GPT-5.6 Sol vs Claude Fable 5 徹底比較——ベンチマーク・長時間自律・価格・選び方

OpenAIの当時の最上位 GPT-5.6「Sol」（2026年7月9日一般提供）と、Anthropicが発表時に「一般提供する中で史上最強」と位置づけた Claude Fable 5（6月9日リリース）。Opus 4.8との比較が「同価格帯の直接対決」だったのに対し、こちらは「半額の万能型 Sol」対「2倍高いが最上位の Fable 5」という、コストと実力のトレードオフが主題になる。

結論を先に言えば——実プロダクション級コーディングと長時間自律では Fable 5 が明確に上、価格とエージェント総合力の幅では Sol が上。SWE-bench Proの差はOpus 4.8戦よりさらに開く。本記事では両社の公式発表・独立ベンチマークを基に、この非対称な2強をどう使い分けるかを整理する。

1. 両モデルの立ち位置——「半額の万能」vs「最上位の職人」

Claude Fable 5——「長距離走の完走力」に全振り

Fable 5 は Anthropic 社内最強級の frontier モデル「Mythos」級の能力を、一般ユーザー・開発者が使える形で解放したモデルだ（中身は Mythos 5 と同一で、安全装置だけが異なる）。キャッチコピーは「長時間・複雑な仕事のために作られた」。実 GitHub リポジトリ修正を測る SWE-Bench Pro で80.0% を記録し、Opus 4.8（69.2%）や前世代GPT-5.5（58.6%）を大きく引き離す（Anthropic のシステムカードの値。発表の表で Mythos 5 と共通の欄に載る80.3%は、高いほうの Mythos 5 の値）。数百万トークンにわたって集中を保ち、これまでのどの Claude よりも長く自律して働けるとされ、Stripeが5000万行のRubyコード移行を1日で完了させた事例もある（出典: Anthropic公式発表）。

GPT-5.6 Sol——「半額の万能型」

Sol は GPT-5.6（Luna/Terra/Sol）の最上位。端末を自律操作する TerminalBench 2.1 で88.8%、長時間実務の Agents' Last Exam で53.6 とエージェント総合力で首位を取り、コーディングでのトークン効率が54%向上。何より、Fable 5 の約半額（$5/$30 対 $10/$50）という価格が最大の武器だ。「最強ではないが、費用対効果で戦う」ポジションにある（出典: OpenAI公式発表・Vellum・Artificial Analysis）。

2. スペック早見表

※価格・スペックは各社公式発表（Fable 5＝2026年6月9日、GPT-5.6＝2026年7月9日）に基づく。ベンチマークは測定条件・時期・harnessが両社で異なり、同一土俵の厳密比較ではない。両モデルを並べた値（SWE-Bench Pro 80.0% 対 64.6%、TerminalBench 2.1 83.1% 対 88.8%、Agents' Last Exam 40.5 対 53.6、Coding Agent Index 77.2 対 80）は、両方が載っている OpenAI の GPT-5.6 発表の評価表による（Sol の Agents' Last Exam 53.6 は発表本文の値で、同じページの表では52.7%。Coding Agent Index は Artificial Analysis の指標）。Anthropic 自身の発表の表では Fable 5 は SWE-Bench Pro 80.3%・TerminalBench 2.1 88.0% だが、どちらも Mythos 5 と共通の欄に載せた両者の高いほうの値で（システムカードでは Fable 5 単独で80.0%・84.3%）、TerminalBench 2.1 には「安全装置のフォールバックのため、Fable 5 は Opus 4.8（同じ表で82.7%）に近い値になる」という注記が付いている。86.0% という値はどちらの表にも無い。

3. ベンチマーク詳細比較

「Fable 5が全勝」でも「Solが全勝」でもない。コーディングの種類で綺麗に分かれる。

ポイントは 「ベンチマークが測っているもの」 の違いだ。SWE-bench Pro は実 GitHub 課題のパッチ生成＝既存コードベースの修正力を測り、ここでは Fable 5 が80.0%でSolの64.6%を15ポイント以上引き離す。一方の TerminalBench 2.1 はコマンドラインの自律操作で、Sol が88.8%でFable 5の83.1%を上回る。さらにエージェント総合の Agents' Last Exam・Coding Agent Index では Sol が優位。「実コードを直し切る深さ＝Fable、端末操作とエージェントの幅＝Sol」という綺麗な棲み分けになっている。

4. 「非公開ベンチ問題」——伏せられた指標と、SWE-bench Proへの疑義

この比較でも注意が要るのは、OpenAI の評価表に載っていない指標がある点だ。独立分析（Vellum）は発表直後、OpenAI が SWE-bench Verified・GPQA Diamond・AIME・MMLU・ARC-AGI-2・FrontierMath を公表していないと指摘した。ただし2026年9月22日に確認した OpenAI の発表ページの評価表には、GPQA Diamond（Sol 94.6%、Fable 5 92.6%）と FrontierMath（Tier 1〜3 で Sol 89%・Fable 5 87%、Tier 4 で Sol 83%・Fable 5 87.8%）が載っている。載っていないのは SWE-bench Verified・AIME・MMLU で、ARC-AGI-2 の Sol の値（92.5%）は9月3日の GPT-6 Astra の発表の表に初めて出てきた。本記事の SWE-bench Pro「64.6%」も、OpenAI が GPT-5.6 の発表時に公開した評価表の値だ。ただし OpenAI は同時に、SWE-bench Pro の課題の約30%に不備があるとする分析も公開している（Simon Willisonが指摘）。

5. 長時間自律——Fable 5の本領

Fable 5 の真価はベンチのスコアより「長距離走の完走力」にある。Anthropicは、数百万トークンにわたって集中を保ち、これまでのどの Claude よりも長く自律して働けると説明している（時間の上限は示していない）。実例として挙げているのは Stripeが5000万行のRubyコード移行を1日で完了（手作業なら2か月超相当）した事例だ。発表直後には、利用者が1つの指示で12時間以上自走させた例も Ten Past Tomorrow のブログで報告されている。長時間分析ベンチ Hex では史上初の90%超も報告された。

Solも長時間実務のAgents' Last Examで首位（53.6）だが、こちらは「幅広い業務ワークフロー」を測るベンチ。単一の巨大コードベースを最後まで直し切る「深い完走力」ではFable 5に分がある——というのが両者の質的な違いだ。大規模移行・長時間調査・自律コーディングエージェントの主力にはFable 5が向く。

6. 実コスト——2倍の単価をどう見るか

単価は Fable 5 が $10/$50、Sol が $5/$30。入力で2倍、出力で1.67倍、Fable 5 はSolのおよそ2倍高い（Sol が2026年8月21日から3か月の販促価格 $4/$20 の間は約2.5倍）。ここが選択の分かれ目になる。

• Solのコスト優位：単価が半額なうえ、コーディングでトークン効率が54%向上。同じ作業なら消費トークンも減るため、「量をこなす」用途では総コストがFable 5を大きく下回る。
• Fable 5の価値：単価は高いが、1回で正しく直し切る成功率（SWE-bench Pro は両社の表とも約80%）が高い。やり直し・レビュー・人手の手戻りコストまで含めると、難タスクでは「高いが結局安い」ことがある。5000万行を1日で移行できるなら、人件費換算では破格だ。

つまり「トークン単価」ではなく「タスク完了あたりのコスト」で見るべきだ。日常の量産タスク・端末操作はSol（さらにコスト重視ならGPT-5.6 TerraやLuna）、失敗が高くつく大規模・長時間タスクはFable 5——という住み分けが、コスト最適の観点でも理にかなう。

※ 両社は同一条件の出力トークン比較を公表していないため、具体的な「実コスト倍率」は断定できない。自分の代表タスクで成功率と出力トークンを実測し、手戻りコストまで含めて比較することを推奨する。

7. 強み・弱みマップ

8. ユースケース別の選び方

まとめ

• Claude Fable 5: 実コード修正（SWE-Bench Pro 約80%）と長時間自律で最強級。大規模移行・難タスクの「完走力」が本領。ただし単価はSolの約2倍。
• GPT-5.6 Sol: 端末操作（TerminalBench 88.8%）・エージェント総合力で首位、半額＋トークン効率+54%でコスパ最強。3モデルで用途最適化しやすい。
• SWE-bench Proの差はOpus 4.8戦より拡大（OpenAI の表で 80.0 vs 64.6・15pt超）。ただしOpenAIは、SWE-bench Proの課題の約30%に不備があるとする分析も公開している点に注意。
• コストは「トークン単価」でなく「タスク完了あたり」で見る。量産・端末はSol、失敗が高くつく大規模・長時間はFable 5。
• 現実解はデュアル運用。日常はSol（またはTerra）、勝負どころの大タスクはFable 5、と使い分けるのが最適。

FAQ

Q1. GPT-5.6 Sol と Claude Fable 5、コーディングはどちらが強い？

指標による。実リポジトリのバグ修正を測るSWE-Bench ProではFable 5が80.0%でSolの64.6%を15pt以上上回る。一方、端末自律操作のTerminalBench 2.1ではSolが88.8%でFable 5の83.1%を上回る（いずれも OpenAI の評価表の値。Anthropic のシステムカードでも Fable 5 の SWE-Bench Pro は80.0%）。「実コードを直し切るならFable、端末操作・エージェントの幅ならSol」が実用的な棲み分け。

Q2. 価格差2倍を払う価値はある？

タスク次第。日常の量産・端末操作なら半額のSol（さらに軽作業はTerra/Luna）で十分。ただし大規模移行や難バグ修正など「失敗の手戻りが高くつくタスク」では、成功率の高いFable 5が結局安くつくことがある。トークン単価でなく「タスク完了あたりのコスト」で判断を。

Q3. SolのSWE-bench Pro「64.6%」は公式の値？

OpenAIがGPT-5.6の発表時に公開した評価表の値だ。ただしOpenAIは同時に、SWE-bench Proの課題の約30%に不備があるとする分析も公開しており、この指標自体に疑義を示している。発表直後にVellumが非公表と指摘したGPQA DiamondとFrontierMathも、2026年9月22日に確認した評価表には載っている（GPQAはSol 94.6%・Fable 5 92.6%）。表に無いのはSWE-bench Verified・AIME・MMLUだ。

Q4. 長時間の自律タスクにはどちらが向く？

Fable 5。数百万トークンにわたって集中を保ち、これまでのどの Claude よりも長く自律して働けるとされ（Anthropic の説明）、Stripeが5000万行のRuby移行を1日で完了させた実績がある。単一の巨大コードベースを最後まで直し切る「完走力」はFable 5の本領だ。

Q5. Fable 5とMythos 5は何が違う？

中身（能力）は同一で、安全装置だけが異なる。一般提供されるのがFable 5で、Fable 5はリスク検知時のみOpus 4.8へフォールバックする3分類器の安全設計を持つ（作動はセッションの5%未満で、95%超は自走）。

Q6. GPT-5.6の「Terra」はこの比較にどう絡む？

GPT-5.6はLuna/Terra/Solの3モデル。本記事は執筆当時のフラッグシップ同士としてSolを取り上げたが、コスト重視ならTerra（$2/$12）がGPT-5.5相当をSolの4割の単価で提供する（2026年7月30日の値下げ後）。「Fable 5で難タスク、Terraで量産」という組み合わせも実務では有力。詳細はGPT-5.6リリース完全解説を参照。

Q7. Opus 4.8とFable 5、Solと比べるならどっち？

用途と予算で選ぶ。Opus 4.8（$5/$25）はSolと同価格帯で、SWE-bench Pro 69.2%とコスパのよいコーディング。Fable 5（$10/$50）は当時の最上位で80.0%と完走力が別格だが高価。日常はOpus 4.8/Sol、勝負どころはFable 5、という三段活用が現実的。Sol vs Opus 4.8の比較も参照。

関連記事

• GPT-5.6 Sol vs Claude Opus 4.8 徹底比較 — 同価格帯の直接対決
• Claude Fable 5 リリース徹底解説 — 発表時の最上位モデルの詳細
• GPT-5.6 リリース完全解説 — Luna/Terra/Solの3モデル
• Claude Opus 4.8 リリース完全解説 — コスパ帯の実務モデル
• AIでシステム開発の工数はどれだけ減るのか — エージェント時代の実証データで検証