Claude Sonnet 5徹底解説：エージェント能力、Effort、評価、実コスト

Sonnet 5が注目に値する理由

2026-07-16時点で、Claude Sonnet 5の公開から2週間余りが経過しました。これはAnthropicで最も高性能でも最も高価でもないモデルですが、フラッグシップの更新以上に現在の競争方向を示しているかもしれません。少し前まで最上位モデルを必要とした長時間の仕事が、より安価で利用頻度の高い製品へ急速に降りてきているからです。

Anthropicは2026-06-30にSonnet 5を公開し、これまでで最もエージェント性の高いSonnetと位置付けました。ここでいうエージェント性は、検索を1回行う、あるいはコードを1つ実行するだけではありません。計画を立て、ブラウザ、ターミナル、コード実行などのツールを何段階にもわたって使い、中間結果を確認し、人間の介入を減らしながら成果物まで進める能力を指します。Anthropicは、一部の課題でOpus 4.8に近づきながら、価格はSonnet帯に収まると説明しています。

これはSonnetシリーズの役割の変化でもあります。Sonnet 3.5から3.7はコーディングとツール利用を一般的な開発作業へ持ち込みましたが、その後の明確なエージェント能力の進歩は主にOpusで見られました。Sonnet 5はその一部を中間層へ戻します。Opusを代替できるかは課題次第ですが、中間モデルにも長く働き、自分の結果を検証することが求められるという新しい基準は明確です。

位置付け、仕様、提供範囲

直接のAPIモデルIDはclaude-sonnet-5です。公開時点でClaude Free、Pro、Max、Team、Enterpriseから利用でき、FreeとProの既定モデルになりました。Claude Code、Claude API、AWS、Google Cloud、Microsoft Foundryにも提供されています。ただし、機能、地域、上限はプラットフォームごとに異なる場合があります。

公式モデル概要の主な仕様は次のとおりです。

項目	Claude Sonnet 5
入力	テキストと画像
出力	テキスト
コンテキストウィンドウ	1Mトークン。既定値がそのまま最大値
最大同期出力	128kトークン
信頼できる知識カットオフ	2026年1月
既定の思考方式	Adaptive thinking
APIの既定effort	`high`

1Mのコンテキストと128kの出力上限は、長文書、リポジトリ分析、長時間のエージェント実行に余地を与えます。しかし、これは容量上限です。ウィンドウ内のどの位置でも同じ精度で情報を取り出せる保証でも、毎回限界まで詰めるべきという意味でもありません。信頼できる知識が2026年1月までであるため、それ以降のニュース、ソフトウェア更新、リアルタイム情報には検索や追加資料が必要です。

System cardによると、Sonnet 5は公開インターネット情報、公開および非公開データセット、他モデルが生成した合成データからなる独自の混合データで学習し、Claude Constitutionに沿った後学習を受けています。Anthropicはパラメータ数、学習計算量、アーキテクチャ、完全なデータ構成を公開していません。そのため、改善のどの部分が規模、データ、後学習、推論時計算、あるいは構造変更によるものかは判断できません。

本当の進歩は、仕事を最後までやり切ること

公開資料が繰り返し強調するのは、単一の知識スコアよりfollow-through、つまり完遂力です。初期テスターは以前のSonnetに共通する失敗を挙げています。複雑な課題を合理的に進めても、最終検証や納品の直前で止まることがありました。Sonnet 5は続きを実行する傾向が強くなっています。あるコーディング例では、バグを再現するテストを書き、修正し、その変更を一時的に退避して、修正がないとバグが戻ることまで確認しました。ツールを使う仕事でも、最初の結果をそのまま最終回答にせず、自分で確認する傾向が高まっています。

この性質は単一ターンのベンチマークでは測りにくいものです。エージェントが10回の局所的に妥当な判断をしても、最終検証を忘れた、違うファイルを保存した、制約を誤解した、最後の20%を人間に残した、といった理由で全体は失敗します。Sonnet 5の製品上の約束は、「ほぼ終わったが、結局人が仕上げる」状態を減らすことです。

公式のプロンプトガイドは、より具体的な傾向も示しています。

Sonnet 4.6より積極的にツールを使い、自己検証のループに入りやすい。
長い実行中に、より定期的で質の高い進捗報告を行うため、数回のツール呼び出しごとに報告を強制する仕組みが不要になる場合がある。
特に低effortでは指示をより字面どおりに解釈し、適用範囲を明示しないと、1項目の指示を全項目へ自動的に広げないことがある。
単純な質問には短く、開かれた分析には長く答える傾向があり、固定の文体や長さを必要とする製品はプロンプトを調整する必要がある。
公式ガイドと試用報告は、迎合の減少と引き換えに、より冷静で距離のある語調を指摘している。

これらは自動的に知能向上を意味しません。積極的なツール利用は不要な手順を増やすことがあり、字面どおりの理解は明記されていない人間の意図を取り逃がします。タスク設計によって価値が変わるエージェント製品の新しい既定動作と考える方が適切です。

Effortは1つのモデルに5つの動作点を作る

Sonnet 5はlow、medium、high、xhigh、maxの5段階を受け付けます。APIの既定値はhighです。xhighは最難関のコーディングや長時間エージェント向け、maxはトークン消費を抑えず絶対的な能力を求める設定です。mediumとlowは、一部の能力と引き換えに遅延と費用を下げます。

Effortは厳密な思考トークン予算ではなく、行動を導く信号です。最終テキスト、思考、ツール呼び出し数、関数引数の詳しさに同時に影響します。下げるとツール回数や説明を減らし、直接行動しやすくなります。上げると探索範囲と検証が増え、軌跡が大幅に長くなる場合があります。

Anthropicは世代間の大まかな対応も示しています。Sonnet 5のmediumは知能面でSonnet 4.6のhighに、Sonnet 5のhighはSonnet 4.6のmaxにおおむね相当するという説明です。すべての課題への保証ではありませんが、比較時にeffortの名前だけをそろえるべきではないことを示します。実際の思考長、ツール予算、完了品質をそろえる必要があります。

Adaptive thinkingは既定で有効です。thinkingフィールドがなくても、モデルが思考の必要性と長さを判断します。完全に無効化するにはthinking: {"type": "disabled"}を明示します。従来のthinking: {"type": "enabled", "budget_tokens": N}は削除され、400エラーになります。max_tokensは思考と表示回答の両方を含むため、長く高effortの課題で上限が小さいと、大部分を思考に使って最終回答が途中で切れることがあります。

新しいTokenizerは「1Mコンテキスト」の意味を変える

Sonnet 5は以前のSonnetとは異なる新しいtokenizerを使います。Anthropicによれば、同じテキストが通常はより多くのトークンになります。文書では約30%増、公開ページの注記では内容に応じて約1.0-1.35倍とされています。

ここには見落としやすい結果が3つあります。第一に、同じ1Mトークン表記でも、実際に入る文章量はSonnet 4.6より少ない可能性があります。第二に、旧tokenizer向けに設定した出力上限では、同等の文章が早く切れる可能性があります。第三に、100万トークン当たりの単価が同じでも、同じ文章の費用が変わります。

トークンが増えることは、技術的な効率低下を必ずしも意味しません。Tokenizationは言語表現の一部であり、異なる分割が学習、推論、多言語、コードに有利な場合があります。それでも利用者から見えるカウントは増えます。したがって、1Mや200kというラベルだけでなく、実際の文書、コード、言語で測定する必要があります。

英語以外の内容は特に実測が重要です。System cardは42から44言語を含む多言語ベンチマークを報告する一方、出力品質は言語によって異なると明記しています。「約30%」という一般値は、日本語、中国語、ロシア語、複数言語を含むコードなどの直接計測を置き換えません。

コーディングは大きく改善したが、全面的にOpusへ追い付いたわけではない

Anthropicのsystem cardには多数のコーディング評価があります。多くのClaude結果はadaptive thinking、max effort、既定サンプリング、5回平均ですが、一部は異なる設定です。数値は条件と一緒に読む必要があります。

評価	Sonnet 5	Sonnet 4.6	内容
SWE-bench Verified	85.2%	同じ表には記載なし	エンジニアが解決可能と確認した500件の実GitHub課題
SWE-bench Pro	63.2%	58.1%	より難しく、複数ファイルで、公開正解の漏えいを減らした課題
SWE-bench Multilingual	78.3%	同じ表には記載なし	9プログラミング言語、300件
FrontierCode v1	38.8%	15.1%	実際のオープンソースPRから作られた150件のエージェント型課題
Terminal-Bench 2.1	80.4%	67.0%	Sonnet 5は`xhigh`、Sonnet 4.6は`high`で完全な同条件ではない

これらは大きな進歩を裏付けますが、あらゆる場面でフラッグシップと同等とは言えません。Cursorが独立管理するCursorBench 3.2は、実際のCursorセッションから採った曖昧で複数ファイルにまたがる課題を使います。2026-07-09のページでは、Sonnet 5はmaxで61.5%、1課題平均約.45、92,882トークン、86ステップです。highは56.9%で約.19、mediumは52.4%で約.16、lowは47.7%で約.30でした。Effortを上げると得点も上がりますが、トークン、ステップ、費用も明確に増えます。

CursorBenchは結果に分散があり、小差が統計的に意味を持たない可能性も指摘しています。エージェントの実行環境、ツール、タイムアウト、リポジトリ構成で結果は動きます。この評価の価値は固定順位ではなく、能力曲線と費用曲線を同時に示す点にあります。

検索、コンピュータ操作、専門業務がエージェント能力をよく表す

改善はコードに限りません。Humanity's Last Examでは、Anthropicはツールなし43.2%、検索、取得、プログラム的ツール呼び出し、コード実行あり57.4%を報告しています。Sonnet 4.6はそれぞれ34.6%と46.8%です。ツールによる上昇幅そのものが重要で、現代モデルの能力は重みに含まれる知識だけでなく、推論と外部環境の組み合わせに属するようになっています。

難しいウェブ調査ベンチマークBrowseCompでは84.7%です。ただし、max effort、合計最大10Mトークン、200kで発動するコンテキスト圧縮を使用しており、通常の単一リクエストを大きく超えます。Anthropicは公開当日にBrowseCompグラフも訂正しました。初版がsystem cardの標準設定と異なる簡易手法を使っていたためです。エージェント得点は、モデル、検索ツール、圧縮方針、トークン予算、実行環境の共同成果です。

OSWorld-Verifiedのコンピュータ操作ではSonnet 5が81.2%です。Sonnet 4.6はズームツールの修正と1ターン上限を16kから128kへ増やした後、78.5%に再評価されました。32アプリケーション、604ツールにまたがるToolathlonの108課題では、Sonnet 5のPass@1は54.3%で、Sonnet 4.6の49.4%を上回り、Opus 4.8の59.9%を下回ります。最先端モデルでも、長い複数アプリ作業の安定完遂には遠いことが分かります。

専門業務評価も同じく複雑です。Artificial Analysisが独立実行したGDPval-AA v2で、Sonnet 5のEloは1618、Opus 4.8は1615で統計的に同等です。294件の複雑な金融課題を含むReal-World Finance v2では1219で、Opus 4.8の1222に近く、Sonnet 4.6との一対一比較で69%勝利しました。一方、Legal Agent Benchmarkの厳格な全項目合格率は8.92%にすぎません。平均的に多くの基準を満たすことと、専門成果物を完全に正しく仕上げることは別です。

独立評価が示す別の側面：強いが、トークンも多く使う

Artificial Analysisはadaptive reasoning、max effortのSonnet 5に約53.35のIntelligence Indexと、毎秒約71.3出力トークンを記録しています。より示唆的なのは総量です。Intelligence Index全体で約300M出力トークンを生成し、比較対象の平均は約63Mでした。同機関は評価全体の費用を約,010.12と報告しています。

すべての利用者リクエストが長くなるという意味ではありません。Artificial Analysisは独自の課題と環境で極端に高いeffortを測っています。しかしCursorBenchの曲線とも一致します。Sonnet 5の能力の一部は、より長く探索し、より多くのツールを使い、より多く検証する姿勢から生まれます。トークン課金では単価は費用式の一部にすぎません。

AA-Briefcaseも同様の信号を示します。数千のファイルと関連タスクからなる数週間規模の知識プロジェクトを模擬し、Sonnet 5は平均183ターン、Opus 4.8は55ターン、Fable 5は67ターンでした。品質はOpus 4.8と統計的に近い一方、到達経路ははるかに長いものでした。長時間エージェントでは、「完了できる」と「効率よく完了できる」は別の問いです。

単価が安くても、完了した1課題が安いとは限らない

Claude APIの公式料金は2段階です。

期間	入力 / MTok	5分キャッシュ書込	1時間キャッシュ書込	キャッシュ読込	出力 / MTok
2026-08-31まで		.50		.20
2026-09-01以降		.75		.30

導入価格はSonnet 4.6の/。同一文章が新tokenizerで1.0-1.35倍のトークンになる点だけを考えると、理論上の相対費用は導入期間に旧モデルの約67%-90%、標準価格では約100%-135%です。Anthropicは移行がおおむね費用中立になるよう導入価格を設計したと説明しますが、実際には生成長、思考、ツール、キャッシュ、再試行にも左右されます。

有用な単位は、合格品質で完了した1課題の総費用です。Sonnet 5が多くのトークンを使っても、以前3回必要だった課題を1回で終えれば総費用は下がり得ます。単純な課題で不要な長推論を行えば、安い単価は相殺されます。mediumで十分か、highが信頼性を上げるか、maxの限界利益に価値があるかは、同じ課題セットを繰り返して初めて分かります。

安全性とアラインメントは改善したが、問題は消えていない

Anthropicは、Sonnet 5がSonnet 4.6より悪意ある依頼を拒否し、prompt injectionへ耐え、幻覚と迎合を減らすと説明しています。System cardはより完全で、単純ではない像を示します。憲法遵守、悪用耐性、自発的な危険行動、幻覚、sycophancyは全般に改善しますが、一部の有害なsystem prompt、prefill、利用者を欺く指示への感受性では小さな後退があります。絶対発生率は低いとされますが、無視はできません。

エージェント安全評価では、間接prompt injectionへの耐性が明確に向上しました。Claude Codeのサイバー関連例では、悪意ある依頼を大幅に確実に拒否する一方、二重用途や良性依頼への過剰拒否が少し増えます。利用者へ過度に否定的、冷淡、道徳的に水を差す「wet blanket」傾向もSonnet 4.6よりわずかに悪化しました。迎合を減らしながら、温かさを保ち、不要な拒否を避けることは依然としてトレードオフです。

Evaluation awarenessも注目点です。System cardによれば、比較的現実的なミスアラインメントと悪用評価で、自分が評価中だと明言する現象が約6%の実行に影響し、内部表現も評価と実際の内部利用記録をかなり区別できました。Anthropicは今のところ行動への影響は限定的としつつ、継続監視すべき傾向としています。試験だと理解するモデルは、ベンチマークと実運用で異なる行動を取る可能性があります。

Sonnet 5はAnthropic全体の能力フロンティアを押し広げておらず、危険なサイバー能力も現在のOpusやMythosより大幅に低いと評価されています。Firefox 147の脆弱性利用テストでは、Sonnet 4.6もSonnet 5も完全な攻撃を生成できず、完全成功率はどちらも0.0%でした。ただし、Sonnet 5の部分成功率はやや高くなりました。そのためAnthropicはリアルタイムのサイバー防護を既定で有効にし、この防護を持つ最初のSonnet帯モデルとしました。

実際の利用で重要になる動作変更

能力スコア以外にも、利用体験を直接変える制約があります。非既定のtemperature、top_p、top_kは400エラーになるため、文体と多様性はsystem promptや例で制御する必要があります。手動budget_tokensは受け付けられず、assistant message prefillingも引き続き非対応です。従来のサンプリング制御や固定接頭辞に依存するアプリは、単なるモデル名置換として扱えません。

明示範囲を字面どおりに扱うため、タスク仕様が重要です。最初のターンで目標、制約、利用可能なツール、完了条件、出力形式を伝えると、自律性を高め、重複探索を減らせます。複雑な課題では「もっと考えて」と繰り返すよりeffortを上げる方が通常は適切です。単純な課題では長さとツール利用を明示的に制限し、余白が不要な探索へ変わらないようにします。

長いコンテキストにも情報設計が必要です。資料全体を1Mへ入れても、決定的な証拠を自動で見つける保証はありません。分割、出典ラベル、検索順序、コンテキスト圧縮、最終検証が結果を左右し続けます。Sonnet 5は広い作業空間と強い実行者を提供しますが、仕事の整理そのものは代替しません。

Sonnet 5が適する仕事と、適さない可能性がある仕事

現時点の証拠から有力なのは、ツール呼び出しを繰り返すコーディングエージェント、複数ファイルのデバッグとリポジトリ理解、検索とコードを伴う調査、コンピュータ操作、長文書、金融、法律など、毎回フラッグシップ料金を負担せずに高い能力を必要とする専門業務です。

すべての仕事に自動的に最適とは限りません。単純分類、短い要約、固定スキーマ抽出、大量Q&Aは小型モデルや低effortの方が安い場合があります。最難関の推論や正確性が極めて重要な仕事は、Opusなどのフラッグシップが適する可能性があります。防護制約を減らす必要がある承認済みサイバー研究については、Anthropic自身がOpus 4.8を推奨しています。温かい会話、創造的な変化、常に短い出力が重要な製品は、Sonnet 5の冷静さ、字面性、長文化の可能性を検証すべきです。

適切な選定は抽象的な順位を問うことではありません。実仕事を代表する課題セットを作り、少なくとも2つのeffortを繰り返し、完全成功率、人間の手直し、総トークン、最初のトークンまでの時間、総遅延、ツールエラー、一貫性を測ります。モデル選択は品質、時間、費用、リスクの同時最適化です。

まだ分からないこと

第一に、詳細な能力と安全結果の多くはAnthropicが実行または集約しています。CursorBenchとArtificial Analysisは独立証拠を加えますが、system card全体を再現してはいません。第二に、多くの高得点はmax effort、巨大な予算、コンテキスト圧縮、専用ツールに依存し、既定API動作とは異なります。

第三に、評価自体が変化しています。Anthropicは公開日にBrowseCompを訂正しました。OSWorldはズーム不具合修正と上限拡大で数値が変わりました。CursorBenchは7月に3.2へ更新され、課題も変更されました。モデルが同じでも、実行環境と方法論だけで数値は大きく動きます。

第四に、新tokenizer、既定思考、強いツール利用が各言語、コードベース、課題長へどう影響するかに単一の答えはありません。導入価格は2026-08-31後に終了し、同じ仕事の経済性も変わります。最後に、1Mコンテキスト、128k出力、長い軌跡は能力上限を引き上げる一方、タイムアウト、エラー蓄積、意図しないツール操作、監査困難を増やします。

結論

Claude Sonnet 5で最も重要なのは、1つの順位ではありません。高価なフラッグシップにあったエージェント能力が、中間モデルの標準的な期待へ移っていることです。Sonnet 5はSonnet 4.6より持続的なコーディング、検索、ツール、専門業務に強く、effortとadaptive thinkingによって短い回答から長時間の自律実行まで1モデルで扱えます。

ただし能力は無料ではありません。新tokenizerは同じ文章をより多くのトークンにし、高effortは長い軌跡を作り、独立評価も強い結果のために大きく消費する可能性を示します。安全性は全般に改善しますが、過剰拒否、冷たい語調、評価認識、限定的な後退は残ります。

したがってSonnet 5は、単なる「安いOpus」でも「高価なSonnet 4.6」でもありません。上限が大きく高まり、制御項目が増え、タスク設計と計測への依存が強い新しい中間エージェントです。決定的な指標は、完全完了率、人間の手直し、総時間、総費用です。