Claude Fable 5 と GPT-5.6 はどっちが強い？物理シミュ検証で首位は Fable 5、でもコストは Sol の5.5倍——差を分けたのはモデルより「道具」だったよ

やっほー、ぼくてんびん丸！

「結局どのAIがいちばん賢いの？」って、いちばん聞かれる質問なんだ。でも今日紹介する検証は、その質問にちょっと意地悪な答えを返してきたよ。

JuliaHub という会社が、物理シミュレーションの問題を使って Claude Fable 5 と GPT-5.6 の3兄弟（Sol / Terra / Luna）を比べたんだ。順位はちゃんと付いた。でもいちばん大きかった差は、モデルの違いじゃなかったんだよ。

何があったの？

JuliaHub が2026年7月20日に公開したのは、「物理AI」＝物のふるまいを数式で組んでシミュレーションさせる仕事でAIを比べた検証だよ。

出した問題は5問（P1〜P5）で、中身はこんな感じ。

採点は甘くないんだ。AIが式を導いて、コンパイルして、実際にシミュレーションを動かして、自分で検証する。そのあとで採点役が、あらかじめ隠しておいた正解データと突き合わせる。「動くコードが書けた」だけでは点にならない仕組みだよ。

P1〜P4は各3試行、P5は各1試行。1モデルあたり13回で、4モデル合わせて52回ぶんを採点したんだ。難しい問題を重く数える方式でスコアを出したよ。

スコア1位は Fable 5、でも1回9.60ドル

結果はこう。スコアと、1回あたりにかかったお金と時間を並べるね。

Claude Fable 5 が0.889で1位。これは順当だよ。Fable 5 は Anthropic が「一般提供しているなかで最も高性能」と位置づけている最上位モデルだからね（今の提供状況と料金はこっちにまとめてあるよ）。

でも隣の列を見てほしいんだ。1回あたり9.60ドル。GPT-5.6 Sol の1.74ドルの約5.5倍だよ。スコア差は 0.889 - 0.814 = 0.075 しかないのに、お金は5倍以上違うんだ。

これ、API の単価だけでは説明がつかないのがおもしろいところ。単価は Fable 5 が入力100万トークンあたり10ドル・出力50ドル、Sol が入力5ドル・出力30ドルで、差は2倍前後なんだ。なのに実測は5.5倍。つまり Fable 5 は同じ問題を解くのに、トークンを3倍前後多く使ったという計算になるよ。所要時間も16.1分対13.4分で長かったから、たくさん考えこんでいたみたいだね。

単価表だけ見て予算を組むと、実際の請求とズレるってことなんだ。

もうひとつ目を引いたのがいちばん軽い Luna。安いモデルを選んだのに、いちばん高くついたんだよ。1回3.26ドルで中位の Terra（1.25ドル）より高く、時間も25.0分で Terra の約2倍。スコアも0.727で最下位だった。難しい問題でやり直しを繰り返したぶん、かさんだんじゃないかな。

注意：この検証は2026年7月20日の公開だよ。その10日後の7月30日に GPT-5.6 の料金改定があって、Luna が入力1ドル・出力6ドル → 0.20ドル・1.20ドルへ8割値下げ、Terra が2.50ドル・15ドル → 2ドル・12ドルになったんだ（Sol は5ドル・30ドルで据え置き）。だから今やり直せば、Sol 以外のコストはこの表より下がるはずだよ。

いちばん効いたのは「モデル」じゃなくて「道具」だったんだ

ここが今日いちばん伝えたいところ。

上の表で、いちばん良いモデルといちばん悪いモデルの差は 0.162（0.727 → 0.889）だったよね。JuliaHub は同じ検証で、もうひとつ別の比べ方をしているんだ。

モデルは同じ Claude Fable のまま、AIに作業させる道具立てだけを取り替えたんだよ。

0.899 対 0.533。差は 0.366 だよ。しかもかかったお金はほぼ同じ（4.20ドル対4.65ドル）なんだ。

つまり——道具を替えたことによる差 0.366 は、モデルを替えたことによる差 0.162 の2倍以上。同じモデルで、ほぼ同じ金額で、これだけ違ったんだ。

ハーネスって言葉が出てきたけど、これはAIに作業をさせるための道具立て・仕組みのことだよ。Dyad は物理のモデリング専用に作られていて、AIが書いた式をその場でコンパイルして結果を返す、シミュレーションを実行する、隠した正解データと突き合わせて採点する——といった仕組みを持っているんだ。だから「なんとなく動くコード」で止まれないようになっている。

対する Claude Code のほうは、汎用のコーディング支援エージェントだよ。ちゃんと同じ説明資料と Dyad のコンパイル用ツールも渡した上での比較なんだ。それでも0.533止まりだった。

JuliaHub 自身の言葉だと、モデルを替えると「誰が勝つか」が変わるけれど、道具を替えると「物理として正しいかどうか」自体が変わる——という整理になっているよ。だから結論は「先に道具を決めて、そのあとで予算内でいちばん良いモデルを選べ」なんだ。

この検証、鵜呑みにはできないところもあるよ

正直に書くね。この検証は割り引いて読む必要があるんだ。

• 検証したのは Dyad を提供している JuliaHub 自身だよ。結論が「ハーネスを先に選べ」＝自社製品の推しになっているのは、そういう立場だから当然ではあるんだ
• 問題は5問だけ。1モデル13試行で、1問あたり3回前後しかやっていないよ
• 正解データが非公開なので、他の人が同じ条件で追試できないんだ
• 分野が物理のモデリングに限られている。文章を書く仕事やふつうのコーディングでこの順位がそのまま出るとは限らないよ

JuliaHub 自身も「モデルの順位は本物だ——ただしひとつの道具立ての中では」と書いていて、モデル比較のほうを副次的な結果として扱っているんだ。そこは誠実だと思う。

ぼくの感想

ぼくがいちばん刺さったのは、Luna の逆転なんだ。

いちばん安いモデルを選んだのに、いちばん高くついた。しかも成績も最下位。これって「節約したつもりが損してた」というやつで、けっこう身に覚えのある人が多いんじゃないかな。AIのお金は単価じゃなくて「終わるまでにいくらかかったか」で見ないといけないんだと思う。

そして道具の話。ぼくはこのサイトでモデル比較表を作っていて、数字を並べるのが仕事みたいなものなんだけど……0.366 対 0.162 を見せられると、さすがに考えこんじゃうよ。数字をながめてモデルを選ぶより、そのAIに何を渡して、何をチェックさせるかを整えるほうが、効き目が大きい場面はたしかにありそうな気がする。

もちろん今回は「物理シミュレーション」という、正解がはっきりあって機械で検証できる仕事だから、専用の道具が効きやすい分野なんだ。だから何にでもこの比率が当てはまるとは思わないよ。でも「まずAIを乗り換える」の前に「今の使い方を見直す」を試す価値はある、という話として受け取ったよ。

まとめ

• 物理シミュレーションの5問で比べたら、Claude Fable 5 が 0.889 で1位。GPT-5.6 Sol は 0.814 だったよ
• でも1回のコストは9.60ドル対1.74ドルで約5.5倍。スコア差 0.075 にこの値段を出すかは用途次第だね
• 単価の差は2倍前後なのに実測が5.5倍。トークンをたくさん使うモデルは、単価表より高くつくよ
• 軽量な Luna はいちばん高くついた（3.26ドル・25.0分・スコア最下位）。安いモデルが安く済むとは限らないんだ
• そして道具立てを替えた差 0.366 は、モデルを替えた差 0.162 の2倍以上。ただし検証者は道具の提供元だから、そこは割り引いて読んでね

「どのAIがいちばん賢いか」の答えを探しているとき、その隣に「どう使わせるか」という質問がある——今日はそれを思い出させてくれる検証だったよ。

この2つのモデルの料金やベンチマークの数字をまとめて見たいときは、Claude Fable 5 と GPT-5.6 Sol の比較ページもどうぞ。GPT-5.6 の3兄弟の今の料金は「GPT-6」の現況ページに整理してあるよ。じゃあまたね！