Claude Fable 5 vs Claude Opus 5：料金と仕様の実測比較

どんなときに、どちらを選ぶか

Anthropic独自の分岐点：Opus 5は$5/$25でオフにできる適応型思考を備え、Fable 5は$10/$50で構造的な思考が常にオンになっています。単純な呼び出し時に熟考を無効にすることがワークロードにとって有益な場合、Opus 5は半額であり、指示に従います。一方、Fable 5はモデルに決して思考をスキップさせたくない作業向けです。

ベンチマーク

勝ち平均超え上回るモデルなしClaude Fable 51386 ~~/ 97~~40 ~~/ 97~~Claude Opus 51738 ~~/ 46~~8 ~~/ 46~~

両モデルとも測定されている項目は 30 件です。

Claude Fable 5 Claude Opus 5 測定された他モデル他モデルの平均 ★ これを上回るモデルなし

DeepSWE 1.1

69.7%

68.8%

BioMysteryBench hard

46.5%

49.4%

OSWorld 2.0

66.1%

これを上回るモデルなし 70.6%

ExploitBench (Cap%)

78%

70%

HealthBench Professional

60.9%

59.8%

Finance Agent v2

56.3%

58.6%

Legal Agent Benchmark

これを上回るモデルなし 13.3%

6.7%

GPQA Diamond

92.6%

93.4%

Blueprint-Bench 2

38.6%

N/A

BrowseComp

87.4%

90.8%

LVBench

N/A

75.4%

DeepSWE 1.1

69.7%

68.8%

Terminal-Bench 2.1

88%

89.1%

Terminal-bench 4.0

42%

52.3%

Terminal-bench 3.0

33.7%

これを上回るモデルなし 43.3%

FrontierCode 1.1 Main

53.5%

48%

ProgramBench Almost Solved

33%

これを上回るモデルなし 37%

FrontierCode 1.1 Extended

これを上回るモデルなし 64.9%

63.6%

CursorBench 3.2.0

70.5%

70%

Frontier-Bench v0.1

33.7%

これを上回るモデルなし 43.3%

SWE-Bench Pro

これを上回るモデルなし 80.3%

N/A

NL2Repo

N/A

これを上回るモデルなし 75.3%

SciCode

これを上回るモデルなし 60.2%

N/A

DeepSWE

70%

N/A

MLS-Bench-Lite

これを上回るモデルなし 49.9%

N/A

FrontierSWE

これを上回るモデルなし 88.8%

N/A

Kimi Code Bench 2.0

これを上回るモデルなし 76.9%

N/A

PostTrainBench

これを上回るモデルなし 41.4%

N/A

ProgramBench

76.8%

N/A

DSBench-FullStack

これを上回るモデルなし 77.2%

N/A

DSBench-Hard

68.3%

N/A

SWE-Marathon

35%

N/A

SWE-Marathon v1.1

33.1%

N/A

FrontierSWE Dominance

これを上回るモデルなし 88.2%

N/A

CursorBench 4.0

N/A

46.6%

Internal Database Migration Tasks

50.3%

N/A

QwenQoderBench

これを上回るモデルなし 63.1%

N/A

QwenReactBench 1538-1770

これを上回るモデルなし 1770

N/A

QwenSVGBench 1499-1713 Alibaba (Qwen) 公表 · 2026-08-25

1690

N/A

QwenSWEBench

これを上回るモデルなし 86.3%

N/A

FrontierCode (Diamond) xhigh

29.3%

N/A

ベンダー公表値： Alibaba (Qwen) Anthropic ByteDance DeepSeek Google MiniMax Moonshot OpenAI Tencent Z.ai

料金

	Claude Fable 5	Claude Opus 5	Δ
入力 / 100 万トークン	$10	$5	2×
出力 / 100 万トークン	$50	$25	2×
キャッシュ読み取り / 100 万トークン	$1	$0.5	2×
キャッシュ書き込み	1.25x (5m) / 2x (1h)	1.25x (5m) / 2x (1h)	-

ビルド時点の現行カタログの料金です。最新の料金表は各モデルのページに掲載しています。

両モデルの位置：100 万トークンあたりの入力料金（この課金単位のチャットモデル全 76 件、対数スケール）

Claude Fable 5 · $10 Claude Opus 5 · $5

$0.05 · Qwen3 VL Flash $30 · GPT-5.4 Pro

対応機能

	Claude Fable 5	Claude Opus 5
ツール呼び出し	あり	あり
思考の制御	常時オン	設定可能
構造化出力	あり	あり
プロンプトキャッシュ	明示（プレフィックスを自分で指定）	明示（プレフィックスを自分で指定）
キャッシュ保持時間	5m default, 1h option	5m default, 1h option
キャッシュ対象の最小プレフィックス	1024 トークン	1024 トークン

仕様

	Claude Fable 5	Claude Opus 5
入力モダリティ	テキスト画像	テキスト画像
出力モダリティ	テキスト	テキスト
リリース	2026-06-09	2026-07-24
知識カットオフ	2026-01	2026-05
コンテキストウィンドウ	1M	1M
最大出力	128K	128K
思考パラメータ	output_config.effort (thinking.type is adaptive-only and needs no configuration)	thinking.type output_config.effort
指定可能な値	effort low medium high xhigh max both "enabled" and "disabled" return 400	thinking.type adaptive disabled effort low medium high xhigh max
デフォルト	thinking always on (adaptive) effort high	thinking on effort high (Claude API and Claude Code)

仕様は各ベンダーのドキュメントから転記しています。ベンダーが公表していない項目は、推測で埋めずに省いています。出典の一覧： Claude Fable 5 · Claude Opus 5

1 つのプロンプトを両モデルで実行（ゲートウェイ経由で測定）

CFO 向けの推論バグのある関数の修正スキーマに沿った抽出制約付きの文章作成

プロンプト Explain to a CFO, in exactly three sentences, why our LLM bill doubled after we enabled reasoning. チェックちょうど 3 文

Claude Fable 5 合格 · 3 sentences

When we enabled reasoning, the model began generating extensive internal "thinking" tokens before each answer, and those tokens are billed as output even though users never see them. Output tokens typically cost several times more than input tokens, so adding thousands of hidden reasoning tokens per request effectively multiplied our per-query cost. In short, we're paying for a much longer response behind the scenes in exchange for higher answer quality, and we can manage this by tuning reasoning effort levels or reserving reasoning mode for complex tasks only.

出力 228 tok レイテンシ 6.7 s

Claude Opus 5 合格 · 3 sentences

When reasoning is enabled, the model generates a hidden chain of "thinking" tokens before it writes the visible answer, and those internal tokens are billed at the output rate even though no one ever sees them — commonly 3–10x more tokens than the response itself. Because output tokens are priced several times higher than input tokens, that added volume hits us at our most expensive rate, which is why the bill roughly doubled while our request count stayed flat. The spend is controllable: we can cap the reasoning budget per call, route only genuinely hard requests to reasoning mode and cheaper models for the rest, and track cost per successfully completed task rather than cost per token, since a single correct answer usually beats three cheap retries plus human cleanup.

出力 529 tok レイテンシ 9.0 s

指示への忠実さ（ちょうど 3 文という、数えて確かめられる条件）、読み手に合わせた書き分け（CFO 向けの語り口）、そして下のトークンメーターに表れる、表示されない思考への課金の差。

プロンプト This function is supposed to return the longest run of consecutive equal items, but callers report it is off by one on single-element inputs and misses runs that end at the last index. Fix it and explain the bug in one paragraph. チェック修正がテストを通る

Claude Fable 5 合格 · 8/8 cases

## Fixed code ```python def longest_run(xs): if not xs: return 0 best = cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 best = max(best, cur) return best ``` ## Explanation The original function counts **adjacent equal pairs** rather than **items in a run**: a run of length *n* contains only *n − 1* equal neighbor pairs, so every result is off by one — a single-element list yields 0 instead of 1, and `[1, 2, 2]` yields 1 instead of 2 (which callers perceive as "missing" the run at the end). The fix is to initialize both `cur` and `best` to 1 (any nonempty list has a run of at least length 1), reset `cur` to 1 rather than 0 when

出力 531 tok レイテンシ 12.5 s

Claude Opus 5 合格 · 8/8 cases

## Fixed version ```python def longest_run(xs): if not xs: return 0 best = 1 cur = 1 for i in range(1, len(xs)): if xs[i] == xs[i - 1]: cur += 1 else: cur = 1 if cur > best: best = cur return best ``` ## The bug The counters were tracking the wrong quantity: `cur` counted *matching adjacent pairs* rather than *elements in the current run*, and both counters started at `0` instead of `1`. Since a run of length *n* contains only *n − 1* adjacent equal pairs, every result came back one too small — `[1, 1]` returned 1, `[3, 3, 3]` returned 2 — and a single-element list returned 0 because the loop body never executed and `best` kept its initial value of `0`. […]

出力 1094 tok レイテンシ 16.1 s

修正が本当に正しいか（実行して確かめられる）、説明の密度、範囲の限られたタスクでのトークン効率。

プロンプト Extract a JSON object with fields {company, quarter, revenue_usd_m, growth_pct, guidance} from this text. Use null for anything not stated; add no other fields. チェック有効な JSON、スキーマに完全一致

Claude Fable 5 合格 · 5/5 fields, guidance null

```json { "company": "Meridian Robotics", "quarter": "Q3 (September quarter)", "revenue_usd_m": 412, "growth_pct": 11, "guidance": null } ``` Notes on interpretation: "up eleven and change" is rendered as 11 (the precise figure isn't stated), and guidance is null because it was explicitly withheld.

出力 192 tok レイテンシ 6.5 s

Claude Opus 5 合格 · 5/5 fields, guidance "Withheld pending Q4 close"

```json { "company": "Meridian Robotics", "quarter": "Q3", "revenue_usd_m": 412, "growth_pct": 11, "guidance": "Withheld pending Q4 close" } ``` Notes on judgment calls: - **quarter**: "September quarter" is labeled Q3 because the text refers to an upcoming "Q4 close," implying a calendar-aligned fiscal year. No fiscal year is given. - **revenue_usd_m**: 412 is stated as constant-currency and hedged ("call it"), so it's approximate; the currency is not explicitly stated as USD. - **growth_pct**: "up eleven and change" means slightly more than 11, so 11 is a floor rather than an exact figure.

出力 539 tok レイテンシ 7.6 s

スキーマの遵守（存在しないフィールドを作らない）、ハルシネーションを誘う条件への耐性（guidance は明示的に伏せてある）、構造化出力の実現方法の違い。

プロンプト Write a 120-word product announcement for an API gateway feature that caches prompts across providers. Forbidden words: "seamless", "unlock", "game-changer", "revolutionize", "empower". Exactly one sentence must be a question. チェック 120 語、禁止語 0

Claude Fable 5 合格 · 120 words, 0 banned, 1 question

**Introducing Cross-Provider Prompt Caching for our API Gateway** Starting today, your repeated prompts are cached once and reused across OpenAI, Anthropic, Google, and any other provider you route through the gateway. Instead of paying full token costs every time your application sends the same system prompt or context block, the gateway detects matching prefixes and serves cached results in milliseconds. Why keep spending money and latency on identical requests? Early adopters report cost reductions of up to 60 percent on high-volume workloads, along with faster median response times. Configuration is simple: enable caching in your dashboard, set a TTL, and choose which routes participate. Cache entries are encrypted at rest and never shared between accounts. Available now on all plans.

出力 1173 tok レイテンシ 18.2 s

Claude Opus 5 合格 · 123 words, 0 banned, 1 question

**Cross-Provider Prompt Caching** We're introducing Cross-Provider Prompt Caching in the API Gateway. Repeated system prompts, long documents, and few-shot examples are stored once at the gateway layer and reused across OpenAI, Anthropic, Google, and self-hosted models. Instead of paying full input token costs on every request, your application sends a cache reference, and the gateway rehydrates the context before forwarding it downstream. Why does that matter? Teams running high-volume agents and retrieval pipelines typically see input token spend fall 40 to 70 percent, with median latency dropping by several hundred milliseconds. Caches are scoped per project, encrypted at rest, and invalidated automatically when a prompt template changes. Enable it with a single header, and see the docs for TTL tuning and per-route controls.

出力 1593 tok レイテンシ 19.1 s

制約の遵守（語数の上限、禁止語リスト、疑問文はひとつだけ）、文体の癖、長さの制御。

1 行の変更で切り替え

以下のどのタブにも両方のモデル ID が入っています。書き換えるのはハイライトされた 2 行だけで、エンドポイント、キー、リクエスト形式はすべて同じです。

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.chat.completions.create(
    model="claude-fable-5",
    # model="claude-opus-5",  # この行のコメントを外し、上の行をコメントアウト
    messages=[{"role": "user", "content": "Summarize this diff"}],
    reasoning_effort="medium",
)
print(resp.choices[0].message.content)

import OpenAI from "openai";

const client = new OpenAI({
  baseURL: "https://synthorai.io/v1",
  apiKey: "sk-syn-...",
});

const resp = await client.chat.completions.create({
  model: "claude-fable-5",
  // model: "claude-opus-5",  // この行のコメントを外し、上の行をコメントアウト
  messages: [{ role: "user", content: "Summarize this diff" }],
  reasoning_effort: "medium",
});
console.log(resp.choices[0].message.content);

curl https://synthorai.io/v1/chat/completions \
  -H "Authorization: Bearer sk-syn-..." \
  -H "Content-Type: application/json" \
  -d '{
    "model": "claude-fable-5",
    # "model": "claude-opus-5",  # この行のコメントを外し、上の行をコメントアウト
    "messages": [{"role": "user", "content": "Hello"}],
    "reasoning_effort": "medium"
  }'

package main

import (
	"context"
	"fmt"

	"github.com/openai/openai-go/v3"
	"github.com/openai/openai-go/v3/option"
)

func main() {
	client := openai.NewClient(
		option.WithBaseURL("https://synthorai.io/v1"),
		option.WithAPIKey("sk-syn-..."),
	)
	resp, _ := client.Chat.Completions.New(context.TODO(), openai.ChatCompletionNewParams{
		Model: "claude-fable-5",
		// Model: "claude-opus-5",  // この行のコメントを外し、上の行をコメントアウト
		Messages: []openai.ChatCompletionMessageParamUnion{
			openai.UserMessage("Summarize this diff"),
		},
		ReasoningEffort: openai.ReasoningEffortMedium,
	})
	fmt.Println(resp.Choices[0].Message.Content)
}

import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.chat.completions.*;
import com.openai.models.ReasoningEffort;

OpenAIClient client = OpenAIOkHttpClient.builder()
    .baseUrl("https://synthorai.io/v1")
    .apiKey("sk-syn-...")
    .build();

ChatCompletion resp = client.chat().completions().create(
    ChatCompletionCreateParams.builder()
        .model("claude-fable-5")
        // .model("claude-opus-5")  // この行のコメントを外し、上の行をコメントアウト
        .addUserMessage("Summarize this diff")
        .reasoningEffort(ReasoningEffort.MEDIUM)
        .build());
System.out.println(resp.choices().get(0).message().content().orElse(""));

API キーを取得 →

よくある質問

Claude Fable 5 と Claude Opus 5 ではどちらが安いですか？

入力 / 100 万トークンは Claude Opus 5 のほうが安くなります（$5 対 $10、2.0 倍の差）。ほかの行では逆になることもあります。料金の全体は上の表に掲載しており、実際のコストは利用の内訳によって変わります。

Claude Fable 5 と Claude Opus 5 の A/B テストは、実装を 2 つ用意せずにできますか？

はい。どちらも同じ OpenAI 互換エンドポイントから 1 つの API キーで利用できます。切り替えはモデル名の文字列を 1 行変えるだけなので、トラフィックの一部をそれぞれに振り分けて、請求額を直接比較できます。

Claude Fable 5 と Claude Opus 5 はプロンプトキャッシュに対応していますか？

はい。どちらのモデルも、キャッシュ読み取りは通常の入力単価より安く課金されます。そのため、同じプレフィックスを繰り返し使うワークロードでは、定価から見込まれるよりコストが下がります。キャッシュ読み取りの正確な単価は、上の料金表に掲載しています。

当社の実測レポートより

GPT-6.1 Sol と Claude Sonnet 5.5：同じ $2/$10、タスク単価は半分過剰拒否の実測、原因の大半はモデルではなくベンチマーク Claude Opus 5.5 vs Opus 5：回答は同じ、出力 token は半分