Claude Fable 5.2、積極的な検証によりLLM首位を奪還

AnthropicはClaude Fable 5.2およびMythos 5.2をリリースし、GoogleのGemini 4 Carbonから主要なAIリーダーボードでの首位の座を奪い返した。この発表はAnthropicのIPOロードショー開始と同時に行われ、複雑な技術的推論や長期にわたるタスク向けに設計されたモデルの導入として、同社にとって重要な瞬間となった。

何が起きたか

新しいモデルは、以前首位を維持していたOpus 5.5からの大幅なアップグレードとして位置づけられている。Opus 5.5はわずか10日間トップを維持した後、Geminiにその座を明け渡していた。AnthropicはFable 5.2がコーディング、推論、視覚能力において前世代モデルを上回ると主張している。Artificial AnalysisおよびEpoch AIによる独立したベンチマークでもこの優位性が確認されており、Fable 5.2はHLE-DiamondやARC-AGI-3などのテストで記録的なスコアを達成している。また、今回のリリースではFableとMythosの両バリアントで共有されるベースモデルも導入され、統一された基盤アーキテクチャを示唆している。

性能向上にもかかわらず、展開には目立った制限と経済的な変化が伴う。Anthropicは再帰的自己改善や特定のハードウェア設計タスクに関連する領域において、意図的な能力制限（しばしば「ナーフ」と呼ばれる）を実施している。さらに、個人ユーザーへのアクセスはリセット制限や週間の使用上限を通じて厳しく管理されており、エンタープライズユーザーは安全性分類をサポートするためのデータ保持ポリシーが義務付けられている。これらの変更は、規制や安全性に関する監視が強まる中、高度な能力を持つシステムをリリースすることに対する慎重なアプローチを反映している。

仕組み

Fable 5.2は、単なるパラメータ効率の高さだけでなく、クエリごとに実行する計算量を大幅に増やすことで高いベンチマークスコアを達成している。解決策を20回試行する程度の従来のモデルとは異なり、Fable 5.2は数百または数千のテストケースを生成することが多い。また、自身の推論ステップを検証するために、独立したサブエージェントを頻繁に起動する。この「総当たり」型の検証戦略により、エラーを検出し出力を改善できるため、形式的な数学的証明や多段階のコーディングタスクなど、複雑な問題における精度が向上する。

この徹底ぶりはトークン消費量のトレードオフを伴う。Fable 5.1と比較してトークン単価は20%低下したが、モデルが各リクエスト完了により多くのトークンを消費するため、タスクあたりの総コストは上昇している。例えば、GDPxベンチマークでは、単価が安くなったにもかかわらず、タスクあたりのコストは31%増加した。モデルは5つの努力レベルを提供しているが、興味深いことに、独立した評価では「High」設定がパフォーマンスとコストのバランスにおいて最良であることが示唆されており、特定のコーディングベンチマークではより高価な「Max」設定を上回る場合もある。

主要な詳細

• 価格: 入力トークンは100万あたり8ドル、出力トークンは100万あたり40ドルで、Fable 5.1から20%値下げされている。
• パフォーマンス: Fable 5.2はArtificial Analysis Intelligence Indexで65点を記録し、Gemini 4 Carbon（60点）やOpus 5.5（59点）を上回っている。
• 効率性: FrontierCode 2.0において、High努力レベルのFable 5.2は、タスクあたり約半分のコストでMax努力レベルのOpus 5.5と同等のパフォーマンスを発揮する。
• アクセス制限: Ultraプランの加入者は契約期間に基づいた限定的なリセット回数を受け取り、Fableの使用量は週間上限の50%に制限される。
• 安全機能: モデルには再帰的自己改善タスクに対する明示的な制限が含まれており、デフォルトで安全性監視のためのデータ保持が要求される。
• 統合: このモデルはCursor、GitHub Copilot、Perplexity、その他の主要な開発者ツールで即座に利用可能である。

なぜ重要なのか

ソフトウェアエンジニアや技術系創業者にとって、Fable 5.2は迅速な自動補完エンジンよりも、徹底的なジュニアデベロッパーのように振る舞うモデルへのシフトを表している。ゼロからオペレーティングシステム全体を構築したり、複雑な数学的証明を形式化したりするような長期にわたるタスクを処理できる能力は、自動化された研究開発の可能性を広げる。しかし、タスクあたりのコスト増加は、予算を抑えたいチームがルーチンのコーディングジョブに対して、より高い精度が費用に見合うかどうかを慎重に評価する必要があることを意味する。

自己改善能力に対する戦略的な制限は、安全性への懸念が製品機能に直接影響を与える成熟しつつある業界の兆候でもある。自律エージェントループやハードウェア最適化のためにAIに依存している開発者は、これらの新しい制限に課題を感じる可能性があり、特定のユースケースではオープンソースの代替手段へ移行することを余儀なくされるかもしれない。予期せぬ能力の壁にぶつからない、堅牢なAI支援ワークフローを設計するためには、これらの境界を理解することが極めて重要である。

推奨アクション

• ベンチマークでは最高レベルで収穫逓減とコスト増加が示されているため、「Max」ではなく「Medium」または「High」の努力設定から始めること。
• コードベースのリファクタリングや初期プロジェクトのスキャフォールディングなど、曖昧で大規模なタスクにはFable 5.2を使用し、明確で小規模なクエリにはOpus 5.5を継続して使用すること。
• ファイル削除や外部API呼び出しなどのアクションに対して厳格な承認ゲートを設けること。モデルの自律性が高まったことで、潜在的なエラーの影響範囲が大きくなっている。
• トークン使用量を注意深く監視すること。特にFable 5.1からの移行時には、新モデルの検証習慣により消費量が大幅に増加する可能性がある。
• 実行前に計画を批判させることで、モデルの検証能力を活用すること。改善されたプッシュバック（反論）機能を利用できる。
• 新しい契約期間に基づく制限があるため、重要な開発スプリント中に週間の上限に達しないよう、サブスクリプションのリセットスケジュールを確認すること。