キャッシュ読み取りが4倍違う#

Fable 5.1 の目玉のひとつが、キャッシュ読み取りの $1.00 → $0.25 という値下げだ（入力・出力の単価は Fable 5 から据え置き）^{1 3}。Astra は $1.00 なので、ここで4倍の差がついている⁸。

これが効くのは、同じ前提コンテキストを何度も読み直す使い方だ。エージェントループ、長いシステムプロンプト、大きなリポジトリを毎ターン参照する構成などが該当する。Anthropic 自身の推計では、トークン課金の典型ワークロードで約25%、エージェント負荷が高い構成で最大約45%の総コスト減としている¹。推計であって実測ではないが、方向としては妥当だと思う。

逆に、毎回まったく違う入力を投げる単発利用ではキャッシュがほぼ効かないので、この差はゼロになる。

Astraは272Kを1トークンでも超えるとリクエスト全体が値上がりする#

こっちは見落とすと怖い。Astra は 272K トークンを超えた場合、超過分だけでなくリクエスト全体が長コンテキスト料金（入力・キャッシュ2倍、出力1.5倍）になる⁸。

つまり 272,001 トークンのリクエストは、入力実質 $20 / 出力実質 $75 相当になる。1M コンテキストを売りにしているモデルで、その4分の1を超えたところに崖がある構造だ。

Fable 5.1 側にはこの規定がなく、1M のウィンドウ全体が標準単価である³。長いコードベースや大量の PDF をまるごと投げる用途では、カタログ単価が同じでも実効単価が2倍違うことになる。

トークン消費量が、実は一番大きい変数#

単価が同じなら、払う額を決めるのは消費トークン数である。ここは両者の性格がはっきり分かれる。

Astra はトークン効率に振っている。Artificial Analysis は、Codex ハーネス上の Astra が GPT-5.6 Sol（max）の約3分の1、Claude Opus 5（xhigh）の約5分の1のトークンで動くと報告した¹¹。単価は Sol 比で2.5倍だが、コーディングエージェント用途ではトークン削減が値上げをほぼ相殺する、というのが AA の読みだ¹¹。

Fable 5.1 は逆方向に膨らむ。max effort での出力トークンは Fable 5 の約1.7倍で、effort 間の振れ幅は11倍（AA の Index スイート合計で low 13.1M に対し max 143.7M）⁵。結果として、キャッシュが4分の1になったのにタスク単価は Fable 5 の $3.14 から $3.76 へ約20%上がった、と AA は報告している。キャッシュ値下げがなければ $5.16 だった、とも書いてある⁵。

つまり Fable 5.1 では、「キャッシュが安い」と「タスクが安い」は別の話である。ワークロードのキャッシュヒット率と effort 分布次第で符号が変わる。

なお AA の同じ計測で、Fable 5.1 の xhigh は Intelligence Index 65 でタスク単価 $2.72、max は Index 66 で $3.76 だった⁵。1ポイントに約 $1 払う構造なので、多くの用途では xhigh か high が費用対効果の境界になる。

一方の Astra は、AA Intelligence Index のスイートではトークンが Sol より約10%減にとどまり、単価2.5倍がそのまま効いて max effort のタスク単価は Sol より約75%高い¹¹。コーディングエージェントでは相殺されるが、素の知的作業では素直に高くなる。

結局どう見積もるか#

同一条件で両者の絶対タスク単価を並べた公開データは、私が見た範囲では無い。AA の記事も、Astra は Sol 比、Fable 5.1 は Fable 5 比という別々の基準で書かれている^{5 11}。なので「どちらが安い」を一言で言うことはできない。

代わりに、判断材料になる分岐はこう整理できる。

• 同じ長いコンテキストを何度も読み直す → キャッシュ4倍差で Fable 5.1 有利
• 1リクエストが 272K を超える → 全体2倍課金の Astra が不利
• コーディングエージェントを長時間回す → トークン効率で Astra 有利
• effort を max に上げたい → Fable 5.1 は出力が膨らむので、xhigh で止めるほうが得
• 単発の重い推論を大量に投げる → どちらも高い。下位モデル（Opus 5 / Sol）を残す意味がある

Anthropic 自身も「大多数のワークロードは Claude Opus 5 から始めろ」と明記している³。フラッグシップを既定にしないのは、両社に共通する現実的な運用だと思う。

共通して拾える行を並べる#

両社の発表表と独立評価から、比較可能な行だけを抜いた。出典が片方だけの行は、その社の表の数字である。

太字は勝っているほうだが、行数を数えて勝敗を決めるのは危ない。理由は次のとおり。

同じベンチの同じモデルの数字が、発表元で食い違う#

突き合わせていて一番おもしろかったのがこれだ。両社の表に載っている「第三者モデルのスコア」がずれている。

Terminal-Bench Science の Fable 5 が 24.7% と 21.4% で3ポイント以上ずれているのは、Anthropic 側が脚注で説明している。公開リーダーボード（3試行）の値が Opus 5 30.0% / Fable 5 21.4% で、Anthropic の再現が 29.0% / 24.7%、標準誤差は ±3.5〜4.5 ポイントだという^{1 2}。OpenAI はリーダーボード側を引いている。

つまり誤差の範囲で、どちらの数字も嘘ではない。ただ、他社のスコアを引用するときにどちらを選ぶかで見え方は変わる。3ポイント差のベンチマークで順位を語るのが、いかに危ういかという話でもある。

そして OSWorld は、そもそも並べてはいけない。Anthropic は2026年8月版のタスクセットで partial 77.9% / strict 41.7%¹、OpenAI は offline set の partial score で 72.6%⁷ と、条件が違う。数字だけ見ると Fable が上に見えるが、この2つは別の定規で測った値なので比較は成立しない。

ARC-AGI-3の99.9%はハーネスの話#

Astra の見出し数字のひとつが ARC-AGI-3 の 99.9% だが、ARC Prize の Semi-Private 結果を見ると条件が2つに分かれている¹²。

Standard はモデルが自分で残したノートだけを次に持ち越す。Provider Adapter は不透明な reasoning state の保持と compaction を許す。OpenAI 発表の 99.9% は後者である^{7 12}。ARC Prize は両方を SOTA と認めたうえで、将来の AGI は Standard 条件でも解けるべきだと書いている¹²。

ステートレスな API 呼び出しで 99% が出ると読んではいけない、という注意書きが公式に付いているタイプの数字だ。

「AGIに入った」発言との温度差#

Greg Brockman は記者向け説明で、数年後に振り返ったとき「AGI が作られた時期」がこのあたりになるかもしれない、AGI era に入ったと考えても不合理ではない、と個人的見解を述べた¹³。見出しにはなったが、独立指標を見ると Astra は万能首位ではない。AA Intelligence Index は Astra 61.2 に対して Fable 5.1 が 65.7、Opus 5 が 63.1 で、Astra は前世代の Sol（60.9）とほぼ横並びである^{7 11}。

ARC Prize も、ベンチマークの飽和は AGI の証明ではないと明言している¹²。

Astraを選ぶ場面#

1. 画面操作・ブラウザ・書類作成のエージェント

OSWorld は条件が違って直接比較できないが、周辺の指標は揃って Astra 側に振れている。ScreenSpot-Pro（ツールなし）92.7%、Agents’ Last Exam 59.3%（Opus 5 は 55.5%）、AutomationBench 41.4% 対 Fable 5.1 の 31.4%^{1 7}。OSWorld のタスク所要時間も約40分で、Sol の約75分から半減している⁷。

「画面を見てクリックし、書類を作り、社内システムを更新する」系は Astra の主戦場だ。

2. 数学

FrontierMath Tier 4 が 97.6% 対 87.8% で、約10ポイント差⁷。ここは僅差ではない。

ただし Fable 5.1 側にも数学の強みはあって、Vals の ProofBench v1.1 では 100%（Fable 5 は 95%）を出している⁶。こちらは形式検証可能な証明で、FrontierMath とは測っているものが違う。「難問を解く」なら Astra、「証明を形式的に通す」なら Fable、という分かれ方になる。

3. CAD・図面・楽譜などの視覚的な制作物

BenchCAD 95.9% 対 84.3%、楽譜 OMR は 0.84 対 Sol の 0.19⁷。図面や譜面のような構造化された視覚データは Astra が明確に上だ。

ちなみに Fable 5.1 は SWE-bench Multimodal で 54.7% と、Opus 5 の 59.4% に負けている²。スクリーンショットやモックから直す作業は、Anthropic 内でも Fable より Opus のほうが上という珍しい行である。

4. 長コンテキストからの検索

MRCR v2 8-needle が 256K〜512K で 100%、512K〜1M で 96.3%（Sol は 91.5% / 73.8%）⁷。1M を「持っている」だけでなく、実際に針を拾える。

ただし前述のとおり 272K を超えた瞬間にリクエスト全体が2倍課金になるので、この強みは費用とセットで考える必要がある⁸。

5. ターミナル上の科学・システム作業

Terminal-Bench Science 0.1 が 64.6% 対 52.6%⁷。データ解析・シミュレーション・モデルフィットをコードとターミナルで回す研究ワークフローは Astra が上だ。

ただし Fable 5.1 のスコアには注意点があって、本番セーフガードが介入したタスクは0点で集計されている^{1 2}。生命科学系のクエリは Opus 5 へフォールバックされるため、素の能力より低めに出やすい。

Fable 5.1を選ぶ場面#

1. 横断的・専門家級の知識問題

Humanity’s Last Exam（ツールあり）が 65.0% 対 57.2% で、8ポイント近い差^{1 7}。これは OpenAI 自身の表にもそのまま載っている。

数学・科学の縦に深い問題は Astra が強い一方、HLE が含む人文・横断的な問題ではリードを取れていない、という整理が自然だと思う。AA Intelligence Index の 65.7 対 61.2 も同じ方向だ¹¹。

2. 職業横断の知識労働

GDPval-AA v2（44職業の経済的に価値あるタスク）で Fable 5.1 は Elo 1853¹。AA は Astra について同じベンチで 約 −80 Elo の回帰を報告している¹¹。τ³-Banking、SciCode、AA-LCR でも2〜3ポイントの回帰があるという¹¹。

ただし逆の行もあって、複数週・大量ソースの長期ナレッジワークを見る AA-Briefcase では Astra が 約 +80 Elo¹¹。「長い仕事のエージェントとしては上手くなったが、職業タスク全般で一律に上がったわけではない」というのが AA の観察である。

3. 何時間も走らせる自律エージェント

FrontierSWE v2（最大約20時間級の工学・研究タスク）で Fable 5.1 は 0.57、Opus 5 が 0.52、Fable 5 が 0.48²。Fortran から Rust への移植や長時間のシミュレータ実装のような、床が抜けやすいタスクで失敗率が低いとシステムカードは述べている。

AA Coding Agent Index も Fable 5.1 が 70 で先頭、Opus 5 が 68.1、Astra が 67.0 と続く^{5 11}。

4. 1リクエストが272Kを超える構成

これはスコアではなく課金設計の話だが、実務ではかなり効く。長大なコードベースや資料群を一度に投げるなら、追加課金が無い Fable 5.1 のほうが素直だ³。

どちらも選ばないほうがいい場面#

プレゼン・成果物の見た目。AA-Briefcase では、Fable 5.1 は分析品質 Elo が Opus 5 を上回る一方で プレゼン品質は Opus 5 が上（1495 対 1572）⁵。Astra も同じ指標で Presentation Quality Elo が下がり、AA は Sol（max）が全モデル首位と書いている¹¹。両社の公式デモはスライド生成の上手さを強調するが、独立評価はそれを支持していない。

エージェント法務。Fable 5.1 は Harvey’s Legal Agent Benchmark で 6.67%（55モデル中18位）で、Fable 5 の 11.25% より下がっている⁶。文書・表・スライド・ファイル操作を連鎖させる法務エージェントは、まだ実用の域にない。

生命科学・医薬。Astra は GeneBench Pro 37.8%、MedChemBench 49.3%、LifeSciBench 60.3% と、伸びてはいるが絶対値が低い⁷。Fable 5.1 は該当クエリが Opus 5 へフォールバックされる¹。どちらも主役にはならない。

業務自動化の無人運用。AutomationBench は Astra 41.4%、Fable 5.1 31.4%^{1 7}。首位でも過半数に届いていないので、人間の監督が前提になる。

Fable 5.1の破壊的変更#

Fable 5 からの breaking change が3つある³。

1. forced tool use が使えない。tool_choice の any や特定ツール指定は 400 エラーになる。thinking を飛ばしてツール引数に思考を流し込むのを防ぐためで、スキーマを強制したい場合は strict: true か structured outputs に寄せる必要がある
2. 以前のモデルは Fable 5.1 の thinking ブロックを読めない。会話を Opus 5 や Fable 5 に戻すルーティングを組んでいると、そのターンの推論が落ちる
3. 過去ターンを編集すると thinking が無効化される。system / tools / 過去メッセージを書き換えると 400 かブロック破棄になる。会話は append-only が前提で、2026年8月31日以降の新規アカウントでは強制、既存アカウントはオプトイン

加えて thinking は常時オンで無効化できず（enabled / disabled や budget_tokens は 400）、temperature / top_p / top_k の非デフォルト値もアシスタント prefilling も 400 になる³。

会話履歴を書き換えて制御するタイプの実装は、そのままでは動かない。ここは移行コストとして見積もっておく必要がある。

もうひとつ、公式レイテンシは現行 Claude で最も遅い³。プロンプト文書によれば、進捗の地の文が減る、並列ツールがエージェントループで直列化しやすい、小さな編集でファイル全体を書き換えやすい、といった挙動差もある⁴。

Astraの提供・監視まわり#

Astra 側は API の互換性より、提供形態と監視の制約が効く^{7 8}。

• Enterprise はデフォルトオフで、ワークスペース管理者が有効化しないと使えない⁷
• Free プランへの提供は公式に明記されておらず、API の Free ティアも非対応⁸
• 本番では full-context のミスアライン監視が走り、ChatGPT / Codex では作業が一時停止して確認を求められ、API ではタスクが止まることがある。正当な作業まで止まる誤検知があり得ると OpenAI 自身が認めている⁷
• サイバーセキュリティ能力が Preparedness Framework の Critical 閾値に初めて到達したモデルと指定されており^{9 10}、本番の Astra は攻撃寄りの高度な作業を拒否する⁷

アラインメント自体は改善していて、範囲外タスクへの逸脱が Sol の 48% に対して Astra は 0%、社内 Codex タスク約54,000件でのミスアライン行為フラグも Sol の約半分だという^{7 10}。

一方で 思考過程（CoT）の監視しやすさは Sol より下がった。Astra は短い、あるいは空に近い CoT を出しやすく、CoT 自体を制御する能力も高い。敵対的設定では評価で意図的に手を抜く挙動や、一部の妨害タスクで内部モニタを回避できる場合があるとシステムカードは書いている¹⁰。

能力とアラインメントが同時に上がりつつ、中身が見えにくくなっているというのは、なかなか居心地の悪い組み合わせだと思う。

Fable 5.1のフォールバックとデータ保持#

Fable 5.1 も別種の制約を持っている。サイバーと生物のセーフガードに該当するクエリは弱いモデルへフォールバックされ、その分は Fable 単価で課金されない^{1 3}。フォールバック先はサイバーが Claude Opus 4.8、生物が Claude Opus 5 だ¹。

規模感としては、AA の Intelligence Index 計測で出力トークンの約4%が Opus 側で処理されている⁵。Vals はさらに踏み込んで、フォールバックを失敗扱いにすると Terminal-Bench 2.1 が 85.02% から 79.03% に下がり、SRE Bench では 74.43% のタスクがフォールバックの支援を受けていたと報告している⁶。

セキュリティ系の作業を Fable 5.1 に任せるつもりなら、この数字は無視できない。Anthropic は脆弱性の発見は許可し、エクスプロイト生成・ペネトレーションテスト・バイナリ脆弱性スキャンは Opus へ回す、という線引きにしている¹。

データ保持も違う。Fable / Mythos は Covered Model 扱いで原則30日保持、ゼロデータ保持には明示的な許可が必要である^{1 2}。