Claude Fable 5 のベンチマーク解説：スコアの正しい読み方

ベンチマークが答えているのは「どんな設定でこのモデルはうまく機能したか」であって、「私の次のタスクを解けるか」ではありません。 Claude Fable 5 の公開結果はモデル選定にとって価値ある入力ですが、判断にはタスク適合性、プロバイダーの挙動、リトライのコスト、そして自分の業務での小さな評価も含めるべきです。

スコアより先に出典を読む

ベンチマークに関するあらゆる主張について、次の4点を特定してください。

1. 誰が実施したのか？ ベンダー公表の結果、独立した評価、コミュニティの体験談では、証拠としての重みが異なります。
2. どんなタスクだったのか？ リポジトリの修正、ブラウザ操作、文書の判断、1ターンのコーディング演習は、それぞれ別の能力を測っています。
3. どのツールと予算が許されていたのか？ エージェントのスキャフォールディング、コンテキスト長、リトライ、テスト時計算量は、結果を大きく動かしうる要素です。
4. 何を採点したのか？ 合格率、選好スコア、コスト調整後の成功率を、同じ指標であるかのように比べてはいけません。

主要な数値は Fable 5 ベンチマークまとめに集約しています。本記事は、それらの数値を導入判断の近道として使ってしまわないためのガードレールです。

ベンチマークを実際の仕事に合わせる

難しいエージェント系ベンチマークで勝つモデルが、短い抽出作業の既定としては不向きなこともあります。その場合、より安価なモデルの方が、受け入れられた結果1件あたりのコストで優れた結果を出せます。

ルーティングとフォールバックの挙動に注意する

実際のプロバイダーがリクエストを別の経路に流したり、安全性の制御を適用したり、リージョンによって可用性を変えたりすると、本番の結果は見出しのスコアと食い違うことがあります。要求したモデル、解決されたモデル、プロバイダー、結果をログに残してください。ワークフローでフォールバックを使っているなら、それを例外扱いせず評価に含めましょう。

これは Fable 5 を Opus 4.8 や Opus 5 と比較するときにとりわけ重要です。ユーザー体験にとっては、わずかなベンチマークの差よりもルーティングポリシーの方が効いてくることがあります。最も動いたのは Opus 5 との比較です。2026年7月24日にリリースされ、Frontier-Bench v0.1 では 43.3%（Fable 5 は 33.7%）を半額で記録しているため、それ以前に公開された Fable 5 の数字は「4.8 との比較」であって、現在の勢力図との比較ではないと読むべきです。

意思決定に足る小さな評価を回す

巨大なベンチマークスイートは必要ありません。本番に近い 20〜50 件のタスクから始めましょう。

• 簡単なケース、典型的なケース、失敗しやすいケースを含める
• プロンプト、ツール、タイムアウト、受け入れテストを固定する
• 完了率、人手による修正時間、レイテンシー、トークン使用量、リトライ回数を記録する
• 集計スコアだけでなく、失敗事例を定性的にレビューする
• プロバイダーやプロンプトポリシーが変わったら再実行する

そのうえで、トークンあたりのコストではなく受け入れられたタスク1件あたりのコストを計算してください。コスト側の入力は料金計算ツールが、結果側は自分の受け入れテストが提供します。

使える結論

公開されている Fable 5 のベンチマークは、「まずどこで試すか」を決めるために使ってください。難しいエージェント型コーディング、複雑なリファクタリング、あるいは一度の失敗が高くつくタスクです。そのうえで、それを既定の経路にするのか、エスカレーション用の経路にするのか、まったく合わないのかは、自分の評価で判断しましょう。その評価には Opus 5 も含めてください。半額でありながら、公開ベンチマークの多くで Fable 5 を上回っています。

あわせて読む：API のリトライとフォールバック、代替モデルの決定木。