Opus 4.7は、自律型コーディングと高解像度ビジョンタスクを再定義します。実世界のベンチマークでGPT-5.4を上回る理由をご覧ください。GPTProtoで新モデルを今すぐお試しください！
概要
Anthropicのopus 4.7は、受動的な支援から真の自律性への大きな転換を示すモデルです。特に、最も困難なソフトウェアエンジニアリングチケットや、高密度な視覚データの抽出に対応できるよう設計されています。
多くの人が小規模な改良を予想していましたが、今回のリリースでは、実運用向けタスクでGPT-5.4を上回る最先端の性能が実現されています。拡張された視覚解像度と、より信頼性の高い推論によって、チャットボットというよりシニアアーキテクトのように振る舞います。
ついにプレースホルダーを提示するだけでなく、実装を完了させるモデルが登場したと言えるでしょう。新しい努力レベルのパラメータと洗練された安全ガードレールにより、無視できないプロフェッショナル向けの基準を打ち立てています。
Anthropicがopus 4.7をリリースしました。単なる漸進的なアップデートではありません。複雑なプルリクエストの途中で要点を見失うAIモデルに苦労しているなら、これは重要なニュースです。前世代の4.6から直接アップグレードされたもので、特に最も難しいソフトウェアエンジニアリングタスクを対象としています。
ここで重要なのは、絶えず付き添って世話をする必要のないモデルを私たちは待ち望んでいたということです。4.6も優れたモデルでしたが、opus 4.7は長期的なタスクへの取り組み方を変えるほどの自律性を備えています。コードを提案するだけでなく、アーキテクチャを本当に理解しているシニアエンジニアのように動き始めます。
GitHubやCursorなどの企業から寄せられた初期フィードバックでは、信頼性が大幅に向上したことが示されています。実際、多くのユーザーが、標準のopus 4.7モデルによって、前世代で最も高性能だったモデルでも対応できなかったタスクを解決できたと報告しています。何時間も諦めずに問題に取り組み続けられることが重要なのです。
数字についても見てみましょう。ここで見られるのは2%や3%の向上ではありません。実際の本番環境全体で、二桁台の改善が確認されています。合成ベンチマークに合格するだけでなく、実際のリポジトリで実際のチケットを解決することが重要なのです。
AIコーディングにおける最大の悩みの一つが、「怠惰なモデル」症候群です。お決まりの流れはご存じでしょう。モデルが定型的なラッパーを提示し、「残りを埋めてください」と言うのです。opus 4.7では、この動作が大幅に減少しています。足場だけでなく、実際の実装を書きます。
Rakutenの社内テストでは、opus 4.7は前バージョンの3倍もの本番タスクを解決しました。実用性が300%向上したことになります。これは、低努力と高努力のシナリオで特に顕著です。低努力で実行したopus 4.7が、以前のモデルで中努力を必要としていた性能に匹敵するようになりました。
「Opus 4.7はコードを書くだけではありません。変化し続ける大規模なシステムの中で、そのコードがもたらす影響を推論します。」
Devinを開発したCognitionでさえ、opus 4.7は難しい問題で行き詰まって諦めることがないと評価しています。反復して取り組むのです。ファイルシステムを参照し、ターミナルコマンドを実行する必要があるエージェント型ワークフローを構築しているなら、opus 4.7が新たな基準となるでしょう。
コーディング性能の向上が大きく注目されていますが、opus 4.7のビジョン機能のアップグレードは、日常業務においてさらに印象的と言えるでしょう。モデルは現在、長辺が最大2,576ピクセルの画像を処理できます。これは、従来のClaudeモデルの3倍を超える解像度です。
これは単に「よりよく見る」ことではなく、高密度なデータを抽出できるということです。高密度な財務チャートや複雑な建築設計図をAIに入力した経験があれば、細部を幻覚しがちなことをご存じでしょう。opus 4.7では、ピクセルが低解像度化されてぼやけるのではなく、実際に処理されます。
ビジョン機能に加えて、セキュリティにも目を向ける必要があります。Anthropicはopus 4.7を、新しいサイバーセキュリティ用ガードレールの初の公開テストベッドとして使用しています。これは、AIが自動ハッキングの手段になることを防ぐための、AWS、Apple、Googleを含む大規模な共同プロジェクトであるProject Glasswingの一環です。
そこには奇妙な緊張関係があります。社内向けのMythos Previewモデルは0-day脆弱性の発見能力が非常に高いため、Anthropicはopus 4.7の一部の能力を意図的に制限する必要がありました。研究者を支援しながらも、スクリプトキディが電力網を停止させることはできない「安全な」モデルを構築しようとしているのです。
opus 4.7のファイル分析機能を最大限に活用するには、高解像度アップロードの処理方法を理解する必要があります。これを有効にするAPIスイッチはありません。モデルのレイヤー自体が、より大きな画像サイズを受け入れられるよう再トレーニングされています。生の画像を送信するだけで利用できます。
ただし、トークンには注意してください。計算式はおおよそ（幅×高さ）/750です。1メガピクセルの画像では、約1,334トークンが必要になります。Web UIで20枚、API経由で600枚の画像をアップロードすると、opus 4.7ではコストがすぐに積み上がります。
| 機能 | 旧Claude（4.6） | 新Opus 4.7 |
|---|---|---|
| 最大解像度 | 約1.1 MP | 約3.75 MP |
| 長辺 | 約1,568 px | 2,576 px |
| ビジョンベンチマーク | 54.5%（XBOW） | 98.5%（XBOW） |
| トークンコスト | トークンあたり同額 | トークンあたり同額 |
この解像度向上は、コンピューター操作エージェントにとって大きな変革です。opus 4.7に4Kモニターのスクリーンショットを見せて、16×16ピクセルの特定のアイコンをクリックさせたい場合、今ではそのアイコンを実際に「見る」ことができます。従来のモデルは、ぼやけたJPEGを細めて見ているようなものでした。
スタックを移行する準備はできましたか？朗報です。opus 4.7はそのまま置き換えられます。モデルIDはclaude-opus-4-7です。すでにAmazon Bedrock、Google Vertex AI、Microsoft Foundryで利用できます。ただし、スイッチを切り替えて放置するだけではいけません。いくつかの技術的な課題を解決する必要があります。
まず、プロンプトを確認しましょう。opus 4.7で最も驚くべき点の一つは、指示に従う能力です。現在は、より文字どおりに解釈します。旧モデルに創造的な余地を与えるため「緩い」プロンプトを書いていた場合、opus 4.7はそれを厳密に解釈しすぎて、硬直した出力になる可能性があります。
次に、APIについてです。拡張思考やツールストリーミングなどで古いベータヘッダーをまだ使用しているなら、整理する時期です。これらの機能のほとんどは、opus 4.7でネイティブに利用できます。また、ハードコードされた予算トークンではなく、適応型思考モードへ移行することをおすすめします。
ヘビーユーザー向けのヒントです。GPT Protoは、OpenAIやGoogleのモデルと並んでopus 4.7にもアクセスできる統合APIを提供しています。コードを簡素化できるだけでなく、主要なAI APIのコストを最大70%削減できる場合もあります。マルチモデルアーキテクチャを管理する、よりスマートな方法です。
アプリケーションが深い推論に依存している場合は、opus 4.7思考モデルの統合を具体的に検討するとよいでしょう。これは単にテキストを生成することではなく、出力前に行われる「思考の連鎖」に関するものです。opus 4.7では、このプロセスがより洗練され、ループに陥りにくくなっています。
効果的に使用するには、非推奨となったthinking: {type: "enabled"}構文から移行してください。代わりに、thinking: {type: "adaptive"}を新しい努力レベルのパラメータと組み合わせて使用します。これにより、モデルはリクエストの難易度に応じて、どれだけの「思考力」を使うかを判断できます。
claude-opus-4-7に更新します。effort-2025-11-24。highから始めます）。Claude Codeを使用している場合は、新しい/ultrareviewコマンドも忘れないでください。これは、標準のopus 4.7でも初回の確認では見逃す可能性があるバグを発見するための、専用セッションです。ProまたはMaxのクレジットを有効活用する優れた方法です。
opus 4.7で最も大きな落とし穴は、トークナイザーの変更を無視することです。Anthropicは論理処理の効率を高めるためにトークナイザーを更新しましたが、その副作用として、同じテキストブロックでもより多くのトークンが生成されるようになりました。同じ入力で、トークン数が1.0倍から1.35倍に増加すると考えてください。
もう一つの間違いは、「より良い」とは常に「より簡単」という意味だと思い込むことです。opus 4.7は、特にエージェント型ワークフローで、より深く思考するため、より多くの出力トークンを生成します。上限を慎重に設定しないと、100万トークンあたりの価格が$5/$25で変わらなくても、API料金が増えていく可能性があります。
また、開発者が新しい解像度を考慮せずにopus 4.7のファイル分析を使用している例も見てきました。モデルが3倍もの詳細を「見ている」ことに気づかず、大きなファイルを送信して高額なトークン料金を請求されるのです。詳細が不要なら、画像を手動で縮小したほうがよい場合もあります。
最後に、安全ガードレールの問題があります。opus 4.7はサイバーセキュリティに対してより慎重になるよう訓練されているため、正当なリクエストでも「ハッキング」の試みに見えると、時折拒否することがあります。ホワイトハットの研究者であれば、制限を解除するためにCyber Verification Programへ申請する必要があります。
具体的な落とし穴の一つが「指示の増殖」です。opus 4.7は指示に非常に厳密に従うため、矛盾する目的を含む長くまとまりのないプロンプトでは、モデルが誤った部分を優先する可能性があります。旧モデルでは通常「雰囲気」が勝っていましたが、opus 4.7では文字どおりのテキストが優先されます。
ただし、これは裏を返せば利点でもあります。モデルが混乱することなく、プロンプトにより複雑なロジックを組み込めるようになりました。重要なのは、明確に記述することです。特定の形式が必要なら、正確に定義してください。例からモデルが要求の「趣旨を理解する」ことに頼ってはいけません。
max努力レベルを使わないでください。トークンの無駄です。では、あの奇妙な拒否についてはどうでしょうか。レガシーなC++コードを解析してバッファオーバーフローを探すよう依頼した際、opus 4.7がリクエストを「有害」と判断しても、苛立たないでください。新しい安全レイヤーが機能しているのです。防御や教育を目的とした分析であることを強調するようプロンプトを言い換えると、うまくいくことがよくあります。
パワーユーザーを目指すなら、新しい努力レベルを使いこなす必要があります。Anthropicは、xhighという新しいレベルを、highとmaxの間に追加しました。コーディングでは、highまたはxhighをデフォルトの開始点にするとよいでしょう。maxは、「なぜ動かないのか全く分からない」という場面のために取っておきます。
もう一つの高度な機能がTask Budgetsです。これは、長時間実行される単一タスクにトークン上限を設定できる公開ベータAPI機能です。opus 4.7が自ら優先順位を管理できるようになります。予算内に収めるため、難しいロジックにはより多くのトークンを使い、単純な部分はより簡潔に処理します。
大規模運用を管理する場合は、GPT Protoのスマートスケジューリングを通じてopus 4.7のウェブ検索ツールを利用することを検討してください。プラットフォームは、「パフォーマンス優先」（すべてにopus 4.7を使用）と「コスト優先」（単純なクエリをより安価なモデルに振り分ける）を自動的に切り替えられるため、ロジックを書き換える必要がありません。
メモリ機能にも注目してください。Anthropicの社内テストでは、opus 4.7がファイルシステムベースのメモリをより効果的に活用できることが示されています。異なるセッションやタスクのラウンドをまたいでメモを記憶します。これにより、後続のプロンプトで提供するコンテキストを減らし、時間の経過とともに入力トークンを節約できます。
ほとんどの複雑なエンジニアリングでは、xhigh努力レベルが最適なバランスです。highよりも推論の深さが大幅に向上し、maxほどトークンを極端に消費しません。実際、開発者にとって最適なバランスを実現するため、Claude Codeのデフォルト努力レベルは現在xhighに設定されています。
xhighとウェブ検索機能付きopus 4.7思考モデルを組み合わせると、ライブラリを調査し、実装を検討し、コードを書くことを、厳格な予算内で実行できるモデルが得られます。現在、エージェント型ツールを構築する最も効率的な方法です。
「タスク予算の設定は、単にコストを節約するためだけではありません。推論サイクルをより戦略的に使うようモデルに促すためのものです。」
数字も見てみましょう。Rakuten-SWE-Benchでは、「低努力」のopus 4.7が、4.6の「中努力」と同等の性能を発揮しました。つまり、多くのタスクで努力レベルを実際に下げても、先月より良い結果を得られるということです。これがROIを最適化する方法です。
そこで私からの提案です。現在のワークロードを監査してください。4.6でぎりぎりだったものは、まずmedium努力レベルのopus 4.7に移行しましょう。最高レベルの設定を使わなくても、大幅な性能向上を得られることに気づくかもしれません。
opus 4.7は競合する最先端モデルと比べてどうでしょうか。スプレッドシートやスライド資料の作成など、実世界の経済的価値をテストする最新のGDPval-AAベンチマークで、opus 4.7は現在最先端です。GPT-5.4 xhighとGemini 3.1 Proを抑え、首位を獲得しました。
opus 4.7が非常に優れたモデルである一方、Anthropic社内のMythos Previewほど強力ではないことには注意が必要です。ただし、Mythosは5倍のコストがかかります。入力100万トークンあたり5ドルのopus 4.7は、高度な推論において市場最高の価格性能比を持つモデルと言えるでしょう。
財務分析タスクでは、opus 4.7はタスク間の一貫性が大幅に向上しています。スプレッドシートで置いた前提を、要約レポートの作成に移った際にも忘れません。この一貫性こそが、おもちゃとプロフェッショナルなツールを分けるものです。多くのエンタープライズ企業が本番パイプラインをこのモデルへ移行している理由でもあります。
利用可能なAIモデルをすべて試したいなら、opus 4.7はリストの最上位に置くべきです。GPT Protoのダッシュボードでは、すべてのClaudeモデルやその他の主要AIモデルを閲覧し、レイテンシーとスループットをリアルタイムで比較できます。理論上のベンチマークが実際のリージョンでどのように反映されるかを確認する最良の方法です。
最も印象的な成果の一つは、opus 4.7が「長期的な一貫性」をどのように処理するかです。Imbueのベンチマークでは、モデルがRust製の完全なTTSエンジンをゼロから構築しました。ニューラルモデル、SIMDカーネル、ブラウザデモまで含まれています。その後、音声認識器を使って自らの成果を検証しました。これは、GPT-5.4が人間の介入なしには完了するのに苦労したレベルのマルチステップ推論です。
経済的な現実も見てみましょう。エンジニアのコストが1時間150ドルで、opus 4.7が従来3時間かかっていたタスクを自動化できるなら、トークンコストを考慮してもROIは非常に大きくなります。opus 4.7はツール呼び出しエラーが少ないため、エージェントのデバッグに費やす時間を減らし、機能のリリースにより多くの時間を使えます。
| 指標 | GPT-5.4 xhigh | Opus 4.7 Max | Gemini 3.1 Pro |
|---|---|---|---|
| GDPval ELOスコア | 1677 | 1698 | 1642 |
| コーディング（SWE-bench） | 非常に高い | 最先端 | 高い |
| APIコスト（入力/出力） | $15/$75 | $5/$25 | $1.25/$5 |
| ビジョンの明瞭さ | 非常に優秀 | 卓越 | 良好 |
従量課金による柔軟性も忘れないでください。API請求を管理し、開発が活発な時期には規模を拡大し、メンテナンス時には縮小できます。Mythosのようなモデルに対して3～5倍の価格優位性があるため、opus 4.7は拡大を目指すスタートアップにとって実用的な選択肢です。
仕事の未来は、単に「AIを使う」ことではありません。タスクに合ったAIを使うことです。現時点では、コード、ビジョン、複雑なドキュメントに関わるあらゆる用途で、opus 4.7が明らかな勝者です。単なるアップデートではなく、実務で使えるプロフェッショナル向けモデルの新たなゴールドスタンダードです。
執筆者：GPT Proto
「GPT Protoの統合APIプラットフォームで、世界をリードするAIモデルを解放しましょう。」
