Claude Opus 4.6：機能、ベンチマーク、ハンズオンテストなど

ここ数日、Anthropicの次期リリースに関する噂が飛び交っていました。多くがClaude Sonnet 5を予想していましたが、年初の最初のリリースはClaude Opus 4.6という形で登場しました。

100万トークンのコンテキストウィンドウ、アダプティブシンキング、会話の圧縮、そして数々のベンチマークでのトップ成績など、Claude Opus 4.6はOpus 4.5の改良版です。Anthropicの表現を借りれば、最も“賢い”モデルをアップグレードしたということです。あわせて、Claude Codeでのエージェントチーム機能や、PowerPoint向けのClaudeも発表されました。

本記事では、Claude Opus 4.6の新機能、ベンチマーク結果を概観し、いくつかの実践例で性能を検証していきます。

最新のClaude機能の詳細は、Claude CoworkやClaude Codeのガイド、さらにOpenClawチュートリアルをご覧ください。競合との比較は、Muse SparkとClaude Opus 4.6の比較やGPT-5.4とClaude Opus 4.6の比較ガイドをご参照ください。

Claude Opus 4.6とは？

Claude Opus 4.6は、Anthropicが提供する最新の大規模言語モデルです。Opus 4.5の後継として、同社の「最も賢い」モデル階層に大きなアップグレードをもたらしています。

リリースブログによると、エージェント的なコーディング、深い推論、自己修正により注力しているとのこと。つまり、単発の行動から持続的な行動へとシフトしています。

Opus 4.6は、より慎重に計画を立て、長い時間軸でも一貫性を保ち、自身の作業における誤りを特定できるよう設計されています。その結果、Terminal-Bench 2.0のコーディング評価で最高スコアを獲得し、Humanity’s Last Examでも他の最前線モデルを上回っています。

特に目を引くのは、Claude Opus 4.6のコンテキストウィンドウの強化です。ベータで100万トークンに対応し、Gemini 3と同等の水準となりました。これにより、文脈を見失わずにより多くの情報を処理できます。

なお、その後AnthropicはOpusの後継版も公開しています。最新情報はClaude Opus 4.7ガイドをご確認ください。

Claude Opus 4.6の新機能

Claude Opus 4.6には、特にエージェント的なワークフローに焦点を当てた注目の新機能がいくつかあります。主なポイントを見ていきましょう。

エージェントチーム

エージェントチームは、これまでのバージョンで見られた「サブエージェント」の改良版です。複数の完全に独立したClaudeインスタンスを並行して立ち上げ、並行稼働させることができます。1つのセッションが物事を調整する「リード」エージェントとなり、「チームメイト」が実行を担当します。

興味深いのは、各メンバーがそれぞれ独自のコンテキストウィンドウを持ち、より綿密な実行が可能になる点です。各チームメイト同士はチーム内で直接コミュニケーションを取ることもできます。

もちろん、この機能にはコストという潜在的なデメリットもあります。各エージェントが自前のコンテキストウィンドウを持つため、トークン消費が増えがちです。そのためAnthropicは、より高い複雑性があるシナリオでの利用を推奨しています。

会話の圧縮

Claude Opus 4.6の便利な機能のひとつが、コンテキストの圧縮です。長いワークフローを走らせてコンテキストウィンドウの上限に達した際に生じる問題を避ける用途の、使い勝手向上のアップデートです。通常、その段階に至ると性能が低下してしまいます。

会話の圧縮では、会話がトークンの閾値に近づくと自動的に検知し、既存の会話を簡潔なブロック（コンパクションブロック）に要約します。

これにより、やり取りの要点を保持しつつ、作業を続けるための余白を生み出せます。長時間稼働が必要なタスク指向のエージェントを使う場合でも、はるかに改善されたメモリで軌道に乗せ続けられるでしょう。

アダプティブシンキングと努力度

Claude Opus 4.6には、拡張思考を行うべきか、またどの程度本気で取り組むかを決める2つの機能があります。

アダプティブシンキングは、プロンプトの複雑さをモデル自身が判断します。単純か複雑かに基づいて、拡張思考を使うかどうかを決めます。手動でトークン数を設定するのではなく、各リクエストの難易度に応じてClaudeが予算を調整します。

努力度パラメータでは、Claudeがトークンをどれだけ積極的に、あるいは保守的に消費するかを設定できます。つまり、トークン効率と回答の丁寧さのバランスを取れるということです。

APIでClaude Opus 4.6を使う際には、これらのパラメータを手動で設定できます。例えば次のとおりです。

• Max effort：常に拡張思考を用い、深さに制約はありません。
• High effort：デフォルト設定。常に思考を行い、深い推論を提供します。
• Medium effort：中程度の思考を有効にし、最も単純なクエリでは思考を省略する場合があります。
• Low effort：単純なタスクでは思考をスキップし、速度重視で思考を最小限に抑えます。

PowerPoint向けClaude

最近、Excel向けClaudeを取り上げ、Excelのサイドパネルでさまざまなタスクを支援するアドオンの使い方を紹介しました。このツールの機能強化に加え、AnthropicはPowerPoint向けClaudeも発表しました。

この連携は、スライドマスター、フォント、レイアウトを尊重します。企業テンプレートを読み込ませて特定のセクションの作成を依頼したり、スライドを選択して、密なテキストをネイティブで編集可能な図に変換させたりできます。

「スライドの画像」を生成するのではなく、編集可能なPowerPointオブジェクトを生成する点に重点があるため、単なるアイデア出しではなく実用的な生産性ツールになっています。

PowerPoint向けClaudeは現在、MaxおよびEnterpriseユーザー向けのリサーチプレビュー段階です。

Claude Opus 4.6をテスト：ハンズオン例

Opus 4.6の目玉は、難度の高いコーディングタスクやより深い推論に関する主張です。これらの能力の土台には、複数の制約を同時に保持し、多段階で推論し、ミスを見つけられる力があります。

そこで、Opus 4.6に対し、多段のロジック、数学、コーディングの課題を連続して与えました。連鎖的な計算ミスや空間的推論（これは常に課題）、制約の伴う問題など、既知で一般的なLLMの弱点を突けるかを確かめたかったのです。また、根本原因分析やデバッグが得意だという発表内容を受け、特定のデバッグ課題も含めました。

テスト1：16進から10進へのロジック

最初のテストは、素数、16進数、カウントを組み合わせたものです。

Step 1: Find the 6th prime number. Let this be P. 
Step 2: Convert the square of P into hexadecimal. 
Step 3: Count the letters (A–F) and digits (0–9) in that hex string. Let these be A and B. 
Step 4: Multiply A × B. Let this be N. 
Step 5: Find the Nth prime number.

見た目はやや複雑ですが、人間にとっては検証が容易なテストです。正解は2です。というのも、6番目の素数は13、13の二乗は169で、16進では「A9」。これは文字が1つ、数字が1つで、掛け算すると1。1番目の素数は2です。

懸念は、16進変換でモデルがつまずき、その誤りが最終回答に連鎖してしまうこと。しかしご覧のとおり、Opus 4.6は問題なく解けました。

テスト2：行列の回転

2つ目は、空間的推論と負の数の扱いを試すテストです。

Step 1: Create a 2×2 matrix M with top row [4, 2] and bottom row [1, 5]. 
Step 2: Rotate M 90 degrees clockwise. 
Step 3: Calculate the determinant of the rotated matrix. 
Step 4: Cube that determinant. 
Step 5: Subtract the 13th Fibonacci number from the result.

こちらは検証に少し手間がかかりました。正解は-6,065です。回転後の行列は[[1, 4], [5, 2]]となり、Pythonで行列式を求めると-18。これを3乗して-5,832、最後に233を引いて-6,065です。

このテストを選んだのは、モデルが要素の位置を誤って入れ替えたり、どこかで負符号を落としたりすることが多いと経験的に知っているからです。今回もOpus 4.6は問題ありませんでした。

テスト3：座席配置クイズ

3つ目は、バックトラッキングを要する制約充足問題です。

Five people (Alex, Josef, Matt, Thalia, Tom) sit in chairs 1–5.
Thalia is in an even-numbered chair.Alex is immediately to Thalia’s right.Tom is at one end.Josef is not next to Tom.Who is in chair 3?

この正解はJosefです。（Alex-1、Matt-2、Josef-3、Thalia-4、Tom-5。）紙に書けば少し頑張って解けます。

モデルがこうした問題を間違えがちな理由は、歴史的に逐次的に解いてしまい、全体的に整合性を取らないからです。「Thaliaは偶数の席」と読んだら、（例えば2番を）とりあえず選び、他の制約との整合を確かめずに先へ進む。そして後で矛盾にぶつかっても、最初の選択を戻さずに進めてしまうのです。

Opus 4.6は今回も正解でした。

テスト4：時計のパズル

4つ目は、空間イメージと物理的直観を問う問題です。

Step 1: Imagine a clock currently showing 3:15 PM.
Step 2: Rotate the clock 90 degrees counter-clockwise (physically turning the whole clock face). After the rotation, what time does the minute hand appear to be pointing at?
Step 3: Take that new "apparent" minute value and add it to the original time (3:15 PM).
Step 4: Subtract 45 minutes from that result.
Step 5: What is the final time?

これを検証するため、実際に腕時計を外して回してみました。

正解は午後2時30分です。3:15の分針は「3」を指します。文字盤全体を反時計回りに90度回し、左の窓の方向に12を向けると、「3」は「12」の位置に移動します。見かけ上の分は0分を足すことになり、そこから45分引くと、2:30 PMになります。

このテストでは、文字盤を回すことと針を動かすことを混同しがちな点や、「0を足す」ことを不自然とみなして別の数にしようとする癖があると聞いていました。

しかし、Opus 4.6はこれも正しく解きました。

テスト5：数論パズル

5つ目は、合同算術と素数のフィルタリングを組み合わせた問題です。

Find a two-digit number S that satisfies all of the following:
* When S is squared, the last two digits of the result are 21.
* S must be a prime number.
* The sum of the digits of S must also be a prime number.
What is the largest possible value of S?

正解が89である理由は次のとおりです。2乗して下2桁が21になる数は、11、39、61、89です。このうち39は素数でないため、11、61、89が候補に残ります。各桁和はいずれも素数（2、7、17）なので、最大は89です。

Opus 4.6は今回も正解し、役立つ図解も添えてくれました。

テスト6：数字の反転

次は、階乗計算、文字列操作、素数を連鎖させたテストです。

Step 1: Calculate 5! (5 factorial). Let this result be X.
Step 2: Take X, subtract 1, and reverse the digits of the result. Let this new number be Y.
Step 3: Identify all prime numbers (p) such that 10 ≤ p ≤ Y.
Step 4: Calculate the sum of these primes and divide it by the total count of primes found in that range.
Step 5: Provide the final average, rounded to the nearest whole number.

正解の425を検証した手順はこうです。5! = 120、1を引いて119、桁を反転して911。次に、下のRコードで10から911の間に素数が152個あり、その合計が64,598であることを確認。最後にRで割り算して四捨五入すると、64,598 ÷ 152 ≈ 425となります。

使用したRスクリプトは以下のとおりです。

# Step 1: Calculate 5!
X <- factorial(5)
cat("Step 1: X =", X, "\n")

# Step 2: Subtract 1 and reverse digits
result <- X - 1
Y <- as.numeric(paste0(rev(strsplit(as.character(result), "")[[1]]), collapse = ""))
cat("Step 2:", X, "- 1 =", result, "-> reversed ->", Y, "\n")

# Step 3: Find all primes between 10 and Y
is_prime <- function(n) {
  if (n < 2) return(FALSE)
  if (n == 2) return(TRUE)
  if (n %% 2 == 0) return(FALSE)
  for (i in 3:floor(sqrt(n))) {
    if (n %% i == 0) return(FALSE)
  }
  return(TRUE)
}

primes <- Filter(is_prime, 10:Y)
cat("Step 3: Found", length(primes), "primes between 10 and", Y, "\n")

# Step 4: Sum and average
total <- sum(primes)
count <- length(primes)
avg <- total / count
cat("Step 4: Sum =", total, ", Count =", count, ", Average =", avg, "\n")

# Step 5: Round
cat("Step 5: Rounded =", round(avg), "\n")

テスト7：コードのデバッグ

次のテストは、Opus 4.6の大きな主張のひとつである「バグの診断」を狙ったものです。モデルはしばしばコードを行ごとに正しくトレースしつつ、根本的な欠陥に結び付けられないことがあります。

A developer wrote this Python function to compute a running average: 

def running_average(data, window=3): 
    result = [] 
    for i in range(len(data)): 
        start = max(0, i - window + 1) 
        chunk = data[start:i + 1] 
        result.append(round(sum(chunk) / window, 2)) 
    return result 
When called with running_average([10, 20, 30, 40, 50]), the first two values in the output seem wrong. Why? Please help me fix what is wrong!

この問題の要点と、テストとして有効な理由はこうです。関数が常にwindow (3)で割っており、リストの先頭ではchunkが3要素未満でも固定で3で割っている点がバグです。誤った出力は[3.33, 10.0, 20.0, 30.0, 40.0]で、先頭2つは本来10.0と15.0であるべきです（要素数がそれぞれ1、2のため）。修正は/ windowを/ len(chunk)に変えることです。

このテストが有用なのは、モデルがループのトレース自体は完璧に行いながらも、「出力は正しい」と報告してしまうことが多いためです。つまり、意図（移動平均が本来どうあるべきか）と実装（実際のコードが何をしているか）を同時に保持し、そのギャップを見抜く必要があるからです。

テスト8：物理の思考実験

最後のテストは数学なしで、反事実に基づく推論のみです。

In a world where gravity repels objects instead of attracting them, what shape would rivers take?

これは唯一の正解があるわけではなく、想像もしにくい問題です。ただし、少なくとも含意を踏まえて推論できているかを見たいところで、Claude Opus 4.6の回答は十分に妥当だと感じました。

総じて言えば、1問は主観的な側面があるものの、Opus 4.6は満点でした。最終的な評価は、読者の判断に委ねます。

Claude Opus 4.6のベンチマーク

Opus 4.6は、少なくとも4つの重要なベンチマークで他を圧倒しています。

• Terminal-Bench 2.0
• Humanity’s Last Exam
• GDPval-AA
• BrowseComp

Terminal-Bench 2.0はエージェント的なコーディングのベンチマーク、Humanity’s Last Examは複雑な推論を試すもの、GDPval-AAは知的労働のパフォーマンスを評価し、BrowseCompはオンラインで見つけにくい情報を探し出す能力を測定します。

Terminal-Bench 2.0

Claudeシリーズは、トップクラスのコーディング能力で知られています。まずはTerminal-Bench 2.0の結果から見ていきましょう。

上のグラフがOpus 4.6をGPT-5.2-codexと対比して強調しているように見えるのは—おそらく意図的でしょう。Anthropicは近年、複数の領域でOpenAIに正面から挑んでおり、エンタープライズ用途での優位性を主張しています。

Humanity’s Last Exam

Humanity’s Last Examは最も知られたベンチマークの1つで、私たちも注視しています。モデルの一般的な推論能力を測るものです。

以下のグラフは、HLEベンチマークにおける各最前線モデルの、ツールあり・なしの成績を示しています（「ツールあり」は、ウェブ検索やコード実行などの外部機能の利用を許可した状態）。

グラフは2枚に分けたほうが見やすいかもしれませんが、要点は明確です。Opus 4.6は「ツールあり」「ツールなし」の両方で首位です。

GDPval-AA

GDPval-AA（名称が示すとおり）は、経済的に価値のある知的労働を評価するテストです。例えば、ファイナンシャルモデルの実行やリサーチなどが該当します。

GDPval-AAや類似のベンチマークは重要性を増しています。実際に企業が対価を払う種類の仕事を測定しているからです。GDPval-AAでのOpus 4.6の成功は、OpenAIのGPTスイートに対する直接的な挑戦でもあります。両社は同じ顧客層をめぐって競合しているからです。

BrowseComp

BrowseCompは、リリースで取り上げるに値する最後のベンチマークです。オンラインで見つけにくい情報を追跡する能力を測ります。背景として、BrowseCompは元々、OpenAIが自社モデルの検索能力を示すために開発したものです。

今回のリリースでAnthropicは、Opus 4.6がこの指標で首位であることを強調する際に、OpenAIが2025年4月にBrowseCompを発表したアナウンスへのリンクを直接貼るという、挑発的な動きを見せました。相手のベンチマークを“逆手”に取る、やや意地の悪い引用と言えるでしょう。

Claude 4.6の価格と提供状況

本記事執筆時点で、Opus 4.6は広く提供されています。ただし、Opus 4.6にアクセスするには有料のプロアカウントへのアップグレードが必要です。プロアカウントでは、Excel向けClaudeの利用など、他の特典も得られます。

開発者の方は、Claude APIでclaude-opus-4-6を使用してください。価格は変更ありません。引き続き、100万トークンあたり$5/$25です。2つの数値の意味が分かりにくい場合、最初がモデルに送るトークン（プロンプト）の料金、後者がモデルが返すトークン（応答）の料金だと理解してください。

まとめ

Claude Opus 4.6は、経済的に重要なタスクでの性能を測るGPDVal-AAのような主要ベンチマークでトップを獲得しており、これは大企業の関心事に合致します。OpenAIはこの動きを警戒しているのか、Opus 4.6のリリース数時間前に、OpenAI Frontierという、新たなエンタープライズ向けプラットフォーム（AIエージェントの本番環境での構築・デプロイ・管理のための基盤）を発表しました。

言い換えれば、モデルのベンチマークで競うのではなく、FrontierはOpenAIが自社モデル群を取り巻くインフラに焦点を当てていることを示しています。具体的には、AIエージェントに共通のビジネスコンテキストや権限を与え、時間をかけてフィードバックから学習できるようにする取り組みです。ベンチマークで後れを取る中、OpenAIは「自社のプラットフォームこそが、企業内でエージェントを実用的にする最適な基盤だ」とアピールしているとも読めます。

それが戦略的な転換なのか、あるいはモデル競争で後塵を拝しているという暗黙の認めなのかは、皆さんの判断に委ねます。

とはいえ、AnthropicのClaude Opus 4.6には総じて感心しています。エージェントチームの実運用での活用にも期待が高まります。Claudeファミリーについてさらに学ぶなら、Introduction to Claude Modelsコースをぜひご覧ください。