2026年7月24日にリリースされた Claude Opus 5 は、「Fable 5 に迫る性能を半額で」という触れ込みで登場しました。当ブログでも【Opus 5 が Max の新デフォルトに】として、何が変わったのかを整理しています。
ただ、リリース直後の海外の反応を調べていくと、絶賛一色ではありませんでした。独立系のベンチマークや実際に使ったレビューでは、性能を認めたうえで「遅い」「よく喋る（冗長）」「トークンを食う」という指摘が並んでいます。
そして興味深いのが、その弱点を Anthropic 自身が認めていて、対処法まで公式ドキュメントで配っていることです。
この記事では、海外の評価を賛否の両側から整理し、公式が認めている挙動と、その対処法をまとめます。日本語ではまだあまり出ていない話なので、Opus 5 を使い始める前に知っておくと判断がしやすくなります。
先に要点：賢い。ただし「遅くて、よく喋る」
調べた結果を一言でまとめると、こうなります。
- 知能は本物。独立系ベンチマークで191モデル中2位。ベンダー各社も自社ベンチで首位を報告している。
- ただし 速度は遅い。同じ独立ベンチで出力速度は191モデル中120位、「著しく遅い」と評価されている。
- そして 応答が長い（冗長）。これは複数の第三者が指摘し、Anthropic 自身も公式に認めている。
- 用途によっては トークン消費が増えるという第三者の計測もある。料金単価が据え置きでも、実際に払う量が増えれば話は変わる。
- 対処法は公式のプロンプトガイドに載っている。指示文をコピーして使える。
「性能は上がったが、そのぶん喋るし考える」——これが現時点での全体像です。
絶賛サイド：何が評価されているのか
まず良い側から。ベンダー各社が自社のベンチマーク結果を公表しています。
- Zapier CEO（Wade Foster）：自社の AutomationBench でトップに立ったと報告。「以前の Claude モデルより多くのトークンを使うことなく」、解約防止ワークフローを最初から最後まで完走させ、他モデルが通らなかったところを Opus 5 は100%達成したとしています。
- Cognition CEO（Scott Wu）：FrontierCode 1.1 において「Opus 5 は Fable 級の性能に、半分のコストで近づいている」とコメント。とくにデバッグと根本原因の分析に強いと評価しています。
- Artificial Analysis（独立系の分析サイト）：知能指数で 60点、191モデル中2位。同等クラスの平均（32点）を大きく上回っています。
知能そのものへの評価は高い、という点は押さえておいてよさそうです。
「賢い。でも苛立つ」——冗長さへの不満
一方で、実際に使ったレビューには厳しいものがあります。
Lenny’s Newsletter に掲載されたレビューは、タイトルからして率直です。
「Claude Opus 5 review: this model is brilliant (but annoying)」
（Opus 5 レビュー：このモデルは優秀だが、苛立たしい）
記事内には 「Claude Slop：冗長さの問題と、それが私の血を沸かせる理由」という見出しのセクションがあり、実装作業での具体的な不満——たとえば触ろうとしなかったマージコンフリクト——が挙げられています。モデルの性格を「神経質」と表現している箇所もあります。
ここで重要なのは、この不満が「性能が低い」という話ではないことです。賢いのは認めたうえで、付き合いづらさを指摘している——この構図が、Opus 5 のレビュー全体に共通しています。
独立ベンチマークの数字
速度と冗長さ：Artificial Analysis
独立系の Artificial Analysis が公表している数字です（xhigh 設定）。
| 指標 | Opus 5 (xhigh) の結果 |
|---|---|
| 知能指数 | 60点／191モデル中2位 |
| 出力速度 | 毎秒約51トークン／191モデル中120位＝「著しく遅い」と評価 |
| 最初の応答までの時間 | 約44秒（同価格帯の推論モデルの中では遅い側） |
| 冗長さ | 評価全体で7600万トークンを出力（平均は6300万）＝「やや冗長」 |
| 価格 | 入力5ドル・出力25ドル（100万トークンあたり）＝平均より高い |
とくに目を引くのが max effort の冗長さで、こちらは1億トークンを出力し「非常に冗長」と評価されています。深く考えさせるほど、大量に喋るわけです。
価格が「高い」と評価されている点は、割り引いて読む必要があります。この比較の平均には安価な小型モデルも含まれるので、最上位クラスが平均より高いのは当然です。とはいえ速度の遅さは同価格帯との比較でも指摘されているので、こちらは実感として出やすいところだと思います。
コードレビュー用途：CodeRabbit
コードレビューに特化した第三者ベンチマークの結果は、さらに考えさせられます。比較の基準（ベースライン）は Opus 4.8 です。
| 指標 | Opus 5 (x-high) | ベースライン（Opus 4.8） |
|---|---|---|
| 既知バグの検出率 | 55.2% | 61.1%（Opus 5 は下がった） |
| 全体の精度 | 28.6% | 32.8%（Opus 5 は下がった） |
| 実行可能な指摘の精度 | 39.3% | 35.2%（Opus 5 が上回った） |
| 重箱の隅の指摘（nitpick） | 92件 | 23件（約4倍） |
| トークン消費 | 入力+50% / 出力+65% | — |
評価としては、Opus 5 は 「精度重視のスペシャリスト」で、設定ミスやコード品質の指摘には強い一方、ロジックの誤り・競合状態・API の誤用の検出は弱いとされています。「Fable 5 の対抗馬ではない」とも書かれています。
⚠️ ただしこの結果はコードレビューという特定用途のものなので、そのまま一般化はできません。「どのベンチで測るかで評価が変わる」という当たり前の事実として受け止めるのが妥当です。
食い違いをどう読むか
ここで気づくのが、Zapier の「余分なトークンを使わなかった」という報告と、CodeRabbit の「入力50%増・出力65%増」という計測が食い違っていることです。
私の見立てです（※どちらかが誤りだと言いたいわけではありません）。作業の種類によって結果が違うのだと思います。Opus 5 は自分で検証し、必要なら深掘りする性質があるので、やることが明確なワークフローでは無駄なく走り、判断の余地が大きい作業では考え込んで膨らむ——そう考えると両方の報告が両立します。裏を返せば、自分の使い方で測らないと分からないということでもあります。
Anthropic 自身が「応答が長い」と認めている
ここが今回いちばん重要な発見です。
Anthropic は 「Prompting Claude Opus 5」という Opus 5 専用のプロンプトガイドを公開していて、そこに 「Response length and verbosity（応答の長さと冗長さ）」という節があります。公式の記述はこうです。
Claude Opus 5 の既定のユーザー向け応答は、以前の Opus モデルより長くなる。
つまり冗長さは不具合ではなく、公式に認識されている挙動です。さらに公式は、調整が必要になりやすい挙動として次を挙げています。
| 挙動 | 公式の説明 |
|---|---|
| 応答が長い | 以前の Opus より長く喋る。effort を下げても応答は確実には短くならない |
| 実況が多い | 作業中に「これから何をするか」を進んで説明する。1メッセージあたりの出力も長め |
| 書き出すファイルも長い | レポートや Markdown 文書が以前より長くなりがち |
| 過剰検証 | 言われなくても自分の作業を検証する。「検証しろ」という指示が残っていると過剰になり、トークンを無駄にする |
| 作業範囲の拡大 | 頼まれていない手順を足したり、タスクの解釈を自分で広げたりすることがある |
| サブエージェントの乱発 | 以前より積極的に委譲する。小さな作業に使うとコストと時間が膨らむ |
| 自己修正の実況 | 自分の発言の訂正を、以前のモデルより多く口に出す |
「賢くなった結果、丁寧にやりすぎる」という方向の癖だと読めます。冗長さへの海外の不満は、この挙動を指していたわけです。
対処法：公式が配っている指示文を使う
ありがたいことに、公式ガイドには対処用の指示文がそのまま載っています。要点を訳して整理します。
応答を短くしたい
effort を下げても応答は短くなりません。長さはプロンプトで直接指示します。公式が挙げている例は、こういう趣旨の指示です。
回答は要点を絞って簡潔に。前置きや注意書きは短くし、
本題に文量を使うこと。説明を求められたら、
詳しい解説を明示的に求められない限り、要約で答える。
実況を減らしたい
最初のツール実行の前に、これから何をするかを一文で述べる。
作業中は、重要な発見があったときや方針を変えるときだけ短く報告する。
終わったら結果から述べる。最初の一文で「何が起きたか」に答え、
詳細はその後に置く。
過剰検証をやめさせたい
これは指示を足すのではなく、消すのがポイントです。公式は明確に、「最終確認のステップを入れよ」「サブエージェントで検証せよ」といった検証指示が残っているなら削除せよ、削除すれば品質を落とさずに無駄なトークンが減るとしています。「ダブルチェックしろ」の類も同様です。
以前のモデル向けに書いた CLAUDE.md をそのまま使い回している人は、ここが盲点になります。 CLAUDE.md の書き方そのものは【CLAUDE.mdの書き方・実例テンプレート】にまとめました。
作業範囲を広げさせたくない
頼まれたことを、頼まれた範囲で行うこと。
routine な判断は自分で行い、解釈によって成果物が大きく変わる場合だけ確認する。
依頼が的外れに見えたり、より良い方法があるなら一言述べたうえで、
依頼どおりに進める。勝手に狭めたり広げたりしないこと。
サブエージェントを乱発させたくない
サブエージェントへの委譲は、本当に独立していて分量のある作業だけにすること。
数回のツール実行で自分が終わらせられる作業は委譲しない。
自分の作業の検証・ダブルチェックのためにサブエージェントを使わない。
1つで足りるなら1つにし、起動数は少なく保つこと。
サブエージェントの基本は【Claude Codeのサブエージェント実践】に書いています。
サブスクで使う人にとって、これは何を意味するか
ここからは私の見立てです（公式が言っていることではありません）。
Opus 5 のトークン単価は Opus 4.8 と同じです。しかし冗長さで実際の消費トークンが増えるなら、支払う総額は増えます。API 従量課金の人にとっては、そのまま請求額の話です。
そして Max などのサブスクで使う場合はもっと直接的で、消費が増えれば週次上限が速く減ります。「料金据え置き」は単価の話であって、使用量の話ではない——ここは分けて考える必要があります。
そう考えると、公式の対処プロンプトを CLAUDE.md に入れておく価値は、サブスク利用者ほど大きいと思います。冗長さを抑えることが、そのまま上限に余裕を作ることになるからです。
とはいえ、これは実測しないと本当のところは分かりません。Max 5x での1ヶ月のトークン消費は【Claude Code 1ヶ月のトークンコストを実測｜Max 5xは元が取れるのか？】で測っているので、同じ物差しで Opus 5 に切り替えた後の消費を測り、この記事に追記する予定です。計測には ccusage を使います（【ccusageでClaude Codeのコストを可視化する方法】）。
このセクションは実測後に書き直します。
まとめ
- Opus 5 の知能への評価は高い。独立系ベンチで191モデル中2位、ベンダー各社も自社ベンチで首位を報告。
- 一方で「遅い」「よく喋る」という指摘が複数ある。出力速度は191モデル中120位、冗長さも平均超え。
maxeffort では「非常に冗長」。 - コードレビュー用途の第三者ベンチでは、重箱の隅の指摘が約4倍、トークン消費が入力50%増・出力65%増という結果も。ただし特定用途の結果である点は注意。
- Anthropic 自身が「応答が以前より長い」と公式に認め、過剰検証・サブエージェント乱発・作業範囲の拡大なども挙げたうえで、対処用の指示文を公開している。
- effort を下げても応答は短くならない。長さはプロンプトで指示する。
- サブスク利用者にとっては、冗長さ＝週次上限の消費。対処プロンプトを CLAUDE.md に入れておく意味は大きい。
新しいモデルが出たとき、ベンチマークの順位だけ見ると「上がった／下がった」で終わってしまいます。実際に使うときに差が出るのは、こういう癖の部分です。公式が対処法まで出してくれているのは、むしろ扱いやすい部類だと思います。
Opus 5 で何が変わったのかの全体像は【Opus 5 が Max の新デフォルトに｜料金据え置きで性能2倍・effortで賢さとコストを調整】にまとめてあります。あわせてどうぞ。
Comments