Claude Fable 5.2──性能向上と検証が並走する今週のLLM動向

Anthropicが2026年11月9日にClaude Fable 5.2とMythos 5.2を発…

2026年11月9日、Anthropicは高難度の技術課題に向けたClaude Fable 5.2とClaude Mythos 5.2を発表した。同じ週、LLM自身に機械学習の設計を探索させる研究、エージェント集団の誤作動を検出する手法、専門課題でのLLMの信頼性を測るベンチマークが相次いで公開され、性能向上と検証という2つの流れが重なった。

Anthropicの新モデルは「日常用」と「最難関用」の使い分け

11月9日、AnthropicはClaude Fable 5.2とClaude Mythos 5.2を発表した。両者は同じ基盤モデルで、サイバーセキュリティと生物学分野への悪用を防ぐ安全措置を備えたFableを全ユーザーに、安全措置を外したMythosを審査を経た組織に提供する。出力は従来の5.1比で最大30%高速で、価格は入力100万トークンあたり8ドル、出力100万トークンあたり40ドル。生成を最大2.5倍高速化するfast modeもあり、こちらは16ドルと80ドルだ。

同社の発表によれば、リリース前テストでは困難なソフトウェア移行の完了、電子機器3点をゼロから設計し動作させたこと、ブラックホール物理の未解決問題2件の解決、フェルマーの最終定理の証明を30時間で形式化したことなどが報告されたという。いずれもAnthropic自身の主張であり、測定の詳細は同社がSystem Cardとして公開している。

ベンチマーク数字が示すモデル階層と効率の考え方

Anthropicの報告では、エージェント型コーディング評価のFrontierCode 2.0でFable 5.2が49.1%(最高努力設定)を記録し、Opus 5.5の45.5%、GPT-6 Astraの42.8%、Gemini 4 Carbonの41.1%を上回った。High effortではOpus 5.5の最高設定とほぼ同等の成績をタスクあたり約半分のコストで出し、Xhigh effortではテスト済みの公開モデルで最高だったという。SWE v2でも69.9%と、Opus 5.5の62.3%を上回る。これらはAnthropic自身の測定値で、安全措置を有効にした条件での数字だ。

一方で同社は多くのコーディングや知識作業には日常用のOpus 5.5を推奨している。Fableは「より難しい問題について他のモデルが相談する役(Advisor)」や「単純な作業を小さなモデルに委任する指揮役(Orchestrator)」として位置づけられる。性能の最上位と日常運用の効率を、モデルの階層で使い分ける設計思想だ。

LLM自身が機械学習の設計を探索する

同じ11月9日、機械学習の設計そのものをLLMに探索させる研究が、査読前の論文として公開された。arXiv:2611.12791の研究チームは、モデル構造、学習のハイパーパラメータ、データ比率を統合的に最適化するLLMベースのAutoMLフレームワークを提案している。従来のAutoMLはそれぞれの最適化を別々に扱い、ドメインも限定されがちだった。この研究では多様な設計上の選択を共通の離散系列に変換するNCodeという数値符号化を導入し、最適化の過程を統一的なランキング課題として扱う。

学習に使ったのは単一ドメインの画像タスクから得た最適化の軌跡だけだが、画像分類、画像セグメンテーション、話者認証、テキストから画像への生成の各ベンチマークで最先端の性能を達成したと報告されている。10億パラメータ級のDiffusion Transformerの学習設計では896 GPU日を投じて共同最適化を行い、GenEvalスコア0.91に達したという。強化学習でChain-of-Thought推論を身につけさせると、探索の初期は多様性の重視、後期は有望な候補への集中へと戦略が移ることも観察されたという。これらは著者らの報告値であり、査読はまだ完了していない。

エージェント集団の誤作動を検出し、限界を数える

性能が上がる一方で、検証の研究も同じ週に進んだ。11月9日付の査読前論文arXiv:2611.11724は、複数のLLMエージェントが個々には無害なメッセージを交換し、合わせて方針違反を支えてしまう「集団的ミスアライメント」を扱う。著者はどのメッセージが違反に必要で、どれが十分だったかを形式化し、最少のメッセージ削除で違反への支持を断つCollective Dependence Analysis(CDA)を提案した。管理された条件では、選択された削除によって違反率が93%から6%に下がったと報告されている。必要な評価回数はメッセージ数Nに対してO(N)で、フロンティアLLMに判定させた場合の半分の削除数で同程度の低減を達成したという。一方、馴染みのないタスクでは説明が難しく、削除が正しい判断まで壊すこともあると著者は限界を示す。

専門課題での信頼性を測る研究もある。11月10日付の査読前論文arXiv:2611.14184は、流行病学の常微分方程式モデルにおけるパラメータの識別可能性をLLMに分類させた。88シナリオ・696件の参照分類を使ったベンチマークで、完走した構成のうち正答率が最も高かったのはGPT-5.5 InstantとGPT-5.5 Thinking Mediumで、それぞれ88.71%と88.07%だった。一方で、局所的にしか識別可能でないパラメータの厳密な再現率は最高でも42.00%にとどまる。著者らは、LLMは予備的な仮説の生成や正式な検討対象の選別には使えても、モデル全体の識別可能性の証明には使うべきでない、と結論している。

性能の向上、LLMによる設計の自動化、そして誤作動の検出と限界の定量化。1つのリリースと3本の論文は、LLMへの信頼をどこまで広げ、どこで確かめ直すかという共通の問いにつながっている。

+

コメントを残す

メールアドレスが公開されることはありません。 ※ が付いている欄は必須項目です