投稿者 投稿日: カテゴリー AIニュース
Cursorが最難問向けの主力にClaude Fable 5を選んだ理由と実測データを公開しました。
Anthropicが2026年7月17日に公式ブログで公開した事例記事によると、AIコーディングエージェントのCursorは、自社ベンチマーク「CursorBench」でClaude Fable 5が過去最高の72.9%を記録したことを明らかにしました。評価を担当したエンジニアのNate Schmidtは、月面着陸シミュレーションなど独自の検証を重ねたうえで、「最難問の1%」にFable 5を投入する使い分け基準を示しています。本記事は、EC支援19年・5,000社超の実績を持ち、AI導入支援は2023年から提供する株式会社オルセル（うるチカラ運営）が解説します。
CursorBenchでClaude Fable 5が72.9%、独自ベンチを作った理由
結論から言うと、Cursorは公開ベンチマークのスコアと開発者の実感がかみ合わなくなったため、実際の使われ方を再現した独自ベンチマーク「CursorBench」を構築し、そこでClaude Fable 5がMax effort設定で72.9%という過去最高スコアを記録しました。Claude公式ブログが7月17日に公開した「Working at the frontier」シリーズの記事で詳細が語られています。
Cursorは主要なフロンティアモデルを自社モデルと並べてすべてサポートしており、特定ベンダーに肩入れしない中立的な立場で各モデルの実力を比較できる環境にあります。その評価を取りまとめるのが、モデル評価と挙動分析を担当するNate Schmidtです。
CursorBenchの特徴は、実際のユーザーが投げる「雑で仕様が曖昧なプロンプト」を再現している点にあります。たとえばスタックトレースを貼り付けて「fix」の一語だけを添えたタスクでは、モデルが意図を推測し、根本原因を特定し、修正を検証するところまで自力でやり切れるかが問われます。別のタスクでは、壊れているモジュールをわざと誤って指定し、ユーザーの思い込みを疑えるか、それとも間違った前提のまま袋小路に突き進むかを見ます。整った問題設定と制約を与える従来型の評価とは、設計思想が根本的に異なります。
スコアがあまりに高かったため、チームは「モデルが非常に賢いか、チート（ズル）をしているかのどちらかだ」と疑い、最難問の推論トレースを実際に読み込んで検証しました。その結果、他のモデルが取れていなかった問題を掘り起こして解いていること、しかも完了した仕事量に対してトークン効率が高いことが確認されたといいます。
ローカル推論とグローバル推論、月面着陸で見えた世代差
このニュースが重要なのは、モデルの進化が「賢さの度合い」ではなく「推論の射程」の変化として具体的に示されたからです。Schmidtが自作した検証が象徴的です。プログラム制御可能な宇宙飛行シミュレータにモデルを接続し、「ロケットを作って月に着陸させる」という1行のプロンプトだけを与えて放置するというものです。
数週間前にClaude Opusで実行したときは、12〜16時間走らせても着陸に至りませんでした。打ち上げては軌道上で燃料切れになり、燃料を大量に追加すると今度は機体が重すぎて大気圏を抜けられない、という失敗の繰り返しだったといいます。
Claude Fable 5で再実行すると、挙動が根本から変わりました。記事によれば「Fableは最初の試行で月に行かないと自分で決めた。まず軌道投入だけの初期ミッションを実施してテレメトリを収集し、それを次の飛行に反映させようとした」とのことです。数回の試行の後、着陸機は月面に降り立ちました。所要時間は2時間程度で、12時間以上かけて成果ゼロだったOpusとの差は歴然です。
Schmidtはこの差を「Opusは直前に起きたことと直後に起きることを考えるローカルな推論だったが、Fableはミッション全体を考えるグローバルな推論をする」と表現しています。日々の開発でも、ゴールを繰り返し思い出させ、文脈を補い、結果を逐一監査する「子守り」が不要になり、厄介なリファクタリングや際どいエッジケースの検討をそのまま任せられるようになったといいます。
今後の動きとモデル使い分けの基準
CursorのチームはすでにFable 5の限界を探る次の実験に移っています。バックエンドシステムを数日から数週間単位で無人運用させ続けるとどうなるかが次のテーマです。社内では、障害報告を待つのではなくパフォーマンスのボトルネックやユーザーの不満点をモデルに能動的に探索させる使い方も始まっています。
注目すべきは、Schmidtが示した使い分けの基準です。「AからBへの道筋がだいたい見えているなら、Fableは必要ないかもしれない。いまAにいてBがどこにあるのか見当もつかないなら、Fableは優れた選択だ」と述べています。日常的な定型作業は高速で軽量なモデルに任せ、能力そのものが制約になる問題にだけFable 5を投入する。この組み合わせが、コストと性能のバランスで最も効果的な構成だとチームは結論づけています。解決までの時間を最優先すべき「p99級の難問」でこそ、最上位モデルの単価が正当化されるという整理です。
この使い分けの考え方は、EC事業者のAI活用にもそのまま流用できます。商品説明文の量産やレビュー返信のような手順が確立した業務は軽量モデルで十分に回り、逆に「売上が落ちた原因がどこにあるのか見当がつかない」「棚上げしてきた業務フローの作り直しに手を付けたい」といったゴールの見えない難題こそ、Claude Fable 5とCoworkの委任のような上位モデル活用が効く領域です。Base44の開発事例やMaxプランへの標準搭載の流れとあわせて読むと、2026年後半のモデル選定の判断軸が立体的に見えてきます。
まとめ
CursorBenchの72.9%という数字の裏には、曖昧な指示から意図を推測し、ミッション全体を見渡して計画を立て直すグローバルな推論力があります。道筋が見える仕事は軽量モデル、ゴールが見えない難問は最上位モデルという使い分けは、開発現場に限らずAIを業務に組み込むすべての事業者にとって実用的な判断軸になります。
参考文献
- Claude公式ブログ・Working at the frontier: How Cursor knew Claude Fable 5 was ready for the hardest 1% of problems
- Anthropic・Claude Fable 5とClaude Mythos 5の発表
- Cursor公式サイト
※うるチカラでは、生成AIの導入支援から運用最適化まで、貴社のEC事業に合わせたカスタマイズ提案を行っています。無料相談（30分）も実施中ですので、お気軽にお問い合わせください。
https://uruchikara.jp/contact/
引用元: Claude公式ブログ
【監修】齋藤竹紘（株式会社オルセル代表 / 19年・5,000社のEC支援実績）
株式会社オルセル代表取締役 / うるチカラ編集長。19年・5,000社以上のEC支援実績を持ち、楽天市場・Amazon・Yahoo!ショッピング・Shopify・Shopee越境ECの実装ノウハウを保有。AI×ECに関する書籍を3冊執筆。「現場で使えるAI実装」を一次情報として発信しています。
この記事を読んだ人は、こんな記事も読んでいます
