「Fable 5.1は結局どれくらい賢くなったのか」「自分の作業で乗り換える意味はあるのか」。Claude Codeを毎日使う人ほど、発表記事の点数の羅列だけでは判断がつかないはずです。Fable 5.1の性能は、公式が公開した8つのベンチマーク全てで前世代のFable 5を超えました。ただし伸び方は一様ではなく、科学系ターミナル作業と業務自動化はほぼ2倍、コーディングは数%と領域差が大きいのが実態です。8つのベンチがそれぞれ実務のどの作業に対応するかまで、2026年9月1日の発表値で読み解きます。
Fable 5.1の性能はどこまで上がった？8つのベンチ全てで前世代超え
結論から書きます。Anthropicが2026年9月1日にリリースしたFable 5.1は、発表で示された8つのベンチマーク全てでFable 5を上回りました。最大の伸びはTerminal-Bench-Science 0.1の24.7%→52.6%で2倍超、最小はHumanity’s Last Exam（ツール有）の63.8%→65.0%で1.2ポイントです。全勝ではあるものの伸び幅の差が大きく、この差をどう読むかが移行判断の材料になります。
| ベンチマーク | 測っている作業 | Fable 5 | Fable 5.1 | 伸び |
|---|---|---|---|---|
| Terminal-Bench-Science 0.1 | 科学系のターミナル作業 | 24.7% | 52.6% | +27.9pt（2倍超） |
| Terminal-Bench 4.0 | エージェンティックコーディング | 42.0% | 55.8% | +13.8pt |
| Humanity’s Last Exam（ツール無） | 分野横断の最難問知識 | 57.8% | 60.9% | +3.1pt |
| Humanity’s Last Exam（ツール有） | 同上＋ツール使用 | 63.8% | 65.0% | +1.2pt |
| CursorBench 3.2.0 | エディタ内の実装タスク | 70.5% | 73.4% | +2.9pt |
| OSWorld 2.0（strict） | PC画面の操作 | 36.1% | 41.7% | +5.6pt |
| GDPval-AA v2 | 知識労働の成果物（Elo） | 1723 | 1853 | +130 |
| AutomationBench | 業務ワークフロー自動化 | 17.1% | 31.4% | +14.3pt（ほぼ2倍） |
公式の位置づけもこの結果と揃っています。Anthropicはドキュメントで「要求水準の高い推論と長時間のエージェント作業向け。大半のワークロードはOpus 5から始め、Opus 5のeffortを上げても評価が届かないときにFable 5.1」と案内しており、日常タスクの置き換えではなく難所専用の最上位という立て付けです。モデルIDは claude-fable-5-1、コンテキストは1Mトークン、最大出力は128Kで、thinkingは常時オンのAdaptive型になっています。なお、APIの破壊的変更（強制ツール使用のエラー化など3件）で移行時に直す設定は、Claude Fable 5.1の破壊的変更3つで先にまとめています。
8つのベンチマークが測っている作業の中身
点数を比べる前に、それぞれのベンチマークが何をやらせているのかを押さえておきます。測っている作業が自分の業務と重ならなければ、スコアがいくら伸びても持ち帰れるものがないためです。編集部で8種を4系統に整理しました。
①ターミナル系｜Terminal-Bench-ScienceとTerminal-Bench 4.0
Terminal-Bench-Science 0.1は、科学分野の課題をターミナル上で解かせるベンチマークです。データの前処理、解析スクリプトの実行、結果の検証といった一連の作業をシェル経由で自走させます。Fable 5.1は52.6%で、Fable 5の24.7%から2倍超に伸びました。同時に公表されたOpus 5は29.0%ですから、この領域は5.1がはっきり抜けています。実験データの解析、ログの統計処理、研究用スクリプトの運用をClaude Codeに任せる作業がこれに対応すると想定されます。
Terminal-Bench 4.0は科学に限定せず、シェル上でのエージェンティックコーディング全般を測ります。スコアは42.0%→55.8%で13.8ポイントの伸びです。リポジトリを読み、修正し、テストを回して自力で直すという流れはClaude Codeの日常そのものなので、複数ステップの実装・ビルド修復の完走率に対応すると想定されます。
②知識・推論系｜Humanity’s Last ExamとGDPval-AA v2
Humanity’s Last Examは、専門家が作成した分野横断の最難問で知識と推論を測るベンチマークです。ツール無しで57.8%→60.9%、ツールを使える条件で63.8%→65.0%と、伸びは1〜3ポイントにとどまりました。技術選定の下調べや一次情報の突き合わせといった、深い調べ物の精度に対応すると想定されます。すでに高水準だった領域のため、体感差は小さめと見るのが妥当です。
GDPval-AA v2は知識労働の成果物を相対比較するElo形式で、1723から1853に上がりました。Eloは対戦形式の相対評価なので何%という読み方はできませんが、レポートや分析資料のような「ホワイトカラーの納品物」の質を測る指標です。文書作成やデータ分析のアウトプット品質に対応すると想定されます。
③コーディング系｜CursorBench 3.2.0
CursorBench 3.2.0はエディタ内での実装タスクを測るベンチマークで、70.5%→73.4%でした。Opus 5は70.0%です。前世代の時点で既に7割台に達していて伸びしろ自体が小さい領域であり、1回の指示に対する実装精度は前世代とOpus 5と5.1で数ポイントの中に収まっています。日々の実装補助での体感に対応するのはこの数字だと想定されます。
④PC操作・自動化系｜OSWorld 2.0とAutomationBench
OSWorld 2.0（strict）は実際のPC画面を操作させるベンチマークで、36.1%→41.7%です。ブラウザや画面越しの入力を任せるComputer Use系の作業に対応すると想定されます。まだ4割強なので、無人運用より人の監視付きが前提の水準です。
AutomationBenchは複数のツールと手順をまたぐ業務ワークフローの自動化を測り、17.1%→31.4%とほぼ2倍になりました。定型業務の一括処理、たとえば集計・仕分け・通知のような多段の無人ワークフローに対応すると想定されます。8つの中でTerminal-Bench-Scienceと並ぶ最大級の変化です。
Fable 5.1の性能が2倍伸びた領域｜科学系ターミナルと業務自動化
8つの中で別格なのがTerminal-Bench-Science 0.1です。Fable 5の24.7%はOpus 5の29.0%を下回っていました。つまり前世代では「最上位モデルなのに科学作業は中位モデル以下」というねじれがあったわけです。5.1は52.6%でこのねじれを解消し、逆にOpus 5の1.8倍まで引き離しました。科学系の解析をエージェントに任せたい読者にとっては、モデル選定の前提が変わる数字です。
もう1つがAutomationBenchの17.1%→31.4%です。伸び率ではほぼ2倍ですが、絶対値はまだ31.4%で、7割近くは完走できない水準にあります。期待値の置き方としては「業務を無人で丸ごと任せる」ではなく、「長い下準備までを任せて、最後の確定は人が閉じる」運用が現実的だと想定されます。倍になったのは事実でも、実務では失敗前提のリトライ設計とセットで使う段階です。
セーフガード面では、サイバーセキュリティ系タスクの誤検知（正当な作業を危険と誤判定して拒否するケース）が60%減ったと発表されています。セキュリティ監査や脆弱性調査の自動化が途中で不必要に止まる場面が減ると想定され、自動化パイプラインを組む側には地味に大きい改善です。
コーディングの伸びは数%。体感は変わる？
1回ごとの実装補助に限れば、体感の変化は小さいと想定されます。エディタ内の実装タスクを測るCursorBench 3.2.0の伸びが70.5%→73.4%と2.9ポイントにとどまるためです。
一方で、同じコーディングでもTerminal-Bench 4.0は42.0%→55.8%と13.8ポイント伸びています。2つを分けるのは工程の長さです。CursorBenchが「1つの実装指示をこなす精度」に寄っているのに対し、Terminal-Benchは計画・実行・検証・修正を自走で回す複数ステップの作業を測ります。つまりFable 5.1のコーディング性能は、1手の質よりも「長い工程を破綻させずに走り切る力」で伸びたと読めます。リファクタリングを1つ頼む場面より、テストが全部通るまで無人で回す場面で差が出ると想定されます。
コストも判断材料になります。Opus 5はCursorBenchで70.0%と5.1に3.4ポイント差まで迫っており、料金は入力$5/出力$25と半額です。日常の実装補助はOpus 5に任せ、長工程の自走だけ5.1に切り替える分担が、公式の「大半はOpus 5から」という案内とも一致します。どのモデルに何を任せるかの全体像はタスク別のClaudeモデルの使い分けで整理しています。
公式実例で見る長時間の自律作業の性能
ベンチマークを補強する材料が、発表で同時に示された企業・研究の事例です。以下は全てAnthropicの発表ページに記載された内容で、編集部が再現・検証したものではありません。各社の環境で出た結果であり、自分の環境でそのまま再現される保証はない点を先に押さえてください。
| 事例（発表元） | 発表で示された内容 | 対応する性能領域 |
|---|---|---|
| Ramp | 38時間の無人実行。過去の結果をラベル付きアーティファクトで診断し、6並列の実験を開始 | 長時間の自律作業 |
| Red Hat | 壊れたビルド全件で根本原因を正しく特定 | エージェンティックコーディング |
| Millennium | 発生率100万回に1回、4〜5年未解明だった稀なクラッシュを発見 | 深いデバッグ・推論 |
| MongoDB | 数時間無人で動いてプロトタイプを構築 | 自律コーディング |
| Hebbia | 金融文書のファクト想起とスライド生成が最良と評価 | 知識労働（GDPval系） |
| Crosby | 契約レッドラインの精度が47.9%→57.0% | 文書レビュー |
| タンパク質設計 | 分子バインダーのヒット率約50%（通常10〜15%） | 科学作業 |
| 金星の地図作成 | 30年前のNASAレーダーデータから300m解像度の標高図（従来10〜20km） | 科学データ解析 |
| GPU/ゲノム | GPUカーネル最適化で最大2.5倍高速化、ゲノム解析コスト推定30〜60%減 | 最適化・科学計算 |
開発の現場で示された事例
決済プラットフォームのRampでは、38時間の無人実行が示されました。過去の実験結果をラベル付きのアーティファクトとして診断し、そこから6並列の実験を自ら開始したとされています。指示を待たずに次の一手を組み立てる動きで、AutomationBenchとTerminal-Bench系の伸びを実地で裏付ける事例です。MongoDBでも数時間無人で動いてプロトタイプを構築したと示されました。
Red Hatは壊れたビルド全件で根本原因を正しく特定したと発表しています。Millenniumの事例はさらに極端で、発生率100万回に1回、4〜5年誰も解明できなかった稀なクラッシュの発見が示されました。表面のエラーを塞ぐのではなく因果を遡り切る方向の性能で、デバッグを任せたい読者には一番参考になる内容だと編集部は見ています。
研究・専門領域で示された事例
科学系では、30年前のNASAレーダーデータから金星の300m解像度の標高図を作成した事例が示されました。従来の解像度は10〜20kmです。タンパク質設計では分子バインダーのヒット率約50%（通常は10〜15%）、GPUカーネル最適化で最大2.5倍の高速化、ゲノム解析ではコスト推定30〜60%減という数字も並びます。Terminal-Bench-Scienceの倍増と方向が一致する内容です。
文書系では、Hebbiaが金融文書のファクト想起とスライド生成を最良と評価し、Crosbyは契約レッドラインの精度が47.9%から57.0%に上がったとしています。GDPval-AA v2の1723→1853が測る知識労働の改善に対応する事例と位置づけられます。
Fable 5とFable 5.1の差分表で見る実務への影響
移行判断に使う差分を1枚にまとめます。表の「実務での意味」列は、ベンチ結果と公式仕様から編集部が読んだ想定です。性能そのものは編集部でまだ実測していないため、断定ではなく期待値として扱ってください。
| 項目 | Fable 5 | Fable 5.1 | 実務での意味 |
|---|---|---|---|
| API料金 | 入力$10・出力$50（MTok） | 同額（据え置き） | 切り替えても基本単価は増えません |
| キャッシュ読み取り | $1.00/MTok | $0.25/MTok（75%減） | 公式試算で典型25%減・エージェント用途は最大45%減と想定 |
| ベンチマーク | 8種で下回る（例: Terminal-Bench-Science 24.7%） | 8種全てで上回る（同52.6%） | 科学・自動化は約2倍、コーディングは数%の改善と想定 |
| API仕様 | 現行仕様 | 破壊的変更3件＋追加5件（トークナイザーは同一） | SDK側の修正が必要な場合があります |
| 提供面 | — | Claude API・Claude Code・claude.ai・Amazon Bedrock・Google Cloud・Microsoft Foundry | 初日から普段の環境で切り替え可能 |
| 提供期間 | — | 2027年9月1日より前には廃止しないと公式が明言 | 最低1年は移行を強制されません |
数字の上で見逃せないのがキャッシュ読み取りの値下げです。編集部のccusage実測（2026年9月2日）では、Claude Code運用の入力側は非キャッシュ入力5,383トークンに対してキャッシュ読込が8.27億トークンと、97%超がキャッシュ読込でした。同日のFable 5分のキャッシュ読込2.04億トークン（$204）を5.1単価の$0.25/MTokで計算し直すと$51で、この部分だけなら約4分の1になる試算です。システムプロンプトと同じファイルを繰り返し読み込むClaude Codeの構造上、公式試算の「エージェント用途で最大45%減」は実運用でも近い水準になると想定されます。
自分の作業で性能差を確かめる手順
ベンチマークは他人のタスクの平均値です。最終判断の材料は、自分の実タスクで出た差に置くのが確実といえます。編集部が使っている比較手順をそのまま載せます。
手順①｜同じタスクを2つのモデルで流す
前提としてClaude Code 2.1.251以降が必要です。編集部が2.1.250環境で5.1を指定したところ、「Claude Code 2.1.228 does not support this model; version 2.1.251 or newer is required. Run ‘claude update’」という型のエラーが返りました。まず更新から始めます。
# 1. Claude Codeを更新（2.1.251以降にする）
claude update
# 2. 普段のモデルで基準を作る（--model指定なし＝現在の既定モデル）
claude -p "テストを実行して、失敗があれば原因を特定して修正して" > before.log
# 3. 完全に同じ指示文をFable 5.1で流す
claude -p --model claude-fable-5-1 "テストを実行して、失敗があれば原因を特定して修正して" > after.log対話セッションなら /model からの切り替えでも同じ比較ができます。題材は新しく作らず、直近で手戻りが多かった実タスクを選んでください。伸びが集中していたのは科学系の解析と多段のワークフローなので、単発の小さな修正で比べると差が見えにくいと想定されます。
手順②｜差が出たかを判定する3つの観点
1. 手戻りの回数
同じ成果物に到達するまでに指示し直した回数を数えます。ベンチのポイント差より、この回数の差のほうが自分の作業時間に直結します。
2. 無人で進み続けた時間
途中で手を止めて確認を求めてきた回数と、無人で進み続けた時間を記録してください。Rampの38時間のような長時間自律が5.1の中心的な売りなので、ここに差が出なければ切り替えの根拠は弱くなります。
3. 根本原因への到達
エラーを黙らせる対症療法のパッチで終えたか、原因まで遡って直したかを差分で確認します。Red Hatの事例で示された「壊れたビルド全件で根本原因を特定」は、この観点の理想形です。
最後に所要時間も並べて見ます。Fable 5.1の相対レイテンシは現行モデルで最も遅い区分にあり、thinkingは常時オンで無効化できません。品質の差と待ち時間の増加を天秤にかけ、見合うかどうかで判断してください。Claude Code側の細かい設定はClaude CodeでFable 5.1を使う設定にまとめています。
Fable 5.1の性能に関するFAQ
Fable 5.1のベンチマークで最も伸びたのはどれ？
Terminal-Bench-Science 0.1です。24.7%→52.6%と2倍超に伸び、同時公表のOpus 5（29.0%）も大きく引き離しました。次点は業務自動化のAutomationBenchで、17.1%→31.4%とほぼ2倍です。
Fable 5.1とOpus 5はどちらを使うべき？
公式は「大半のワークロードはOpus 5から始め、effortを上げても評価が届かないときにFable 5.1」と案内しています。料金もOpus 5が入力$5/出力$25と半額です。数時間単位の自律作業や科学系タスクだけ5.1に切り替えるのが目安になります。
Fable 5.1で料金は上がった？
基本単価は入力$10/出力$50のまま据え置きです。キャッシュ読み取りは$1.00→$0.25/MTokと75%下がりました。公式試算では典型ワークロードで約25%、エージェント用途で最大45%のコスト減とされています。
Fable 5.1はClaude Codeですぐ使える？
使えます。ただしClaude Code 2.1.251以降が必要で、古い版で指定するとバージョンエラーになります。claude update で更新したうえで、/model か claude -p –model claude-fable-5-1 で切り替えてください。
Fable 5.1は応答速度も速くなった？
速度は上がっていません。公式の相対レイテンシ表記は現行モデルで最も遅い区分で、thinkingも常時オンです。速度が要る作業には向かず、時間をかけてでも品質を取りたい長い工程向けのモデルといえます。
まとめ｜Fable 5.1へ切り替える判断基準
切り替えの判断軸は「任せる工程の長さ」です。1回ごとの実装補助が中心ならOpus 5で足りる場面が多く、数時間単位の自律作業・科学系の解析・複数ツールをまたぐ自動化なら、8つのベンチで確認した伸びが直接返ってくると想定されます。料金は据え置きでキャッシュ読み取りは75%下がったため、試すこと自体のコストはむしろ前世代より下がりました。
次の一歩は、claude update で2.1.251以降にして、直近で手戻りが多かったタスクを1本だけ –model claude-fable-5-1 で流し直すことです。モデルの使い分け全体はタスク別のClaudeモデルの選び方、API移行で直す設定はFable 5.1の破壊的変更3つで確認できます。
- 出典: Anthropic公式発表「Claude Fable and Mythos 5.1」（ベンチマーク・公式実例）
- 出典: Claude Platform Docs: Fable 5.1 overview（仕様・料金・提供面）