【Claude Opus 5】Fable 5級の知性を半額で実現したモデルの性能・料金・使い方を徹底解説！
- Anthropicが公開したClaude Opus 5は、上位モデルFable 5に迫る知性を半額の価格で提供する新モデル
- コーディング評価Frontier-Bench v0.1でOpus 4.8の2倍以上のスコアを記録し、タスクあたりのコストはむしろ低下
- 1Mトークンのコンテキストウィンドウが標準かつ上限で、思考（Thinking）はデフォルトでオン
2026年7月25日、Anthropicが新しいAIモデル「Claude Opus 5」の提供を開始しました！
Claude Opus 5は、Anthropicの最上位モデルであるClaude Fable 5に迫る知性を、その半分の価格で使えるようにしたモデルです。公式発表によると、コーディング評価のFrontier-Bench v0.1では前世代のOpus 4.8の2倍以上のスコアを、タスクあたりのコストはむしろ下げながら記録したとのこと。
API料金はOpus 4.8から据え置きの入力5ドル・出力25ドル（100万トークンあたり）ですから、性能だけが跳ね上がった格好になります。
とはいえ、「Fable 5とはどう使い分ければいいの？」「Opus 4.8からそのまま移行して大丈夫？」と気になっている方も多いのではないでしょうか。実際、思考がデフォルトでオンになるなど、コードを書き換えないと動かなくなる仕様変更も含まれています。
この記事では、Claude Opus 5の概要や仕組み、ベンチマーク結果、料金体系、ライセンス、そしてClaude.ai・Claude Code・APIそれぞれでの具体的な使い方までを詳しく解説します。ぜひ最後までご覧ください！
＼生成AIを活用して業務プロセスを自動化／
Claude Opus 5とは？
Claude Opus 5は、Anthropicが2026年7月25日に公開したOpusシリーズのモデルです。上位のFable 5に迫る知性を半額で提供する位置づけで、前世代のOpus 4.8からは料金が据え置かれたまま、性能だけが引き上げられています。
Anthropicはこのモデルを「毎日使うためのモデル」と表現していて、Claude Maxプランでは新しいデフォルトモデルに、Claude Proプランでは選択できる中で最も強力なモデルとして提供されます。
スペック面では、コンテキストウィンドウが100万トークンに対応しています。特徴的なのは、この100万トークンがデフォルトかつ上限であり、それより小さいコンテキスト版が存在しない点です。最大出力トークン数は128,000トークンで、Message Batches APIではoutput-300k-2026-03-24ベータヘッダーを使うことで300,000トークンまで拡張できます。
Claude Fable 5について、詳しく知りたい方は以下の記事も参考にしてみてください。
Claude Opus 5の仕組み
AnthropicはClaude Opus 5のパラメータ数や内部アーキテクチャを公開していませんが、開発者向けドキュメントでは動作の仕組みがかなり具体的に説明されています。
Claude Opus 5の動作を理解するうえで軸になるのが、「思考（Thinking）」「エフォート（effort）」「ツール・コンテキスト管理」の3層構造です。
思考（Thinking）
Opus 4.8ではthinking: {"type": "adaptive"}を明示的に指定しないと思考なしで動作していましたが、Opus 5では思考がデフォルトでオンになりました。
ターンごとに「いつ、どれくらい深く考えるか」をモデル自身が判断する仕組みで、thinking: {"type": "adaptive"}という指定は引き続き有効ですが、書かなくても同じ挙動になります。
エフォート（effort）
次にエフォート層です。思考の深さを制御するのがeffortパラメータで、Opus 5ではlow・medium・high・xhigh・maxという5段階すべてを、ベータヘッダーなしで利用できます。
maxは最も深い推論を行う最上位ティアで、Claude APIとClaude Codeでのデフォルトはhighです。エフォートはテキスト・ツール呼び出し・思考のすべてのトークンに影響するため、同じモデルでも設定次第でコストと精度が大きく変わります。
ツール・コンテキスト管理
3層目がツールとコンテキストの管理です。Opus 5では会話の途中でツールを追加・削除してもプロンプトキャッシュが無効化されない「Mid-conversation tool changes」がベータ提供され、キャッシュ可能な最小プロンプト長も1,024トークンから512トークンへ引き下げられました。
100万トークンの文脈全体にわたって指示追従・ツール呼び出し・推論の品質を保つ設計になっている点も、エージェント用途では効いてくるでしょう。
Claude Opus 5の特徴
Claude Opus 5の最大の特徴は、エフォート設定を上げるほど素直に性能が伸びる「テストタイム計算スケーリング」にあります。Anthropicはベンチマーク結果をスコアではなくエフォート別のカーブで公開していて、コストをかけた分だけ結果が返ってくる設計であることを示しています。
ソフトウェアエンジニアリング分野では、Frontier-Bench v0.1でOpus 5が全モデル中トップとなり、Opus 4.8の2倍以上のスコアをタスクあたり低いコストで達成しました。
CursorBench 3.2では、maxエフォート時にFable 5のピークスコアとの差が0.5%以内に収まりながら、タスクあたりのコストは半分で済んだとのことです。
知識労働や問題解決の領域でも成果が出ています。新規の問題を解く力を測るARC-AGI 3では次点モデルの3倍のスコアを記録し、ビジネスタスクを最後までやり切れるかを測るZapier AutomationBenchでは同一コストで次点の約1.5倍の合格率を達成しました。
Claude Opus 5の安全性・制約
Anthropicの自動行動監査によると、Claude Opus 5は同社がこれまでに公開した中で最もアライメントされたモデルと評価されました。
全体的なミスアライメント行動のスコアは2.3で、Opus 4.8・Sonnet 5・Fable 5のいずれよりもClaudeの憲法（Constitution）への準拠度が高く、欺瞞的な振る舞いの発生率も最も低かったとされています。
Claude Opus 5の料金
Claude Opus 5のAPI料金は、入力100万トークンあたり5ドル、出力100万トークンあたり25ドルです。上位のFable 5が入力10ドル・出力50ドルですから、ちょうど半額という位置づけになります。
| 項目 | 料金（100万トークンあたり） |
|---|---|
| 入力トークン | 5ドル |
| 出力トークン | 25ドル |
| プロンプトキャッシュ書き込み（5分） | 6.25ドル |
| プロンプトキャッシュ書き込み（1時間） | 10ドル |
| キャッシュヒット・リフレッシュ | 0.50ドル |
| Batch API（入力／出力） | 2.50ドル／12.50ドル |
| Fastモード（入力／出力） | 10ドル／50ドル |
| （参考）Claude Fable 5 入力／出力 | 10ドル／50ドル |
| （参考）Claude Sonnet 5 入力／出力 | 2ドル／10ドル ※2026年8月31日までの導入価格 |
Claude Opus 5のライセンス
Claude Opus 5はApache 2.0やMITといったOSSライセンスではなく、Anthropicの利用規約（Commercial Terms / Consumer Terms）とUsage Policyに従って利用する商用サービスです。したがって、モデルの重みを入手して手元でファインチューニングしたり、モデルそのものを再配布したりすることはできません。
| 利用用途 | 可否 | 備考 |
|---|---|---|
| 商用利用 | ⭕️ | |
| 改変 | ❌ | モデル本体の改変・ファインチューニングは不可。生成された出力の編集は自由 |
| 再配布 | ❌ | モデルの再配布・リバースエンジニアリングは禁止。出力物の配布は可 |
| 特許利用 | – | |
| 私的利用 | ⭕️ |
Claude Opus 5の使い方
Claude Opus 5は、ブラウザ・ターミナル・API・クラウドプラットフォームと複数の経路から利用できます。今回は代表的な4つの方法を、それぞれ手順とコード付きで紹介していきます。
Claude.ai（Webブラウザ）もしくはClaude Desktopアプリで使う
もっとも手軽なのは、Claude.aiもしくはClaude Desktopアプリからアクセスする方法です。
モデル選択メニューから「Opus 5」を選びます。Maxプランではデフォルトで選択されているとのことですが、2026年7月25日時点で、筆者の環境ではFable 5がデフォルトになっていました。Proプランでは、選択できるモデルの中でOpus 5が最上位となります。
あとは通常どおりチャット欄にプロンプトを入力するだけです。有料プランであれば100万トークンのコンテキストウィンドウが利用できますので、長大な資料を丸ごと貼り付けての分析にも対応できます。
Claude Code（CLI）で使う
ターミナルからエージェントとして動かす場合は、Claude Codeを使います。
npm install -g @anthropic-ai/claude-codeclaude --model claude-opus-5すでに起動している場合は、チャット内で以下のコマンドを入力してOpus 5を選択します。
/model
Claude CodeではProプラン以上で100万トークンのコンテキストウィンドウを利用できますが、Proプランの場合はusage creditsを有効化する必要があります。
API（Python SDK）で使う
アプリケーションに組み込む場合は、公式のPython SDKを使うのが確実です。
pip install anthropicexport ANTHROPIC_API_KEY="your-api-key"Opus 5は思考がデフォルトでオンのため、thinkingフィールドを書く必要はありません。推論の深さはoutput_configのeffortで指定します。
import anthropic
client = anthropic.Anthropic()
with client.messages.stream(
model="claude-opus-5",
max_tokens=64000,
output_config={"effort": "max"},
messages=[
{
"role": "user",
"content": "偶数と偶数の和が必ず偶数になる理由を説明してください。",
}
],
) as stream:
response = stream.get_final_message()
print(response)既存コードを移行する場合は、モデルIDを差し替えたうえで挙動変更を確認します。
model = "claude-opus-4-8" # 変更前
model = "claude-opus-5" # 変更後ここで注意したいのが、effortがxhighまたはmaxのときにthinking: {"type": "disabled"}を指定すると400エラーが返る点です。これはOpus 4.8からの破壊的変更にあたります。思考を無効化したい場合はeffortをhigh以下に下げるか、逆にeffortを維持してthinkingフィールドを削除してください。また、max_tokensは思考と回答テキストの合計に対する上限ですので、Opus 4.8で思考なし運用をしていたワークロードでは値の見直しが必要です。
Amazon BedrockやGoogle Cloudで使う
エンタープライズ環境でクラウド経由で利用する場合は、それぞれのモデルIDを指定します。
| プラットフォーム | モデルID |
|---|---|
| Claude API | claude-opus-5 |
| Amazon Bedrock | anthropic.claude-opus-5 |
| Google Cloud | claude-opus-5 |
| Claude Platform on AWS | claude-opus-5 |
| Microsoft Foundry | 各プラットフォームのドキュメントを参照 |
既存のワークフローに組み込む場合は、モデルIDを差し替えるだけで移行できます。ただしFastモードはClaude API限定のため、クラウド経由では利用できない点に注意してください。
【業界別】Claude Opus 5の活用シーン
Claude Opus 5は汎用モデルですが、公開されたベンチマークや早期利用企業のコメントを見ると、得意分野がはっきり分かれています。ここからは業界別に、どういった使い方と相性がよいのかを整理してみました。
ソフトウェア開発・IT
Frontier-Bench v0.1で全モデル中トップとなり、Opus 4.8の2倍以上のスコアを記録していることから、大規模リファクタリングや複数ファイルにまたがる機能実装との相性は抜群でしょう。
1Mトークンのコンテキストウィンドウを活かせば、モノリポ全体を読み込ませたうえでの設計レビューも現実的になります。指示がなくても自分の作業を検証する挙動があるため、長時間の自律実行でも途中でスタブや仮実装を残しにくい点も実務では効いてきます。
生成AIを搭載したSaaSについて、詳しく知りたい方は以下の記事も参考にしてみてください。
金融・投資
Anthropicが公開した早期利用企業のコメントでは、金融リサーチのワークフローにおいて数値推論・表の処理・批判的思考の面で明確な改善が見られたと報告されています。
財務モデリングの難易度が高いタスクでは、エフォート水準を通じて平均9ポイント高い精度を、3分の1少ないターン数とツール呼び出しで、60%短い時間で達成したという報告もありました。決算資料の横断分析や比較可能会社分析といった、精度が最優先される業務に向いていると言えるでしょう。
金融業界における生成AI活用について、詳しく知りたい方は以下の記事も参考にしてみてください。
法務・コンプライアンス
法務系エージェントの評価では、コーポレートガバナンスや仲裁といった分野で特に伸びが大きかったとされています。加えて、推論レベルを下げても品質を維持できる点が評価されていて、Opus 4.8の最大推論設定と比較して平均26%少ないトークンで同等の性能を出せたとのことです。
NDAや契約書のレッドライン作成のように、大量処理とコスト管理を同時に求められる業務と好相性でしょう。
生成AIを活用した法務業務について、詳しく知りたい方は以下の記事も参考にしてみてください。
【課題別】Claude Opus 5が解決できること
続いて、Claude Opus 5がどのような課題の解消に向いているのかを、業務上の悩みごと単位で整理します。導入検討の際に、自社のボトルネックと照らし合わせてみてください。
AIエージェントのコストが読めない問題を解消できる
Opus 5のeffortパラメータは、lowからmaxまでの5段階で応答に使うトークン量そのものを制御します。
低エフォートでも十分な品質が出ることがAnthropicの評価で示されているため、まずlowやmediumで走らせてから必要なタスクだけxhigh以上に上げる、という運用が可能です。Batch APIの50%割引とプロンプトキャッシュを組み合わせれば、エージェント運用の請求額を予算内に収めやすくなります。
長時間タスクの途中放棄を減らせる
長期スパンのタスクで途中でスタブやプレースホルダーを残さずに完走できる点が、Opus 5の改善分野として明記されています。
加えて、指示されなくても自分の作業を検証する挙動が備わっているため、「動いたと報告されたのに動いていない」という手戻りが起きにくくなります。1Mトークンの文脈全体で指示追従と推論の品質が保たれる設計も、長時間実行では効いてくるでしょう。
大量ドキュメントの分割処理から解放される
100万トークンのコンテキストウィンドウが標準かつ上限で提供され、しかも追加料金なしの標準価格で使えます。
数百ページ規模の技術文書や契約書を分割せずに読み込ませられるため、チャンク分割と再結合の実装コストそのものが不要になるでしょう。キャッシュ可能な最小プロンプト長が512トークンに引き下げられたことで、短い共通プロンプトでもキャッシュが効くようになった点も見逃せません。
Claude Opus 5を使ってみた
ここからは実際にClaude Opus 5を動かして、公式が挙げている改善ポイントが本当に体感できるのかを検証していきます。今回は「エフォート設定による差」「自己検証の挙動」「ビジュアル生成」の3点に絞って試しました。
検証1：エフォート設定でどこまで変わるか
同じプロンプトをlowとmaxで実行し、出力品質とトークン消費量を比較します。
プロンプトはこちら
以下の仕様を満たすPythonモジュールを実装してください。
・CSVを読み込み、指定カラムの欠損値を「前後の値の線形補間」で埋める
・補間できない先頭・末尾の欠損は、最近傍の有効値で埋める
・カラムが数値型でない場合は例外を投げる
・処理結果と、補間した行のインデックス一覧を返す
実装後、エッジケース（全行欠損／欠損なし／1行のみ）を含むテストも書いてください。lowの出力結果（一部抜粋）はこちら
maxの出力結果はこちら
まず環境を確認します。
Ran 1 shell command
空ディレクトリ、Python 3.12 / pandas 3.0 / numpy 2.4 / pytest 9 が利用可能です。モジュールを実装します。
⏺ Write(csv_interpolate.py)
Wrote 181 lines to csv_interpolate.py
"""CSV の指定カラムの欠損値を線形補間で埋めるモジュール。
補間ルール:
- 内部の欠損は前後の有効値による線形補間で埋める。行の並び順を等間隔
（行位置ベース）とみなすため、DataFrame のインデックスの値そのものは
補間の重みに影響しない。
- 先頭・末尾の欠損は前後どちらかの有効値が存在せず補間できないため、
最近傍の有効値（＝最初／最後の有効値）で埋める。
- 指定カラムが数値型でない場合は ``NonNumericColumnError`` を送出する。
… +171 lines
⏺ Write(test_csv_interpolate.py)
Wrote 410 lines to test_csv_interpolate.py
"""csv_interpolate のテスト。"""
from __future__ import annotations
import numpy as np
import pandas as pd
import pytest
from pandas.testing import assert_frame_equal, assert_series_equal
from csv_interpolate import (
… +400 lines
Ran 2 shell commands
テストCSVの作り方の問題でした（pandasは空行をスキップするため0行になる）。実データが3行残るCSVに修正します。
⏺ Update(test_csv_interpolate.py)
Added 3 lines, removed 1 line
def test_CSV_の全行欠損ケース(tmp_path):
path = write_csv(tmp_path, "value\n\n\n\n")
# 空行は read_csv にスキップされるため、行自体は存在させたうえで
# value 列だけを空にする。
path = write_csv(tmp_path, "id,value\n1,\n2,\n3,\n")
with pytest.raises(AllValuesMissingError):
interpolate_csv(path, "value")
Searched for 1 pattern, ran 2 shell commands
実装完了、テスト38件すべてパスしています。
成果物
csv_interpolate.py — 公開API2つ
frame, indices = interpolate_csv("sensor.csv", "temperature") # csv_interpolate.py:98
frame, indices = interpolate_column(df, "temperature") # csv_interpolate.py:75
戻り値は InterpolationResult NamedTuple（.frame / .interpolated_indices、タプルアンパックも可）。
補間の中核は np.interp の性質をそのまま利用しています（csv_interpolate.py:150）。行位置をx軸にすると、内部は前後の有効値による線形補間、区間外（先頭・末尾）は端点の値＝最近傍の有効値でクリップされるため、仕様の2要件が1行で同時に満たせます。
例外は全て InterpolationError を基底に持ち、同時に標準例外も継承（LookupError / TypeError / ValueError）しています。
┌───────────────────────┬──────────────────────────────────────────────────────────────────────────┐
│ 例外 │ 条件 │
├───────────────────────┼──────────────────────────────────────────────────────────────────────────┤
│ ColumnNotFoundError │ カラムが存在しない │
├───────────────────────┼──────────────────────────────────────────────────────────────────────────┤
│ DuplicateColumnError │ 同名カラムが複数（CSVヘッダ重複対策） │
├───────────────────────┼──────────────────────────────────────────────────────────────────────────┤
│ NonNumericColumnError │ 数値型でない（bool・日時・文字列、数値に文字列が混入したobject列を含む） │
├───────────────────────┼──────────────────────────────────────────────────────────────────────────┤
│ AllValuesMissingError │ 全行欠損 │
└───────────────────────┴──────────────────────────────────────────────────────────────────────────┘
判断が要った点（仕様に明記が無かったので決めたもの）
- 全行欠損は例外にしました。補間の基準になる有効値が1つも無く、全NaNのまま静かに返すと欠損が残っていることに気づけないためです。ここは戻り値（無変更＋空リスト）に変えるのも容易です。
- bool型は数値扱いしない。pandasの is_numeric_dtype はboolをTrueと判定しますが、真偽値の線形補間は意味を成さないので明示的に弾いています。
- 0行（ヘッダのみ）は例外にせず何もしない。pandasは0行の列dtypeをobjectと推測するため、型チェックを先に通すとヘッダだけのCSVが「数値型でない」で落ちてしまいます。行数チェックを型チェックより前に置きました（csv_interpolate.py:133）。
- 補間は行位置ベース（インデックスの値は重みに使わない）。時刻インデックスによる重み付けが必要ならご指示ください。
- 実際に値を埋めた場合のみ列を書き戻すので、欠損が無ければ int64 等のdtypeが保たれます。埋めた場合は float64 になります。
- 返すインデックスは行番号ではなくインデックスラベル（index_col 指定時はそのキー）。
テスト
test_csv_interpolate.py（38件）。ご指定のエッジケース（全行欠損／欠損なし／1行のみ）に加えて、2行で片方欠損、有効値が1つだけ、0行、長い欠損区間（101行）、乱数500行での「補間後に欠損ゼロ・既存値は不変」の性質検査、型チェック各種、非破壊性、他カラム保持、read_csv 引数の透過（na_values="-"）まで含めています。
38 passed in 0.61s
なお1件だけ最初に落ちたのはモジュール側ではなくテストデータの不備で、"value\n\n\n\n" はpandasが空行をスキップして0行になるため、全行欠損を再現するには2列CSVにする必要がありました（修正済み）。検証2：指示なしで自己検証してくれるか
Anthropicのドキュメントには「指示がなくても自分の作業を検証する」と書かれています。そこで、あえて検証指示を一切与えずに、微妙なバグを含むコードの修正を依頼してみました。ここからのeffort設定はxhighで進めます。
プロンプトはこちら
以下の関数を修正してください。
def find_median(nums):
nums.sort()
n = len(nums)
return nums[n // 2]
呼び出し側では、元のリストの順序が保持されることを前提にしています。出力結果はこちら
検証3：フロントエンドとビジュアル生成
Anthropicは公式ブログで、風洞シミュレーションや細胞の対話型図解といったArtifactsのデモを公開しています。同等のビジュアル生成が手元でも再現できるか試しました。
プロンプトはこちら
単一のHTMLファイルで、二重振り子のシミュレーションを作ってください。
・Canvasで実装し、外部ライブラリは使わない
・初期角度、腕の長さ、質量をスライダーで調整できる
・軌跡を残像として描画し、残像の長さも調整できる
・スマートフォン幅でもUIが崩れないこと
・「リセット」と「一時停止」を用意する実装されたシミュレーションはこちら
X（旧Twitter）で話題になっているClaude Opus 5の評判
公開直後からX上ではOpus 5の話題が一気に広がっています。特に注目されているのが、既存のワークフローがそのままでは動かないという指摘で、これは公式ドキュメントの記述とも一致する内容です。
大きな反響を集めているのが、メディア企業Everyを率いるDan Shipper氏（@danshipper）の投稿です。同氏はリリース前の1週間をかけてコーディング・執筆・ナレッジワーク・自社エージェントでOpus 5を検証したうえで、「愛するのが難しいモデル（a hard model to love）」という率直な第一印象を投げかけました。
投稿によると、Opus 5は指示に対して議論を挟んだり、作業を終える前に停止したりして、Compound Engineeringのような既存のスキルやプラグインとうまく噛み合わなかったとのこと。ところが既存のスキルをすべて削除してゼロから組み直したところ、挙動が劇的に改善し、時折きらめくような結果を返すようになったと述べています。
同氏はmediumやlowのエフォートのほうが良い結果になったとも報告していて、後方互換性が壊れている点への注意喚起で締めくくっています。
よくある質問
最後に、Claude Opus 5に関して、多くの方が疑問に感じるポイントをQ&A形式でまとめました。
Claude Opus 5でフロンティア級の知性を日常の開発に取り入れよう！
Claude Opus 5は、Fable 5に迫る知性をその半額で提供し、しかもOpus 4.8から料金を据え置いたモデルです。Frontier-Bench v0.1でOpus 4.8の2倍以上のスコアを、より低いタスクコストで達成した点は、費用対効果を重視する現場にとって大きな意味を持ちます。
一方で、思考のデフォルトオンやエフォートに応じた破壊的変更など、移行時に手を入れるべき箇所も存在します。既存のプロンプトやスキルをそのまま持ち込むと本来の性能が出ないという指摘も出ていますので、まずは小さく試しつつ、エフォート設定を調整しながら自社ワークフローに馴染ませていくのが現実的でしょう。
自社の業務にどう組み込むべきか判断が難しい場合は、生成AIの導入設計から運用までを伴走できるパートナーに相談してみるのも一つの手です。まずは身近な業務でOpus 5を動かしてみて、その手応えから逆算して導入範囲を決めていきましょう。
最後に
いかがだったでしょうか？
弊社では、AI導入を検討中の企業向けに、業務効率化や新しい価値創出を支援する情報提供・導入支援を行っています。最新のAIを活用し、効率的な業務改善や高度な分析が可能です。
株式会社WEELは、自社・業務特化の効果が出るAIプロダクト開発が強みです！
開発実績として、
・新規事業室での「リサーチ」「分析」「事業計画検討」を70％自動化するAIエージェント
・社内お問い合わせの1次回答を自動化するRAG型のチャットボット
・過去事例や最新情報を加味して、10秒で記事のたたき台を作成できるAIプロダクト
・お客様からのメール対応の工数を80％削減したAIメール
・サーバーやAI PCを活用したオンプレでの生成AI活用
・生徒の感情や学習状況を踏まえ、勉強をアシストするAIアシスタント
などの開発実績がございます。
生成AIを活用したプロダクト開発の支援内容は、以下のページでも詳しくご覧いただけます。
➡︎株式会社WEELのサービスを詳しく見る。
まずは、「無料相談」にてご相談を承っておりますので、ご興味がある方はぜひご連絡ください。
➡︎生成AIを使った業務効率化、生成AIツールの開発について相談をしてみる。
「生成AIを社内で活用したい」「生成AIの事業をやっていきたい」という方に向けて、生成AI社内セミナー・勉強会をさせていただいております。
セミナー内容や料金については、ご相談ください。
また、大規模言語モデル（LLM）を対象に、言語理解能力、生成能力、応答速度の各側面について比較・検証した資料も配布しております。この機会にぜひご活用ください。
