Claude Opus 4.5 SWE-bench、80%超を初めて記録
2025年11月24日にAnthropicがモデルを公開した際に報じられたClaude Opus 4.5 SWE-benchの結果は、評価の高いコーディングベンチマークSWE-bench Verifiedで初めて80%を超えるスコアでした。価格は百万トークンあたり5ドルと25ドルで、コーディング、エージェント、コンピューター操作を主な用途としています。企業にとっては、初期の顧客が同じ作業をより少ないトークンとエラーで終えたと報告しており、仕事1件あたりのコストが下がります。
企業がOpusモデルを見送ってきた理由
障害は価格でした。Anthropicが公開時に発表したコメントの中で、早期アクセス顧客のCEOであるジェフ・ワン氏は、Opusモデルはつねに「本物の最高水準」だったが、これまではコストが高すぎたと述べています。
2つ目の障害は記憶でした。エージェントはコードベースや大きな文書を調べ、必要な細部を覚えておく必要があります。Claudeアプリでは、長い会話がモデルのコンテキストウィンドウをいっぱいにすると行き詰まっていました。
2025年11月24日にAnthropicが公開したもの
Anthropicは、9月のSonnet 4.5、10月のHaiku 4.5に続く4.5シリーズの最後のモデルとして、Claude Opus 4.5を公開しました。1つ前のOpusであるClaude Opus 4.1は8月に出ていました。価格は百万トークンあたり5ドルと25ドルで、同社のアプリ、API、そして3大クラウドのすべてで使えます。CNBCによると、Pro、Max、Enterpriseプランの標準モデルになっています。
モデルの公開に合わせて、Anthropicは試験提供中だった2つの製品を広げました。Claude for ChromeはMaxの全ユーザーに、Claude for ExcelはMax、Team、Enterpriseのユーザーに提供されます。Claude Codeもデスクトップアプリに対応しました。
長いエージェント作業をどう扱うか
Opus 4.5は、1つのモデルが指揮し、ほかのモデルが従うエージェント作業のために作られています。TechCrunchは、Opusがリードエージェントとして、Haikuで動く複数のサブエージェントに指示を出す構成を紹介しています。これは作業用の記憶に支えられています。
Anthropicは、長いコンテキストでモデルが記憶を管理する方法を変えました。Claudeアプリでは、有料ユーザー向けに「終わらないチャット」が可能になりました。会話がコンテキストウィンドウに達しても、モデルは止まらずに記憶を圧縮します。
「長いコンテキストウィンドウを持つことと並んで、どの細部を覚えておくべきかを知ることが本当に重要です。」 ダイアン・ナ・ペン氏、Anthropicのリサーチ担当プロダクトマネジメント責任者
Claude Opus 4.5 SWE-benchの結果と顧客のテスト
ベンチマークについて、TechCrunchはOpus 4.5が評価の高いコーディングテストSWE-bench Verifiedで80%を超えた初のモデルだと報じました。CNBCは、同じテストでGoogleのGemini 3 ProとOpenAIのGPT-5.1を上回ったと伝えています。Anthropicによれば、SWE-bench Multilingualでは8つのプログラミング言語のうち7つで首位に立ち、Aider PolyglotではSonnet 4.5より10.6%向上し、Vending-Benchでは29%多く稼ぎました。
Anthropicは、パフォーマンスエンジニアリングの採用候補者向けの持ち帰り試験もモデルに解かせました。制限時間の2時間以内で、Opus 4.5はこれまでのどの人間の候補者よりも高い点を取りました。
顧客は独自の数字を報告していますが、それぞれ各社の主張です。GitHub Copilotに関するコメントでは、初期テストでトークン使用量が半分になったとされています。別の顧客は、長いコーディング作業でトークンが最大65%減ったと述べ、さらに別の顧客は、ツール呼び出しのエラーとビルドやlintのエラーが50%から75%減ったと報告しました。金融モデリングの顧客は、社内評価の精度が20%、効率が15%向上したと述べています。
ソフトウェアチームとアナリストへの影響
企業にとって変わるのは、難しい仕事をモデルにさせるコストです。複数の顧客が、Opus 4.5は同じ作業をより少ないトークンとステップで解くと述べており、トークン単価だけでなく作業ごとの請求額も下がります。Anthropicは強みとしてコーディング、エージェント、コンピューター操作を挙げ、スプレッドシート、スライド、ディープリサーチも大きく改善したとしています。
CNBCによると、Anthropicは主な利用者として、プロのソフトウェア開発者と、金融アナリスト、コンサルタント、会計士などの知識労働者を想定しています。競争は接近しており、OpenAIは11月12日にGPT 5.1を、Googleは11月18日にGemini 3を公開しました。
よくある質問
Claude Opus 4.5のSWE-bench Verifiedのスコアは?
TechCrunchは、Opus 4.5がSWE-bench Verifiedで80%を超えた初のモデルだと報じました。CNBCは、同じテストでGemini 3 ProとGPT-5.1を上回ったと伝えています。
Claude Opus 4.5の料金は?
AnthropicはAPIの価格を百万トークンあたり5ドルと25ドルに設定しました。開発者はClaude API経由で使え、3大クラウドのすべてでも利用できます。
Claude Opus 4.5は誰のためのモデルですか?
CNBCによると、Anthropicは、プロのソフトウェア開発者と、金融アナリスト、コンサルタント、会計士などの知識労働者を理想的な利用者と見ています。
MOZGIIの視点
私たちならこう作ります
ベンチマークのスコアが示すのは、他人の課題でモデルに何ができるかです。企業にとって役に立つ問いは、自社の仕事で1件を終わらせるのにいくらかかるかです。Opus 4.5のようなモデルをソフトウェアチームに入れるなら、まずチーム自身のバックログから実際のチケットを集めます。各チケットには、開発者が承認した修正を付けておきます。本番に触れさせる前に、そのチケットでモデルを走らせます。
大きなモデルには計画とレビューを任せ、狭い手順は小さなモデルにやらせます。AnthropicがOpusにHaikuのサブエージェントを率いさせる例で説明している形です。すべての変更は既存のテストと人間のレビューを通してからマージします。モデルはコードのコピーの中で作業し、本番システムや秘密情報にはアクセスさせません。
壊れるのは、長くて目立たない失敗です。エージェントが誤った道を進み続け、トークンを使い、テストは通るのに意図を外した変更を返すことがあります。記憶の圧縮は長いセッションを続ける助けになりますが、重要だった細部を落とす可能性があります。そのため、エージェントが何を残し何を捨てたかを記録します。
見る数字は1つで、承認された変更1件あたりのコストです。使ったトークンを、開発者が実際にマージした変更の数で割ります。次に作るのは、同じチケットでモデルごとにそのコストを比べる週次レポートです。
出典
この記事の事実の出典です。