Claude Opus 4.8 を読むための用語集【図解・完全版】— SWE-bench / GDPval / Dynamic Workflows ほか

本記事は「AI実験レポート Vol.0（Claude Opus 4.8 と Dynamic Workflows）」の副読本（用語集）の図解・完全版です。本文に出てくるベンチマーク名やエージェント用語を、図とセットで、非専門の方でも追えるようにまとめました。定義は「ざっくり理解する」ことを優先しています。正確な仕様は各公式（システムカード等）をご参照ください。

はじめに

新しいAIモデルの記事には、SWE-bench Pro や GDPval、Dynamic Workflows といった見慣れない言葉が一気に出てきます。本稿では、それらを「何を測る／意味するものか」＋「本文での数値」をセットで、図解つきで並べました。上から読む必要はなく、気になった語だけ拾ってください。

全体像：ベンチマーク早見マップ

まず、本稿に出てくるベンチマークを「何を測るか」で5つに分けて俯瞰します。個別の定義はこの後の各セクションにあります。

図1. AIベンチマーク早見マップ（測定領域で分類）

モデル・プラットフォーム

用語	意味
Claude Opus 4.8	Anthropic の最上位モデルの最新版（2026年5月28日公開）。本シリーズ Vol.0 の主役。
Claude Opus 4.7	4.8 の前バージョン（2026年4月）。比較の基準。
GPT-5.5	OpenAI のモデル。端末コーディングなど一部で 4.8 を上回る比較対象。
Gemini 3.1 Pro	Google のモデル。比較対象。
Anthropic	Claude を開発する企業。
Amazon Bedrock	AWS の生成AI基盤。Opus 4.8 が即日提供されたプラットフォームの一つ。
Google Cloud Vertex AI	Google Cloud の生成AI基盤。同上。
Microsoft Foundry	Microsoft の生成AI基盤。同上（コンテキストは20万トークン）。
コンテキストウィンドウ	モデルが一度に扱えるテキスト量の上限。Opus 4.8 は最大100万トークン。
トークン	モデルが処理・課金の単位とするテキストの最小単位（単語の断片など）。

図2. Claude Opus のリリース系譜（4.7→4.8 はわずか41日）

ベンチマーク①：コーディング系

用語	意味
SWE-bench Verified	実在の GitHub 課題（バグ修正など）を最後まで解けるか測る標準ベンチ。人手で検証された500問。すでに飽和に近い（本稿: 4.8 = 88.6%）。
SWE-bench Pro	SWE-bench の「難しく・汚染の少ない」版。差がつきやすく実力を測りやすいため、本稿ではコーディングの中心指標（本稿: 4.7 = 64.3% → 4.8 = 69.2%）。
SWE-bench Multilingual	SWE-bench を多言語のコードに広げた版（本稿: 4.8 = 84.4%）。
Terminal-Bench (2.1)	ターミナル（コマンドライン）上でエージェントがタスクをこなす能力を測る。実行環境＝ハーネスで結果が変わる点に注意。本稿では GPT-5.5（78.2）が 4.8（74.6）を上回る。

ベンチマーク②：エージェント／コンピュータ操作系

用語	意味
OSWorld-Verified	実際の OS（Ubuntu などの仮想マシン）上で、文書編集・Web 閲覧・ファイル操作といった現実の PC 作業をこなせるか測る（本稿: 4.8 = 83.4%）。
Online-Mind2Web	実在の Web サイトを自律的に操作・ナビゲートする能力を測る（本稿: 4.8 = 84%）。
BrowseComp	見つけにくい情報を Web ブラウジングで探し出すエージェント能力を測るベンチ。
MCP-Atlas	MCP（モデルが外部ツールに接続する規格）を介したツール利用の能力を測るとされるベンチ。

ベンチマーク③：推論・知識・数学・知識労働系

用語	意味
HLE（Humanity's Last Exam）	各分野の専門家レベルの超難問を集めた、現行で最も難しい一般推論ベンチの一つ（本稿: ツールなし 4.8 = 49.8%）。
GPQA Diamond	大学院レベルの科学（物理・化学・生物など）の難問。各社が高得点で「飽和」気味（本稿: 4.8 = 93.6%、各社ほぼ同等）。
USAMO 2026	全米数学オリンピックの証明問題。数学的推論の深さを測る（本稿: 4.7 = 69.3% → 4.8 = 96.7%、+27.4pt）。
GDPval	OpenAI による「経済的に価値ある実務タスク」のベンチ。米国 GDP 上位9業種・44職種の、実務家（平均14年の経験）の仕事を題材にする。
GDPval-AA	上記 GDPval を Artificial Analysis 社が独自に評価した版。モデルにシェルと Web 閲覧を与えたエージェント実行で、ブラインドの一騎打ち比較から Elo を算出（本稿: 4.8 = 1890）。
Elo（イロ）	対戦比較から相対的な強さを数値化する仕組み（元はチェス）。高いほど強く、点差が大きいほど勝率が高い（例：121点差 ≒ 勝率約67%）。

数値で見るとどうなるか

各ベンチマークの実際の数値（Opus 4.7 / 4.8 / 他社）をまとめると、次のとおりです。「淡い色」は 4.8 が首位ではない項目です。

図3. 主要ベンチマーク比較（Claude Opus 4.7 vs 4.8）

Dynamic Workflows・エージェントの用語

用語	意味
Dynamic Workflows	Claude Code の新機能（リサーチプレビュー）。親エージェントが処理を動的に組み立て、多数のサブエージェントを並列実行し、敵対的に検証して、収束するまで反復する仕組み。
オーケストレーター（親エージェント）	全体の段取りを決め、サブエージェントを統括する司令塔。
サブエージェント	親の指示で個別タスクを担う作業エージェント。Dynamic Workflows では数十〜数百を並列で起動する。
並列実行	複数の処理を同時に走らせること。多数のサブエージェントが、別々の角度から同時に探索する。
敵対的エージェント（adversarial）	出てきた結論に、あえて反証を試みる役。単独エージェントが陥りがちな過信を抑える狙い。
収束	反復のなかで答えが安定し、結論が定まること。収束してから報告する。

図4. Dynamic Workflows の処理フロー

モデルの動作・設定の用語

用語	意味
エフォート（effort）	モデルがタスクにかける「労力」（思考量）の段階。low / medium / high / xhigh / max があり、Opus 4.8 の既定は high。
adaptive thinking	問題の難しさに応じて、思考の深さを自動で調整する仕組み。
fast mode	速度を優先する動作モード。Opus 4.8 では約2.5倍速・料金2倍（ただし 4.7 の fast mode より3倍安い）。
システムカード	モデルの評価結果や安全性などを公式にまとめた文書。本稿のベンチ数値の主な出典。

信頼性・評価の用語

用語	意味
ハルシネーション	もっともらしいが事実でない出力を生成してしまう現象。
過信（overconfidence）	根拠が薄いのに、自信たっぷりに断言してしまう傾向。Opus 4.8 は 4.7 比で10倍以上低減と報告。
自己申告	モデルが自分の不確実性や誤りを、自分から明示すること。本稿でいう「信頼性」の核。
ベンチマーク飽和	多くのモデルが高得点に達し、差がつかなくなった状態（例：GPQA）。
ハーネス	ベンチを実行する環境・足回りのこと。同じベンチでもハーネスが違うと数値が変わる（Terminal-Bench の注意点）。
n=1／シングルショット	1回だけ実行し、平均を取らない測定。「一度聞いて、返ってきたものを読む」という実際の使い方に近い。Vol.1 で採用予定。

本稿の「信頼性」と Dynamic Workflows は、じつは同じ狙い——AIの過信をどう抑えるか——への、層を変えた回答として読めます。

図5. 過信を抑える二層構造（モデル単体の正直さ × 複数エージェントの相互反証）

おわりに

用語が分かると、ベンチマーク表は「どこが本当に伸びたのか」を読む道具になります。本編 Vol.0 では、この用語をもとに 能力・信頼性・コスト の3軸で Claude Opus 4.8 を整理しています。あわせてどうぞ。

参考

Anthropic「Introducing Claude Opus 4.8」: https://www.anthropic.com/news/claude-opus-4-8
OpenAI「GDPval」: https://openai.com/index/gdpval/
Artificial Analysis「GDPval-AA Leaderboard」: https://artificialanalysis.ai/evaluations/gdpval-aa