2026年7月24日にリリースされたClaude Opus 5が、Artificial Analysis Intelligence Indexで総合1位に立った。ニュースの見出しはそこで止まる。だが同じOpus 5を、コーディング特化のSWE-bench Proというベンチマークで見ると、順位は3位に後退する。「首位」という一言だけで乗り換えを決める前に、その数字がどのベンチマークの、どの条件下での話なのかを確認する手順を書く。
一次ソースで裏取りしたOpus 5の実数値（総合指数・SWE-bench Pro・価格）、「総合1位」と「用途別の順位」が食い違う理由、そして乗り換え前に自分のハーネスで確かめる手順。
2026年7月24日リリースのClaude Opus 5は、複数のベンチマークとプロバイダー報告データを集約したArtificial Analysis Intelligence Indexで、167モデル中1位（60.7点）を取った。
2位のFable 5は59.9点（-0.8pt）、3位のGPT-5.6 Solは58.9点（-1.8pt）。前世代のOpus 4.8（55.7点）からは+5.0ptの伸びになる。上位モデル同士の差はごくわずかで、実質的には団子状態の中の1位だ。価格は入力100万トークンあたり$5。前世代Opus 4.8から値上げしていない水準とされ、「性能は上がったのに入力コストは据え置き」という組み合わせが話題になった。
「総合1位」の中身を、実際に使う用途に近いベンチマークで見直す。
コーディングタスクの難度が高い変種であるSWE-bench Proで、Opus 5のスコアは79.2%。前世代Opus 4.8（69.2%）からは10ポイント上がっているが、Mythos 5（80.3%）・Fable 5（80.0%）にわずかに及ばず3位にとどまる。総合指数の1位と、コーディング特化ベンチの順位は一致しない。
従来からの標準ベンチマークSWE-bench Verifiedでは96.0%に達しており、上位モデル同士の差がほとんど出ない「飽和状態」に近い。ここでの僅差を根拠に優劣を語るのは、そもそも解像度が足りない比較になりやすい。
ここが核心。「Intelligence Index総合1位」という見出しは、複数のベンチマークを加重平均した複合スコアでの1位であって、コーディングという単一用途での1位を意味しない。自分が使いたい用途名のベンチマークで、もう一段掘って確認する癖をつけないと、見出しだけで判断を誤る。
以前「同じモデルでもハーネス次第でスコアが22ポイント動く」という実証データを紹介した。今回の話は、その隣にある別の落とし穴だ。ベンチマークスコアはベンダーが用意した標準的なハーネス（実行環境）の下で測られている。自分のCLAUDE.md・ツール構成・権限設定が違えば、公開スコアがそのまま再現される保証はない。
加えて今回は、総合指数と特化ベンチのランキングがそもそも食い違うという、もう一枚別の層が重なっている。「モデルを替えれば良くなるはず」の前提が、実は2重にあやしい——ハーネスが違う可能性と、見ているベンチマークが用途とズレている可能性の両方だ。価格が据え置きだったことは「とりあえず試す」心理的ハードルを下げるが、それは試すコストが下がっただけで、効果を保証するものではない。
新モデルのリリースに毎回大規模な検証を組む余裕はない。だが最小限、次の3つは見出しを読んだ直後にできる。
ベンチマークの見出しを、明日から使える判断に変換する。
西見公宏・吉田真吾・大嶋勇樹。現場で活用するためのAIコーディングの思考法——見出しの数字より自分の環境で確かめる姿勢と直結
Amazonのアソシエイトとして、meclGGは適格販売により収入を得ています。