コンテンツにスキップ

GPT-5.6 Sol vs Claude Fable 5――評価が割れる理由と実務での使い分け

対象 / ポイント

対象: Codex／Claude Codeの採用モデルを選定中の開発チーム、ベンチマーク数値の読み方を整理したい技術リーダー

ポイント:

  • 総合知能はほぼ互角だが、分析品質はFable 5、実行効率と価格はSolが優位である
  • コーディング評価の食い違いは測定対象の差であり、リポジトリ修正とターミナル自律作業を分けて読む
  • 単一モデルへの統一より、タスク別ルーティングが現時点の合理解になる

2026年7月9日、OpenAIのGPT-5.6 SolがChatGPT、Codex、OpenAI APIで一般提供に入った1。 同じフロンティア帯にあるClaude Fable 5との比較は、すでに複数の公開ベンチマークで始まっている。

ただし、2026年7月13日時点で確認できる公開値を突き合わせると、勝敗は評価軸ごとに反転する。 本記事の問いはシンプルだ。SolとFable 5は、実務ではどの仕事に振り分けるべきか。

結論――「どちらが上か」では選べない

現時点の構図は、品質のFable 5、効率のSolである。 総合指数はほぼ同点だが、Fable 5は分析品質と一般チャット評価で強い。 SolはCodex上のエージェント作業、ターミナル系タスク、価格効率で強い。

評価軸優位なモデル読み方
総合知能Fable 5（僅差）Artificial Analysisでは60対59
一般チャットの人間評価Fable 5LMArena Textで1位
Coding Agent IndexSolCodex harness込みで80.0
SWE-Bench ProFable 5既存リポジトリ修正で強い
Terminal-Bench 2.1SolCLI自律作業で強い
ナレッジワークの分析品質Fable 5AA-Briefcaseの分析Eloで優位
資料の視覚的完成度SolAA-BriefcaseのPresentation Eloで首位
API単価Sol入力・出力ともFable 5より安い

この時点で、単純な一位選びは崩れる。 モデル選定は、成果物の種類、実行環境、許容コストで分ける必要がある。

独立評価――1ポイント差より構造差を見る

総合知能の差は小さいが、コストと出力特性の差は大きい。 Artificial AnalysisのIntelligence Indexでは、Claude Fable 5が60、GPT-5.6 Solが59である234。 一方、Coding Agent IndexではSolが80.0で首位、Fable 5は77.2だった2。

指標GPT-5.6 SolClaude Fable 5
Artificial Analysis Intelligence Index5960
Coding Agent Index80.077.2
API入力単価（100万トークン）$5$10
API出力単価（100万トークン）$30$50
Intelligence Indexの出力トークン70M87M
出力速度69.3 token/s59.2 token/s
初回トークンまでの時間157.71秒112.79秒
コンテキスト長1M1M

この測定では、Solは初回トークンまでの時間が長い一方、生成開始後の速度は速く、評価全体の出力トークンも少ない。 Fable 5は応答開始が相対的に早いが、評価全体の出力トークンは多い。 ただし、出力トークン数だけで思考の深さや品質は判定できない。ここから直接読めるのは、Solの方がAPI費用と処理量を見積もりやすいという点までだ。

人間評価ではFable 5が先行する。 2026年7月13日のLMArena Text Arenaでは、Fable 5が1508±7で1位、Sol xhighが1484±11で10位だった5。 ただしSolの投票数は2,992票で、Fable 5の7,959票より少ない。 この順位は、しばらく暫定値として読むほうがよい。

では、なぜコーディングでは勝者が入れ替わるのか。

コーディング評価――リポジトリ修正とCLI作業は別物

同じ「コーディング」でも、SWE-Bench ProとTerminal-Benchは別の能力を測っている。 OpenAI公表のクロスモデル評価では、SWE-Bench ProはFable 5が80.0%、Solが64.6%だった。 逆にTerminal-Bench 2.1ではSolが88.8%、Fable 5が83.1%だった1。

ベンチマークGPT-5.6 SolClaude Fable 5優位
SWE-Bench Pro64.6%80.0%Fable 5
DeepSWE v1.172.7%69.7%Sol
Terminal-Bench 2.188.8%83.1%Sol
GPQA Diamond94.6%92.0%Sol
FrontierMath Tier 483.0%87.8%Fable 5
AutomationBench18.1%17.4%Sol僅差
Toolathlon58.0%61.7%Fable 5
HealthBench Professional60.5%60.9%実質同等

出典に関する注意

上表はOpenAIの公式発表に含まれるクロスモデル評価である。比較材料としては有用だが、当事者の一方による公表値であり、完全な第三者評価ではない。

SWE-Bench Proが測るのは、既存リポジトリを読み、Issueの意図を理解し、影響範囲を絞り、最小限のパッチを書く力だ。 コードベースの文脈理解が成否を分ける。

Terminal-Benchが測るのは、コマンドを打ち、出力を読み、仮説を直し、再実行する力だ。 長い試行錯誤を止めずに回す持久力が効く。 公開値からは、Fable 5が読解型の修正、Solが実行型の自律作業で強いという仮説を置ける。 ただし、この2行だけでモデル固有の能力差と断定することはできない。

もう一つ重要なのは、Coding Agent Indexが純粋なモデル単体比較ではないことだ。 Artificial Analysis自身も、SolをOpenAIのCodex harness上で評価していると説明している2。 つまり実務で見えている差には、モデルだけでなく、CodexとClaude Codeのツール設計差も混ざる。

ナレッジワーク――中身のFable、見栄えのSol

資料作成では、Fable 5で分析し、Solで仕上げる分業が見える。 AA-Briefcaseでは、総合首位はFable 5だった。 ただしSolはPresentation Eloで首位に立ち、PowerPointやExcelなどの成果物の視覚的完成度で強いと評価された2。

内訳はかなり対照的だ。

  • Rubric ScoreはFable 5が56%、Solが42%
  • Analytical Quality EloはFable 5が1764、Solが1592
  • Presentation EloはSolが首位

設計レビュー、調査報告、根本原因分析のように、論理と網羅性が価値の中心ならFable 5が向く。 一方、スライドや表計算として納品する成果物では、Solの整形力が効く。 内容をFable 5で固め、最終整形をSolに任せる運用は十分に現実的だ。

ここで一度、数値の読み方を止めて確認したい。 ベンチマーク表は便利だが、そのままモデル名だけで読むと危ない。

数値を読む前に見るべき注意点

Fable 5の公開評価には、Opus 4.8へのフォールバックが含まれる場合がある。 Anthropicは、サイバーセキュリティ、バイオ・化学、蒸留関連の要求を分類器が検知した場合、Claude Opus 4.8へ自動的に回すと説明している6。 Artificial Analysisの表記が「Claude Fable 5（Opus 4.8 Fallback）」になっているのはこのためだ4。

Anthropicは、初期データではFableセッションの95%以上でフォールバックが発生していないと説明している6。 ただし、安全分類器が関わるタスクでは、スコアがFable 5単体の値とは限らない。 特にサイバー、バイオ、化学、モデル蒸留に近い業務では、性能表ではなく実際のルーティング挙動を確認する必要がある。

OpenAI側の表も同じように注意が必要だ。 Terminal-BenchやSWE-Benchの比較表は有用だが、OpenAIの当事者発表である。 さらにAgents' Last Examは、同じページ内で本文53.6、表52.7と表記が分かれている1。 本記事では、このような揺れがある値を中心論拠にしない。

実務での使い分け

最初から単一モデルに寄せず、失敗したときの戻し先まで含めて設計する。 クラウド・インフラ領域なら、初期ルーティングは次のように切るのが現実的だ。

  • GPT-5.6 Solが向くケース

    • Codexによる複数ファイルの実装
    • シェル、Git、テストを反復する検証作業
    • インフラ構築や障害再現の自動操作
    • 大量実行でAPI費用を抑えたい処理
    • スライドや表計算の見栄え重視の納品物

  • Claude Fable 5が向くケース

    • 大規模コードベースのIssue修正
    • 設計書や仕様書を読み込んだ実装
    • アーキテクチャレビューや根本原因分析
    • 長文の調査、分析、論点整理
    • 曖昧な依頼から意図を補完する作業

既存リポジトリへの修正は、公開値だけならFable 5が強い。 ただし、テスト実行、ログ確認、環境再現を何度も回す作業ではSolが勝ちやすい。 重要な成果物では、Fable 5で内容を作り、Solで検証と整形をする二段構えが安全だ。

最後に、モデル差より大きな要因がある。 プロンプト、ツール権限、テスト環境、リトライ方針、コンテキスト圧縮の設計は、数ポイントのベンチマーク差を簡単に覆す。 自社タスク20〜50件で、成功率、修正回数、所要時間、費用を測るほうが、公開ランキングより強い判断材料になる。

まとめ

GPT-5.6 SolとClaude Fable 5は、片方へ統一すればよい関係ではない。 Fable 5は読む、考える、分析する仕事に強い。Solは動かす、試す、仕上げる仕事に強い。

この分岐は、これからのモデル選定の前提になる。 モデルを選ぶのではなく、タスクを分解し、どの段階をどのモデルとハーネスに渡すかを設計する。 ベンチマークは出発点であり、終着点ではない。

Xでポスト リンクをコピー

関連記事

  1. OpenAI: GPT-5.6: Frontier intelligence that scales with your ambition ↩↩↩

  2. Artificial Analysis: GPT-5.6 benchmarks across Intelligence, Speed and Cost ↩↩↩↩

  3. Artificial Analysis: GPT-5.6 Sol model analysis ↩

  4. Artificial Analysis: Claude Fable 5 model analysis ↩↩

  5. Arena Text Leaderboard ↩

  6. Anthropic: Claude Fable 5 and Claude Mythos 5 ↩↩