GPT-6 Astra vs Claude Fable 5.1 vs Gemini 4 Carbon：開発・調査・執筆にはどれを選ぶ？

新しい大規模言語モデルが登場するたびに、よく聞かれるのは同じ質問です。「前のモデルより高性能なのか？」

ただ、API Hop の日々の仕事で私たちが重視するのは、もう少し具体的なことです。同じ仕事を、よりよく、より早く終えられるのか。待ち時間と費用はどのくらいか。人の手でどれだけ直す必要があるのか。

今回は GPT-6 Astra、Claude Fable 5.1、Gemini 4 Carbon について、総合評価、コーディングエージェントのデータ、実際のプロジェクトでの修正例、長時間の作業、文章作成、Web ページ制作のテストを見ていきます。

まず結論：仕事が違えば、評価の仕方も違う

私たちの結論は、モデルの向き不向きは実際の業務によって変わる、というものです。

3 モデルの基本情報

まずは公式の基本情報を見てみましょう。

ここで見落としやすいのが、モデルそのものと、モデルを動かすツールは別物だという点です。同じ開発課題でも、Codex、Claude Code、Antigravity CLI のどれを使うかで、ファイルの読み取り、コマンド実行、コンテキスト管理、再試行の方法が変わることがあります。最終的な結果は「モデル + ツール + 設定」の結果です。

短い文章を推敲するだけなら違いは目立たないかもしれません。しかし、大きなコードリポジトリで数時間作業させる場合は、ツール環境が重要になります。

総合能力：Carbon が首位でも、すべての仕事で勝つとは限らない

同じ版の総合評価を確認します。

この版の総合指数では Carbon が先頭です。Google の新モデルは、特に複雑な推論、知識、科学分野の課題で注目に値します。

この課題群における Astra の平均 API 費用は、表に挙げたほかの 2 モデルの設定より低くなっています。

Fable の総合スコアが低いからといって、どの仕事でも弱いわけではありません。後述の知識業務の評価では、違う結果が出ています。

開発にはどれを選ぶ？修正の質と実際の費用が重要

同じ版のコーディングエージェント評価を見る

日々の開発では、既存のリポジトリで機能を追加し、バグを直し、成果を提出します。そこで、コーディングエージェントの評価を見ます。

Carbon の組み合わせはスコアが高く、Astra + Codex はこのデータでは速く、平均 API 費用も低くなっています。Fable + Claude Code のスコアは両者の間ですが、費用と時間は多くかかっています。

64 問の開発課題：Fable は解決数が多いが、請求額も高い

総合点だけを見るより、imec/aistack のテストのほうが開発者の疑問に近いと感じます。バグは直ったのか。要件は満たせたのか。いくらかかったのか。

興味深いのは、Fable は 17 問多く解決し、総費用は約 €68 多かったことです。難問を解き切ることが重要なプロジェクトなら、この 17 問は費用の節約より価値があるかもしれません。一方、簡単な作業を毎日大量に処理するなら、費用と速度がより重要になります。

同じ Gradle のバグを両方が修正。それでも Fable の変更が好まれた理由

規模は小さくても、日常の開発に近い例があります。

Gradle のエンジニアリングブログでは、同じリポジトリ、同じ作業条件で、2 つのエージェントにドキュメント設定の不具合を修正させています。結果は、どちらも合格でした。

では、なぜ開発者は Fable の変更をよりマージしたいと考えたのでしょうか。差分を見ると、Fable は設定の適用範囲を絞り、既存の書き方に近づけ、回帰テストも追加していました。Astra の変更も目の前の問題は解決しましたが、設定の適用範囲が広く、将来同種のオブジェクトが増えたときに予期しない影響が出る可能性がありました。

「どちらが 2 分早いか」より、この例から学べるのは、作業を終えるだけでは十分ではないということです。変更範囲が広すぎないか、回帰テストがあるか、次の担当者が保守できるかも確認する必要があります。

コードレビューでは、推論を増やせばよいとは限らない

この点はほかのモデルを紹介する際にも繰り返し触れてきました。私たち自身の開発でも、推論を増やしたからといって結果がよくなるとは限らないと感じています。

このレビュー手順では、High は遅く、全体の指標も改善していません。設定名が High や Max だからといって、追加の時間や費用に見合うと決めつけないことです。実際の仕事で試して判断する必要があります。

調査・資料作成：動いて答えを出すことと、役立つ成果を出すことは別

知識業務の評価では、Fable の順位が逆転

課題の種類を変えると、結果はどう変わるでしょうか。

これが、総合ランキングだけで選ぶことを勧めない理由です。同じモデルでも、知識業務に切り替えると相対的な順位が変わります。

顧客調査の整理、報告書、業務資料の作成なら、Fable を優先して試す候補に入れてよいでしょう。

$10,000 の研究予算があっても、論文は不採択になり得る

CRUX は、参考になる長時間タスクの評価を行いました。未発表論文の研究課題を Astra と Fable 5.1 に渡し、$10,000 の研究予算を与え、最後に元の研究者が生成された論文を審査するものです。

実験設計や資源の使い方には進歩が見られましたが、最終的な 2 本の論文は、どちらも専門家から明確に不採択とされました。研究チームが指摘したのは、研究上の判断、独創性、意思疎通、失敗したときの方針転換などの問題です。ただし、2 モデルが取り組んだ研究課題は同じではありません。最終スコアをそのまま公平な一対一比較に使うことはできません。CRUX 研究レポート

私たちは、この結果が AI を実際の研究に使ううえで参考になると考えています。

たとえば SaaS の競合調査を依頼するときに欲しいのは、単なる 20 ページの文章ではありません。引用した価格が正しいか、機能情報が最新か、流入元はどのチャネルか、最近の新機能に参考になる点があるか、といった答えです。

長時間働かせれば出力量は増えますが、方向性の正しさまで保証されるわけではありません。使えない内容が大量にできることもあります。先に要件を明確にし、指定した構成に沿って内容を埋めてもらうほうが、作業を管理しやすくなります。

Carbon の 5 時間タスクでも、成果の提出に問題があった

FrontierCS の評価では、1 課題につき最大 5 時間を与え、論文の実装から取り除かれた手法を復元するか、それを上回る手法を提出させました。

この第三者テストでは、エージェントのバックグラウンドタスクの扱いが原因で、結果を提出する前に終了した実行が何件かありました。

両モデルが結果を提出した共通の課題では、Carbon の平均スコアのほうが高くなっています。ここで伝えたいのは、数時間動けるエージェントでも、目標を取り違えたり、最終成果を提出できなかったりする可能性があるということです。

記事・Web サイト制作：公開事例から何がわかる？

同じ資料から執筆：Fable は構成、Astra は作業の速さが強み

私たちは調査の仕事で、同じ 20 ページの資料 PDF を Fable 5.1 と Astra に渡し、長い記事にまとめてもらったことがあります。

Fable は導入や全体構成が私たちの好みに合い、整理された筋の通った文章でした。一方、作業全体は Astra のほうが早く終わりました。

モデルで記事を書くなら、整理した資料を用意するか、少なくとも大まかな見出しと構成を決めておくことを勧めます。そうすれば、出力が要件を満たしているか判断できます。

Web 制作：スコアがそのままアクセス数や成約につながるわけではない

WebDev Arena の 2026 年 10 月 27 日時点のページには、次のスコアが掲載されていました。

出典：WebDev Arena のランキング。

Web ページ制作は、開発、文章作成、検索エンジンの要件への対応などが重なる仕事です。ここでは WebDev Arena のスコアも紹介していますが、Web 制作を数多く行ってきた API Hop としては、Fable で記事を設計し、Astra で開発する組み合わせを勧めています。

料金比較：Token 単価が同じでも、最終請求額は違う

よくある比較方法は、100 万 token あたりの単価だけを見て、安いモデルを選ぶことです。単価はもちろん重要です。ただ、何度も推論し、ツールを呼び出し、再試行する複雑な作業では、それだけで安さを判断するのは適切ではありません。

まず公式の通常 API 料金を見る

下表の単位は 米ドル / 100 万 tokens です。API Hop の販売価格ではありません。

請求額に影響しやすい注意点が、もう 2 つあります。

• Astra：1 回のリクエストの入力が 272K tokens を超えると、リクエスト全体の入力とキャッシュ料金は 2 倍、出力料金は 1.5 倍になります。超過分だけへの加算ではありません。
• Fable 5.1：公式説明では、1M コンテキストにも標準の入力・出力料金が適用されます。キャッシュ書き込みには別料金があり、保存時間によっても異なります。

大きなリポジトリ、長い資料、大量の会話履歴を常にコンテキストへ入れる場合は、想定外の請求を避けるためにも、これらのルールに注意が必要です。

使用量を固定した計算例

あるリクエストがちょうど 100,000 のキャッシュなし入力 tokens を使い、10,000 の課金対象出力 tokens を生成するとします。ツール料金、キャッシュ書き込み料金、再試行、特別プランの料金は含めません。

計算式はシンプルです。入力 tokens / 1,000,000 × 入力単価 + 出力 tokens / 1,000,000 × 出力単価。

ここでは token 数を固定しましたが、実際にはモデルによって推論や出力の長さが異なり、再試行の回数も変わります。

より役立つ基準は「合格した成果 1 件あたりの費用」

作業範囲と合格条件が明確なら、次のように計算できます。

合格した成果 1 件あたりの平均費用 = 全実行の API・ツール費用 ÷ 合格したタスク数

総費用には失敗と再試行も含めます。さらに、成功した成果ごとに人がどれだけ修正したかを別に記録します。モデルの料金が $2 安くても、修正に 30 分余計にかかるなら、選択は変わるかもしれません。

API Hop のモデルページには、プラットフォームの価格と公式の参考価格を掲載しています。両者を分けて確認し、実際の精算ルールに従って判断することを勧めます。プラットフォーム価格と公式 API 価格は同じではありません。API Hop の Astra ページ · API Hop の Fable ページ · API 比較ページ

私たちなら、自分の仕事で 3 モデルをどう確かめるか

実際の仕事を、合格条件のはっきりした小さな課題に分けることを勧めます。小さなバグや機能追加から始めるとよいでしょう。

同じ手順を再現できるよう、まず次の 3 種類の課題を用意します。これはテスト計画であり、すでに終えた実験の結果ではありません。

利用できるモデルごとに、各種類の課題を 3 回ずつ実行します。Astra と Fable は先に一巡できます。Carbon を再現可能な形で試せる公開の利用経路が確認できない間は、結果を空欄にし、Argon で代用することはありません。

役立つデータにするため、資料の版、作業指示、時間と予算の上限を固定します。毎回新しいセッションを使い、正確なモデル ID、推論設定、ツールの版、フォールバックの有無、費用、時間、最終成果を記録します。記事では事実の誤りと人の修正を、バグ修正ではテストと変更範囲を重点的に見ます。

文章作成を比較するなら、この簡単なテンプレートから始められます。

以下の事実資料をもとに、一般読者向けのわかりやすい記事を書いてください。

読者：この問題について初めて知る人
目的：問題を説明し、実行できる解決策と、その適用条件を示す
必ず含める点：[3—5 個の要点を列挙]
禁止事項：資料にない数値の追加、架空のテスト経験、結論の誇張
出力：本文、対応する事実の出典、まだ確認が必要な情報

資料：
[同じ資料を貼り付ける]

大切な原則があります。一番よかった出力だけを残さないことです。失敗、呼び出しのやり直し、人の手による補修も、実際にモデルを使うときの費用です。

よくある質問

Gemini 4 Carbon は、もう誰でも使える？

2026 年 10 月 30 日時点では、そう理解することはできません。Google は、まず一部のサイバー防衛組織に提供し、その後、信頼できるパートナーへ段階的に拡大すると説明しています。研究機関がテストしていることと、すべての開発者に通常の公開 API 利用権があることは別です。公式の提供状況と実際のモデル一覧に応じて説明を更新します。Google 公式発表

Astra と Fable は入出力の単価が同じなのに、なぜ作業費用が大きく違う？

使う token 数、キャッシュのヒット率、推論の強さ、ツール呼び出し数、再試行数が違うためです。両方が 100 万 tokens あたり入力 $10、出力 $50 でも、同じバグの修正費用が同じになるとは限りません。Gradle の例では $3.54 と $4.34 でした。Gradle の実測

Fable 5.1 の Max は、弱い推論設定より必ずよい？

そのように断言できる根拠は確認できていません。むしろ CodeRabbit が同じコードレビュー課題群で行ったテストでは、強い推論設定は遅く、全体の再現率も低くなりました。まず合格条件を満たす設定を使い、そのうえで推論を強める価値があるかを判断することを勧めます。CodeRabbit の実測

中国語の長文には、どのモデルが向いている？

現時点で 3 モデルの確定的な順位はつけません。執筆例や知識業務のベンチマークはありますが、同じ資料、環境、中国語の執筆基準で比較した三者テストではありません。同じ中国語資料を使って、事実の正確さ、構成、語調、修正時間を比べることを勧めます。

評価サイトごとに順位が違うのはなぜ？

課題群、採点方法、推論設定、エージェントのツール、費用の集計方法が異なる場合があるためです。幅広い知識のテスト、実際のリポジトリの修正、業務文書の整理は、そもそも別の仕事です。少なくともランキングの版、テスト日、モデル設定、合格条件を確認してから、結果を採用するか判断しましょう。

API Hop 上で、3 モデルに同じ課題を試せる？

まず API Hop に掲載されている GPT-6 Astra、Claude Fable 5.1、モデル一覧 で、実際に利用できるモデルと料金を確認し、同じ文章課題で出力を比べられます。現時点で、Carbon を一般アカウントから直接呼び出せるモデルとして案内してはいません。また、オンラインの文章ツールは、コード実行、ファイルアップロード、Web 閲覧までできる完全なエージェント環境とは異なります。コーディングエージェントを比較する場合は、ツールの機能を別途確認してください。

最後に、私たちならどう選ぶか

公開データをまとめて見ると、選び方はむしろシンプルになります。

既存リポジトリのバグ修正なら、まず Astra と Fable を自分のプロジェクトで同じ課題に取り組ませます。コードを早く出したかだけでなく、完了状況、回帰テスト、その後の保守費用を見ます。

資料整理、報告書、長期的な研究なら、知識業務における Fable の成績を重視し、Carbon の新しい評価も今後の検証候補にします。ただし、どのモデルにも事実確認と明確な成果の合格判定は必要です。

記事やランディングページを継続的に制作するなら、まず内容の要件を満たせるか、1 本あたりどれだけ修正が必要かを測ります。総合ランキングだけで、すべての制作工程を決めることはしません。

私たちが最も実用的だと考える比較式は、成果の合否 + 総費用 + 待ち時間 + 人の修正量です。

実際の文章課題で試したい方に向けて、API Hop では Astra と Fable 5.1 の説明、料金、お試し機能を用意しています。API 比較ページ でも、現在のモデルと条件を確認できます。私たちはモデルサービスを提供していますが、この記事で引用する第三者テストは API Hop 自身が行った実験ではありません。読者が判断できるよう、出典とテストの制約を明示していきます。

出典と更新履歴

資料確認日：2026-10-29。この記事のランキングは、当時確認できた版を引用しています。料金、モデルの利用権限、評価結果は変わる可能性があります。公式の新たな提供情報や、自社で再現可能なテスト結果が得られた場合は、変更を別途記録し、過去のテスト条件を新しい数値で黙って上書きしません。

公式のモデル情報と料金

• OpenAI：GPT-6 Astra の仕様と料金
• Anthropic：Claude Fable 5.1 公式モデルページ
• Google：Introducing Gemini 4 Carbon、2026-10-28

独立評価と事例

• Artificial Analysis：Intelligence Index v5.0 における Carbon の結果
• Artificial Analysis：Astra と Fable の総合能力・知識業務比較
• Artificial Analysis：Antigravity CLI と Codex
• Artificial Analysis：Claude Code と Codex（Fable 5.1 の結果を含む）
• imec/aistack：64 件の開発課題と実際の請求額
• Gradle エンジニアリングブログ：同じドキュメントのバグに対する 2 つの修正
• CodeRabbit：Fable 5.1 のコードレビュー実測
• CRUX：Astra と Fable の自由度の高い研究課題
• FrontierCS：Gemini 4 Carbon の 5 時間の研究コード課題
• Aaron Makelky：Astra と Fable の執筆・Web 制作体験
• WebDev Arena：Web 制作ランキング

編集上の注記：本文中の「私たち」は、API Hop チームによる資料確認、分析、利用上の提案を指し、第三者の実験を自ら再実施したという意味ではありません。料金の計算例はすべて前提を明記しています。異なる評価体系のスコアや費用を、そのまま足したり換算したりすることはしません。