「Opus 4.8って、結局どこが強くなったんですか」 — リリース発表だけだと数字の話は薄かったので、ベンチマーク結果が出揃った今、整理する価値があります。コード生成だけでなく、数学・長文脈・知識作業・コンピュータ操作と、5領域での性能が公表されています。
この記事は、Opus 4.8の主要ベンチマークを業務的に意味のある形でまとめたものです。
総合スコアでは119モデル中2位
総合的なポジションから見ていきます。Opus 4.8は2026年中頃の公開ランキングで、119のモデルが入る土俵で総合スコア95点を取り、2位の評価でした。
「世界最高ではないが、世界トップ層の実力」というのが、最初に握っておきたい立ち位置です。
コード生成 — SWE-Bench Verified 88.6%
エンジニア目線でいちばん気になるコード生成の指標から。
SWE-Bench Verifiedで88.6%、より難しいSWE-Bench Proで69.2%。SWE-BenchはGitHubのオープンソースリポジトリから集めた現実のバグ修正タスクを解かせるベンチマークで、業界で広く参照されています。
Verified版は人間が品質を確認した版で、88.6%という数字は実務でClaude Codeに「このバグ修正して」と頼んだ時の成功率に近い目安になります。Web版で関連の解説もあります。
数学 — USAMO 2026で96.7%
数学領域は前世代から大きく伸びました。
アメリカ数学オリンピック(USAMO 2026)で、Opus 4.7時代の69.3%から96.7%に上昇。米国の数学オリンピック問題で、ほぼ満点に近い水準まで届く、というのが2026年の現在地です。
数学の伸びは、業務上は「論理的推論」や「複雑な条件下での判断」の精度として効きます。Claude Codeで設計判断を頼んだ時の論理の頑健さ、と置き換えるとイメージしやすい。
長文脈 — GraphWalks F1 1Mトークンで68.1%
長い文脈をどれだけ正確に扱えるか、という指標で出てきたのがGraphWalks。
100万トークンというClaude Code通常の何十倍もの長さの入力で、F1スコア68.1%。前世代の40.3%から大きく改善しました。
業務的に効くのは、大規模リポジトリ全体をClaudeに読ませる場面。これまでは「大きすぎて見落としが出る」というのが当たり前でしたが、長文脈での精度が上がったぶん、「リポジトリ全体を理解した上での提案」が現実的になってきます。Dynamic Workflowsとの組み合わせで、コードベース全体の調査が変わります。
知識作業 — GDPval-AAでGPT-5.5を上回る
業務的な「知識作業」を計るGDPval-AAでは、Opus 4.8が1890点、対するGPT-5.5が1769点。明確な差をつけて先頭です。
GDPvalは経済的に価値のある実務タスクを計るベンチマークで、Anthropic自身が主要なリリース指標として強調しています。「ニッチな性能」ではなく「経済的にインパクトのある作業」での優位、と理解すると効きが見えてきます。
コンピュータ操作 — OSWorld-Verifiedで83.4%
最後に、画面操作系。OSWorld-Verifiedは「コンピュータをエージェントに操作させる」ベンチマークで、Opus 4.8は83.4%でこの分野でも先頭。
これは、Claude Codeのスコープを超えて「画面上でアプリを操作するエージェント」の時代の足音、と読めます。ultracodeで起動するDynamic Workflowsが「コードに対する並列処理」だとすると、これは「画面に対する操作」の領域。先取りで押さえておく意味がある数字です。
業務的に効くのはどこか
これらの数字を、業務目線で並べ直します。
指標 | 直接効く場面 |
|---|---|
SWE-Bench Verified 88.6% | 日常のコード修正の成功率 |
SWE-Bench Pro 69.2% | 難しいバグ調査の成功率 |
USAMO 2026 96.7% | 設計判断・論理推論の頑健さ |
GraphWalks 68.1% | 大規模リポジトリ全体の理解 |
GDPval-AA 1890 | 経済価値のある実務タスク |
OSWorld 83.4% | 画面操作系エージェント |
「数字がすごい」だけでなく、自分の業務のどこに効くかを2〜3個マッピングしておくと、Opus 4.8への切り替え判断が自分ごとになります。
ベンチマークと手元の体感を念のため照合すると、私の運用で明らかに伸びたと感じるのは長文脈の理解。5万行を超える大規模Markdownを読ませる場面で、Opus 4.7時代より見落としが減った感覚があります。GraphWalksの数字の伸びと整合します。逆に日常の軽い質問だと体感の差は出にくく、Fast Modeに切り替えれば速度・コストの差が出る、というのが現実的な使い分けです。
まとめ
- Claude Opus 4.8は2026年中頃の公開ランキングで119モデル中2位、総合95点
- SWE-Bench Verified 88.6%、SWE-Bench Pro 69.2%でコード生成の頑健さ
- USAMO 2026で69.3%→96.7%、数学的推論が大きく伸びた
- GraphWalks 1Mトークンで40.3%→68.1%、長文脈の理解が改善
- GDPval-AAでGPT-5.5(1769)を上回る1890、実務タスクで先頭
- OSWorld-Verified 83.4%でコンピュータ操作エージェントも強い
