Claude 4ファミリーの全体像
Anthropicが2026年初頭にリリースしたClaude 4ファミリーは、Haiku、Sonnet、Opusの3モデル構成を維持しつつ、全モデルで大幅な性能向上を達成した。特にSonnetはコストパフォーマンスの観点で現時点最強クラスであり、KGAの主力モデルとして即座に採用した。
モデルスペックとして、Claude 4 Opusは200Kコンテキストウィンドウ、Claude 4 Sonnetは200K、Claude 4 Haikuは200Kと、全モデルで200Kトークンのロングコンテキストをサポートする。前世代と比較してOpusの推論能力が特に向上し、MMLU-Proで92.3%（Claude 3.5 Opusの87.1%から5.2ポイント向上）を記録した。
Constitutional AIの進化: RLCAI
Claude 4の根幹技術であるConstitutional AI（CAI）は第3世代に進化した。従来のCAIはharmlessness（無害性）に重点を置いていたが、新世代のRLCAI（Reinforcement Learning from Constitutional AI）ではhelpfulness（有用性）とのバランスを大幅に改善している。
実務での影響は大きい。Claude 3.5では「セキュリティ上の理由で回答できません」と過剰に拒否するケースが多かったが、Claude 4ではpentest用のコード生成やセキュリティ脆弱性の詳細な説明にも適切に対応する。KGAのセキュリティチームからの評価が「使えない」から「チームの一員」に変わった。
Tool Use: Function Callingの完成形
Claude 4のtool use能力はAPI経由でのfunction calling成功率が98.2%に達した。Berkeley Function Calling Leaderboard v3でGPT-4oの96.1%を上回り、全モデル中トップを記録。
特に複雑なtool useシナリオでの改善が顕著だ。KGAが実装したエージェントシステムでは、5つ以上のtoolを連鎖的に呼び出す複合タスクでの成功率がClaude 3.5の72%からClaude 4の91%に跳ね上がった。また、tool呼び出しの引数における型の正確性も向上し、JSONスキーマに厳密に準拠した出力が安定して得られるようになった。
parallel tool callingも新たにサポートされ、独立した複数のtool呼び出しを同時に実行できる。これによりエージェントのレイテンシが平均35%改善した。
コーディングベンチマーク: SWE-bench Verifiedでの躍進
Claude 4 Opusは SWE-bench Verified で72.5%を記録し、GPT-4oの68.3%、DeepSeek R1の65.7%を上回った。特にPythonとTypeScriptのリファクタリングタスクで強く、大規模コードベースの文脈を理解した上で適切な変更を提案する能力は他モデルを圧倒する。
KGAの社内評価では、Claude Code（Anthropic公式CLI）との組み合わせで特に威力を発揮する。リポジトリ全体を読み込んだ上での機能追加やバグ修正で、人間エンジニアの初回実装と同等以上の品質を20%のケースで達成した。残り80%もレビュー後の軽微な修正で本番投入可能なレベルだ。
実務での使い分け: Sonnet vs Opus
Claude 4 SonnetとOpusの使い分けは明確だ。Sonnetは入力$3/MTok、出力$15/MTokで、Opusの入力$15/MTok、出力$75/MTokの5分の1のコスト。KGAの使い分け基準は以下の通り。
Sonnet推奨: 一般的なコード生成、テキスト分析、要約、翻訳、定型的なtool use。全リクエストの85%がSonnetで十分な品質を達成。Opus推奨: 複雑なマルチステップ推論、大規模リファクタリング、戦略的な文書作成、曖昧な要件の解釈。全リクエストの15%だが、品質差が顕著。
KGAではSuper Brain ArchitectureのRouterでtask complexityを0-10でスコアリングし、7以上のタスクをOpusにルーティングしている。これによりOpusの品質を享受しつつ、月額コストを前世代比で40%削減できた。
Claude 4の弱点
完璧なモデルは存在しない。Claude 4の弱点も率直に記す。数学的推論ではDeepSeek R1に劣る。日本語のニュアンス理解はGPT-4oの方が若干優れる場面がある。また、200Kコンテキストの末尾付近で情報を見落とす「Lost in the Middle」問題は改善されたが完全には解消していない。KGAの検証では、150K以上のコンテキストで約8%の情報見落としが発生した。