次

公式の売り込み

私たちの価格設定は安価

データ保存ゼロとセキュリティ対策の緩和

公式ベンチマーク

他者のベンチマーク

システムプロンプト

簡潔な売り込み文

すべてのレビューが揃い、評価は非常に高い

肯定的な反応

トークンあたりの価格なら安いが

否定的な反応

初期の囁き

武器としての選択

公式の売り込み

いつもの通り、Anthropic は「新しいモデルでバージョン番号が上がりました」と述べるにとどまりました。

コーディング部門によれば、このモデルはコーディングにおいて非常に優れており、また Our Price Cheap としても機能します。

Anthropic の Claude Code 創設者である Boris Cherny 氏は、Fable 5.1 を「コーディング、データ分析、コンピューター操作、デザイン、プレゼンテーション、Tag、そして最も難易度の高い長時間実行型のエージェントタスク」において、同社がこれまで開発した中で最良のモデルであると断言しています。

このモデルは扱いやすく、私はあらゆる用途で活用しています。

また、Enterprise ユーザー、API 利用者、SDK 利用者の価格を値下げしました。Fable 5.1 のキャッシュ読み取り料金は、従来 100 万トークンあたり 1 ドルでしたが、現在は 0.25 ドルに引き下げられています。これにより、一般的な Claude Code セッションでは最大 38% のコスト削減が実現します。

セキュリティ対策の介入頻度についても改善に取り組んでいます。最新の生物学的セーフガードは、Fable 5 で導入されたものよりも benign なリクエストに対して 85% 少ない頻度で介入しており、Claude Code ユーザーはセッションあたりのサイバー関連の介入が約 60% 減少するはずです。さらなる改善も間もなく発表される見込みです。

最後に、Fable 5.1 は文章の質とトーンが向上しました。皆様からのフィードバックを真摯に受け止め、「Claude らしい（不自然な）表現」を減らす取り組みを進めています。5.1 では着実な進歩が見られ、今後もさらなる改善が続きます。

Alex Albert 氏は、コードを通じて動画を生成する能力について言及しています。具体的には、ある土地の写真を Fable に見せ、「家を設計し、レンダリングして、短編映画のようなウォークスルー動画を作成してほしい」と指示した例を紹介しました。その動画は以下のリンクで確認できます。

また、科学的研究における活用についても触れられています。これは OpenAI も重点的に取り組んでいる分野です。

価格がさらに安くなりました

Anthropic は Fable 5.1 の価格設定において、少し変わった動きを見せています。表向きの価格は Fable 5 と同じですが、キャッシュ読み込みの料金を 100 万トークンあたり 1 ドルから 0.25 ドルに引き下げたため、実質的なコストは下がっています。

これにより、一般的なトークンあたりのコストは約 25% 低下し、高度なエージェント処理を伴う作業では最大で約 45% の削減が見込まれます。これは、Boris が指摘した「通常の Claude Code 利用における 38% の値下げ」という方針と整合しています。

この価格改定は、実際の運用コストに即したインセンティブ設計につながっていると思われます。ただ、私は割引の一部を表向きの基本料金に反映させるべきだったかもしれません。人は単純な生き物ですから、時には彼らのレベルに合わせて話す必要があります。

LLM Index:  Claude Fable 5.1 が OpenRouter で利用可能になりました。

Anthropic の新モデルは、入力 100 万トークンあたり 10 ドル、出力 100 万トークンあたり 50 ドルで提供されます。

過去の価格や履歴との関連付けはありません。このリスト自体が明確な情報です。これは OpenRouter で販売されるプレミアムな Claude のエントリーモデルです。

データ保持ゼロおよびセキュリティ対策の緩和

Fable 5 は、Anthropic の Ramp におけるドル支出の約 11% を超えることはありませんでした。それでもなお、これは明らかに最良のモデルの一つです。

大きな懸念点の二つは、安全対策が過度に広範囲に及んで通常の作業を阻害していたことと、企業側が規制上の理由などからアンソロピックのデータ保持ポリシー（30 日間の記録保存）に従わなかったことが挙げられます。

しかし、このポリシーを遵守できるユーザーにとっては、コーディングにおける大きな優位性が生まれました。

アンソロピックは皆さんの声を聞き、時間をかけて体制を整え、政府側も先ほどまで「脱獄」の疑いでフェイブル 5.1 をオフラインに強制していたほどの緊張状態から落ち着きました。現在、同社は新たなシステムを開発中で、「対象となる顧客」がデータを外部に保存せずともフェイブル 5.1 を利用できるようにします。具体的には、顧客自身がデータを管理する仕組みです。それまでの間も、完全なゼロデータ保持を実現できるオプションは既に用意されています。

また、分類器の誤検知率を大幅に削減しました（少なくとも 60% の改善）。

モデルの改良と価格引き下げなど、一度に多くの変更が行われますが、これは非常に興味深い自然実験と言えます。アンソロピックのエコシステム内では、フェイブル 5.1 の採用率がフェイブル 5 の 11% を大きく上回るほど急拡大すると予想されます。もしそうならないのであれば、人々は価格という見出しだけを気にして、その背景にある意味を深く考えずに拒絶していることになります。

公式ベンチマーク

アンソロピックは多数のベンチマークデータを公開しています。概ねフェイブル 5 やオパス 5 からフェイブル 5.1 への移行で modest な改善が見られる一方、一部ではわずかな後退も確認されています。ここでは全体像を把握していただくために一覧を提示します。明確なパターンは見当たりません。

Fable 5.1 は GPT-6 の発表前にリリースされたため、ここでは当時の状況を解説します。

私が提示する「スラッシュライン」スコア（例：50%/70%）は、それぞれツール未使用時と使用時のスコアを指しています。

デフォルトで示す改善・劣化の数は、Opus 5 または Mythos 5 のいずれかの最高スコアとの比較に基づいています。

数値は私の判断に基づき、有効数字に合わせて丸めています。

ライフサイエンス分野の評価全体では modest な改善が見られましたが、詳細は別記事（Post One）で扱います。

Terminal Bench 4.0 における括弧内のスコアは Mythos の結果であり、それ以外は Fable のものです。

また、入手可能な情報に基づき、Astra をチャートに追加しました。

Anthropic の ECI スコアは 162.0 で、Mythos 5 の 159.5 や Opus 5 の 160.7 と比較すると、まさに Mythos エリアのトレンドライン上に位置しています。

DeepSWE v1.1 のスコアは 5 回の試行で平均 67.4% でしたが、これを評価するための明確な基準がありませんでした。

FrontierCode 1.1 Extended のスコアは、より高い努力レベル（effort levels）において低下する傾向が見られました。Anthropic はこの現象を、Fable 5.1 が高い努力レベルで「さらに有益な編集を行おうとして」自身を停止できず、結果として誤りと判定されてしまう点に起因すると説明しています。

FrontierSWE v2 のスコアは、Opus 5 の 0.52 や Fable 5 の 0.48、Sol の 0.32 を上回る 0.57 でした。

Terminal-Bench-Science 0.1 では、24.7% から 52.6% と大幅に向上しました。

CursorBench 3.2 は Fable 5 の最大値 70.5% を上回る 73.4% に達し、かつ総コストは大幅に低減されました。一方、Sol の最大値は 67.2% です。

CritPT-Corrected は 85.5% から 88.4% とわずかに改善しました。

ArXivMath も 91%/91% から 91%/94% と微増しています。

ProgramBench は 86.3% から 87.6% に向上しました。

チャートによると、Humanity’s Last Exam は 57.8%/63.8% から 60.9%/65% に改善されています。

彼らはさまざまなマルチエージェントテストを実行していますが、比較の基準となる明確なデータが提供されていないため、結果の良し悪しを判断することはできません。

Chartography は 37%/84% から 43%/86% に向上しました。

BenchCAD Vision2Code も 38%/67% から 44%/84% と改善されています。

OSWorld 2.0 では、チャートによると部分的正答率が 75% から 78%、厳格な正答率が 39% から 42% に向上しました。

Anthropic がより寛容に評価した GDP.pdf の結果は明確な改善は見られません。ツールを使用しない場合のスコアは 83% から 85% に上がりましたが、Fable 5 はツール使用時でも 87% という高いスコアを維持しています。一方、Fable 5.1 はツール使用時に 85% で、Fable 5 と同点です。ツールを使用しても Fable 5.1 が恩恵を受けていないのは奇妙ですが、報告された通りです。

OfficeQA のスコアは 80%、OfficeQA Pro は 69% で、いずれも以前の Claude の最高値である 79% と 67% を上回りました。

Harvey AI が提供する Legal Agent Benchmark では、最大限の努力をかけた場合、全タスク合格率が 19.1%、基準合格平均値が 90.8% を記録しました。また、未使用データセット（held out set）ではそれぞれ 16.7% と 93.3% です。これは Fable 5 の全タスク合格率 16.9% と 13.3% から向上した結果です。ただし、法的業務という特定のサブタスクにおいては Vals が大幅な性能低下を示しているため、この項目で Fable 5.1 を使用しているか確認が必要です。

GDPval-AA v2 のスコアは ELO 1853 で、Opus 5 が以前記録した最高値 1824 を上回りました。

モデルカードに記載された AA-Briefcase の評価では、ルブリック合格率が 57% から 61% に向上し、分析品質スコアも 1980 から 2025 に改善されました。一方でプレゼンテーションの項目では 1495 と 1572 で後退が見られます。AA はその後再サンプリングを実施したため、次のセクションでは異なる数値が報告されています。

Toolathon Verified では性能低下が確認され、pass@1 が 80.6% から 77.8% に、pass@3 も 87% から 81.5% に低下しました。

Zapier の AutomationBench では 27% から 31% へ改善されましたが、Gemini 3.7 Flash が 30% を記録している点には注意が必要です。

ARC-AGI-1 および ARC-AGI-2 で明確な改善は見られず、Fable 5.1 では API の仕様によりリクエストを誤認識する問題が発生したため、ARC-AGI-3 の結果は報告されていません。一方、GPT-6 Astra は ARC-AGI-3 で 99.9% を達成していると主張しています。Astra は公式ハーンネスで 62.7% を記録しましたが、そのコストは 26,000 ドルに達しました。Opus 5 の過去最高値は 30.2% です。

HealthBench では Opus 5 からわずかに後退していますが、HealthBench Professional では小幅な改善が見られました。

BioMysteryBench でも 91.4% から 90.3% へ後退しましたが、Sol の 86.1% よりも高いスコアを維持しています。

Other People's Benchmarks

Epoch の ECI では、Claude Fable 5.1 と Fable 5 がともに 163 点ですが、Astra は Sol の 162 点を上回る 169 点に達しています。これが Astra を支える最も強力なデータポイントです。

Artificial Analysis Index では、Fable 5.1 が明確なリードを奪いました。得点は Fable 5.1 が 66 で、Opus 5 は 63、Fable 5 は 62 です。Anthropic 社以外の全モデルの最高値は 61 で、GPT-6 Astra も同点の 61 という結果でした。これは Astra の能力を過小評価したものであり、実際には Sol を大きく上回る性能を持っています。この指標には調整が必要でした。

AA はすぐにベンチマークを再実施しました。新しいバージョンの結果では、Claude Fable 5.1 が 57 点で首位に立ち、次いで Astra が 55 点、Opus 5 が 54 点です。Fable 5 と Muse Spark 1.3 はともに 53 点、Sol と Grok 4.6 は 51 点となっています。

後から数値を調整する手法は、少し疑わしく思えるかもしれませんが、今回のケースではより妥当性があります。

その根拠として、2 つの新しいベンチマークが導入されました。1 つ目は「AA-Briefcase」で、Fable が 58% で首位に立ち、Astra は 53%、Sol は 49% です。もう 1 つは元の「GDP.pdf」で、ここでは Astra が 33% でトップ、Sol が 28%、一方 Fable は 26% と苦戦しています。

Fable 5.1 のスコアは 92.3% に達し、「WeirdML」における新記録となりました。これは Fable 5 から 0.4% の改善です。

Vals が実施する各種ベンチマークでは、Fable 5.1 が総合スコアで 68.8% と首位に立ち、Opus の 67.2% や Astra の 66.6% を上回っています。4 位には Gemini 3.8 Flash が続き、その後に Muse Spark 1.3 が続きます。また Fable 5.1 は「RSI Index」でもトップの座を維持しています。

Epoch の FrontierMath Erdos では、Astra が唯一問題解決に成功したモデルとして 68 問中 2 問正解しました。一方、Fable 5.1 はゼロでした。FrontierMath Tier 4 でも Astra が 97.6% で圧倒し、Fable 5.1 は 87.8%（Fable 5 の 88% とほぼ横ばい）にとどまりました。

Code Arena の結果は締め切り直後に発表されました。両モデルとも印象的なパフォーマンスを見せましたが、現在は Astra が首位に立っています。チャット機能に関する評価はまだ確定していません。

システムプロンプトについて

いつものことですが、Pliny the Liberator がサポートしています。今回の変更はどれも些細なものに見えます。

紹介文の比較

私は OpenAI や Anthropic のモデルが、第三者企業から「新モデルは優れている」といった、どこか型にはまった汎用的な紹介文を受け取ることに慣れてしまっています。

しかし今回は紹介文の内容が異なります。各社固有の具体的な強みに言及しているのです。Jane Street の Craig Falls は取引における直感と可読性の維持について語り、Cognition の Walden Yan は Opus からのトラフィック移行をすべて完了したことを強調しています。これらは明らかに人々を感動させた実態ある内容です。

Craig Falls（Jane Street Capital）: 社内ベンチマークにおいて、Claude Fable 5.1 は Fable 5 や Opus 5 よりも多くのコーディング課題を解決し、取引の勘所に関する評価では最高水準を達成しました。以前のモデルは作業時間が長くなるほど追跡が困難になる傾向がありましたが、Fable 5.1 は多段階にわたる複雑なタスクにおいても可読性を維持します。

Marquis Wong（IMC）: 当社の研究用スイートにおいて、Claude Fable 5.1 が新たな最高スコアを記録しました。ある課題では、他モデルや過去の人間研究者とは全く異なる軸で革新的な解決策を提示し、結果をこれまでの水準から大きく引き上げました。困難な問題を突破するための閃きを得るための創造的な問題解決において、Fable 5.1 はより優れています。

Raymond Lin（Crosby）: Fable 5 と比較すると、Claude Fable 5.1 は契約書レビューのベンチマークである RedlineBench で大幅な改善を示し、スコアは 47.9 から 57.0 に向上しました。この向上の大部分は最初の回答の品質におけるもので、前回のスコアの倍に達しており、相手方の受容性においても大きな進歩が見られました。また、その編集もより簡潔で、文書に対する変更幅が平均して小さくなりました。

これらの成果の一部は AI によって作成されたものですか？はい、一部は AI が生成しました。また、汎用的な内容のものもあったでしょうか？はい、確かにありました。しかし、通常とは異なり、それらの多くはこれらどちらの属性にも当てはまりませんでした。

すべてのレビューが完了し、その評価は非常に高いものです。

Astra の要素を考慮に入れていないとしても、これは極めてポジティブな結果です。

Dan Shipper 氏（Every の CEO）：「Fable は親しみやすいモデルです。Fable レベルの知能を、Opus レベルの価格で、Sonnet レベルの速度で提供します。私たちのテストでは、Opus 5 より約 2 倍高速で、必要なトークン数も半分でした。普段 Opus をメインに使っている方にとっては、明白なアップグレードと言えるでしょう。

彼の 20 分間の動画レビューと要約はこちらです。

彼が言いたいことは、非常に素晴らしいという点に集約されます。コーディングでは怪物級のパフォーマンスを発揮し、ライティングも得意で、トークン消費を抑えつつ、知識作業にも対応します。さらに、データの保存を行わないという点も重要です。

ここで興味深いのは、トークン使用量の削減について言及されている点です。これにより「Opus レベルの価格」という表現がなされていますが、他の報告では逆にトークンを多く消費するという指摘もあります。今回の比較は Fable 5 とではなく、未知の思考設定における Opus との対比に基づいています。

Dan Shipper 氏：【速報】Anthropic が Fable 5.1 をリリースしました。CLAUDE が再び輝きを取り戻します。

私たちは先週、@every でコーディング、ライティング、知識作業においてこのモデルをテストしてきました。その結論は以下の通りです。

ついに、誰もが使える Fable が実現しました。

これは私たちがこれまで使った中で最も強力なコーディングモデルですが、今回は高速でトークン効率が良く、何より「普通の人間のように話せる」ようになりました。

私たちの評価をまとめます：

• コーディングでは怪物級のパフォーマンスを発揮します。@kieranklaassen 氏は、たった一つのプロンプトだけで、私たちが開発しているドキュメントエディタ「Proof」の動作するバージョンを再構築しました。彼は要求していなかった有用な詳細も自動で追加し、数日間にわたる大規模なコーディング作業も処理できます。また、「Hands」という Mac 用アプリをワンショットで構築しましたが、他のモデルでは達成できませんでした。

著者たちが再び使いたくなるClaude。文章が明確になり、AI特有の不自然さが減り、編集の提案にも反論せず受け入れるようになりました。Opus 5 を大きく上回る進化であり、@kplikethebird の心も取り戻しました。

トークン使用量はOpus 5のおよそ半分、処理速度も大幅に向上しています。Slack-agentでのテストでは、Opus 5と同等の結果を、約60%の時間で、半分のトークン数で達成できました。

任せても安心な知識作業が可能に。スライド資料作成など、高品質な知識作業を最初から最後まで、粗末な出力（slop）を出すことなく完遂できます。@hammermt のテストでも見事合格しました。

ゼロデータ保持契約にも対応しました。これで企業での利用が現実味を帯びます。Fableの導入における大きな障壁が取り除かれました。

総合評価：

これは明らかにOpus 5の代替品です。日常業務でOpus 5を使っていた方は、今日から切り替えるべきでしょう。

ChatGPT for WorkでGPT-5.6を利用している場合、大規模な委任タスクではまだ足踏み状態です。

私は依然として日常的にはChatGPT for Workを多用していますが、Fable 5.1のトークン使用量は圧倒的に多いです。朝一番にプログラミングの大規模プロジェクト（MVPの完全構築など）を任せておき、時々確認するといった使い方をしています。

現状のまとめ：

Anthropicに対する最大の批判は、「データセンター内に超天才を作ったが、ほとんど使えない状態だった」という点でした。処理が遅く、反論が多く、技術用語の羅列で会話が成り立たないのです。しかしFable 5.1ではこれらの課題を解決し、さらに多くの改善を実現しました。

肯定的な反応

多くの人々が感銘を受けています。

adam: Claude Fable 5.1は、エージェントによるCAD作業において怪物級のパフォーマンスを発揮します！

最大限の能力を発揮させた場合、これまでテストしてきたモデルの中で最も高性能なモデルです。

ここでは、Fusion 内の Adam のハーネス内で、SO-101 グリッパーを標準サーボを中心に再構築し、公式 STEP から実物の Pi Camera Module 3 を搭載しました。

Rory Watts: Fable 5.1 は非常に優れています。私は 5 月から 8 月まで Codex を専ら使用していましたが、その後「Fable (spec) + Sol (do)」という組み合わせに切り替えました。これは素晴らしい分離でした。しかし、Fable 5.1 はさらに評価が高く、より長く自律的に動作し、怠惰な振る舞いも減っています。何よりも重要なのは、「Fable、ごめんなさい、もう一度書き直してください。死んだ文章や格言は不要です」という指示を毎回出す必要がなくなったことです。10 点満点で、また使いたいです。

nin: シングルショットで素晴らしい小さなアプリレットを生成します。私が作っていたものを共有できればいいのですが。

Michał Wadas  ️‍  : コードのクリーンアップが得意です。おそらく、コードを確実に簡略化できる最初のモデルでしょう。

Zee Waheed: Fable は、言葉にできないほど本質的でありながら非常に具体的な形で、真のプロダクトセンスを持つ唯一のモデルです。5.1 はさらに一段階上のレベルにあります。

morphillogical: トークンを大量に消費することに非常に意欲的です。サブエージェントをより多く生成します。

明らかに賢くなったように感じます。保守的に新しいアーキテクチャへ移行したシステムに対し、そのアーキテクチャに最適化されるよう実際に整合性を保ち、最適化し、不要なコードを削除しました。

joy larkin: Fable 5.1 でテキストのドラフト作成をするのが好きです。目標の 85% まで到達させてくれるので、そこから編集すればよいのです。また、ライティングスキルに対する尊重もより高まっているようです。

Carter: Fable 5.1 は 5 よりも優れています（より鋭く、文章の質も向上）。ただし、必要なトークン数は 25〜50% 増えています。私にとって両モデルとも Astra よりも優秀です（エージェントによるコーディングにおいて、Astra は agents.md の指示を無視するなど基本的なミスを犯すことがあります）。一方、Astra のコンピュータ操作能力は優れています。

bartdecrem: すばらしいですね！

Sam Jacobs: 素晴らしいです。まるで数週間前から使い続けているかのような感覚で、多くのタスクをこなしました。私にとってついに「完成形」が手に入ったと感じています。これ以上機能追加をする必要はなく、価格設定さえ整えば、これは「優しいシンギュラリティ」と呼べるでしょう。あらゆる分野で最も賢く、かつコミュニケーション能力も備えています。

William Eden: