Opus 5.5のエフォートレベルが真の価格を決める
Updated September 22, 2026 · first published September 22, 2026
Claude Opus 5.5は入力トークン100万あたり$4、出力トークン100万あたり$20です。これはOpus 5より20%安い。料金表はコストストーリーの小さい方の半分だ。大きい方の半分はeffort設定で、モデルが回答する前に考えるのに費やすトークン数を決定する。
1つのモデル、5つの価格
Opus 5.5はlowからmedium、high、xhigh、maxまでのエフォートを提供する。各レベルは同じモデルで同じトークン単価だが、生成されるトークン数は大きく異なる。The Decoderが報告した独立した分析では、5つのレベルのうち4つがコスト・パフォーマンスのパレート効率線上にあることが判明した。また、最大エフォートではOpus 5.5がタスクあたり約119,000の出力トークンを使用し、競合モデルの最高設定よりもはるかに多いことが判明した。
100万トークンあたり20ドルなら、出力119,200トークンは入力を除いてもタスクあたり2.38ドルです。medium では Artificial Analysis の実測で出力25,700トークン、0.51ドルでした。入力込みでは max がタスクあたり5.98ドル、medium が1.34ドルで、リクエストパラメータ1つで同じモデルのタスク単価が約4.5倍変わります。
Artificial Analysis Intelligence Index v4.3.2(10種の評価)での実測値、2026年9月22日時点。全行が同じベンチマーク群なので、そのまま比較できます。
| モデルとエフォート | Intelligence Index | タスクあたりコスト | タスクあたり出力トークン | コスト性能フロンティア上か |
|---|---|---|---|---|
| Opus 5.5 · low | 42.3 | $0.55 | 10,200 | いいえ |
| Opus 5.5 · medium | 51.2 | $1.34 | 25,700 | はい |
| Opus 5.5 · high | 53.6 | $1.82 | 35,600 | はい |
| Opus 5.5 · xhigh | 56.0 | $3.46 | 65,700 | はい |
| Opus 5.5 · max | 57.6 | $5.98 | 119,200 | はい |
| Opus 5 · high (参考) | 48.1 | $3.61 | 46,200 | いいえ |
出典:Artificial Analysis。フロンティア上とは、GPT-6 Sol、GPT-6 Astra、Opus 5、Opus 5.5、Fable 5.1 のどの設定も、より安く、より高いスコアを出せないという意味です。Opus 5.5 low は、GPT-6 Sol の xhigh が 0.53ドルで 44.1 を出すため外れます。xhigh から max へ上げると、コスト73%増で1.6ポイント増です。
中程度はAnthropicがベンチマークするための設定
Anthropicの主要な比較はデフォルトエフォート(中程度)で行われる。Opus 5.5を中程度で実行するとGPT-6 Astraを最大エフォートで実行するよりもナレッジワークタスクあたり約5分の1のコストで上回ると言っている。したがって、Anthropic自身のモデル事例は中程度に基づいており、最大は例外だ。「安全のため」すべての場所で最大に設定するチームは、ローンチベンチマークが必要としなかったトークンに対して支払う。
推測なしでエフォートを設定する方法
- デフォルトは中程度に。SDKデフォルトが自分の下で変わる可能性がないコード内の明示的な値にする。
- グローバルにではなく、ルートごとにエフォートを上げる。難しいデバッグ、長期的な計画、最終レビューステップは高または最大を正当化することができる。分類、抽出、ルーチン編集はほぼ決してない。
- 各リクエストでエフォートをログ記録する。リクエストあたりのコストはそれなしに解釈不可能だ。フラットなリクエスト数でのコス支出スパイクは通常、エフォート変更だ。
- 同じ再生されたタスクのエフォートレベルを比較する。各レベルでの完了したタスクあたりの成功率と出力トークンを記録し、成功の改善が停止したらエフォートの引き上げを停止する。
- 製品が許可する場合は出力を制限する。最大トークン制限は最悪の場合を制限する。最大エフォートでは、その制限は、暴走タスクと数ドルのリクエストの間の唯一のものだ。
$25から$20(トークン100万あたり出力)への削減は20%節約できる。ワークロードを最大から中程度エフォートに移すと、それより大幅に節約できる。エフォートを他のものと同じように所有・レビューされるベンチャーラインとして扱う。
Related
Want this applied to your own LLM spend? FinOps LLM runs a free audit of your AI costs and shows where the savings are. Book free audit →