Claude Sonnet 5 API：料金、プレイグラウンド、使用例

プロジェクト開発：明確な計画に沿って機能を実装し、変更範囲を絞る

計画が明確なら、Claude Sonnet 5 は機能実装、対象を絞ったリファクタリング、問題修正に対応できると考えます。ある顧客は、調整と実装に主に Sonnet、設計と難問に Opus を使っていました。プロジェクトは完成しましたが、作業を進めるために 2 回 Opus に切り替えたそうです。

この分担は検討に値します。Sonnet 5 に着手させる前に、インターフェース、影響範囲、受け入れ条件を明確にしてください。設計変更が必要な場合や、何度修正してもテストが通らない場合は、計画を見直し、別モデルも検討しましょう。単価が安くても、再試行を重ねた総費用が安いとは限りません。あくまで 1 顧客の事例なので、Sonnet 5 に切り替える前に実際の業務で検証することを勧めます。

ツール連携：エラーの情報を基に復旧し、実行を続ける

ある顧客からエージェント連携の経験を聞きました。Sonnet 5 は複雑な編集要求を 1 回で処理し、不明瞭なエラーに遭遇すると再度ツールを呼んでデータ構造や入力の問題を調べ、復旧を試みたそうです。ただし、処理できない別の入力をユーザーに知らせず飛ばしたこともあったとのことです。

Sonnet 5 を使う際は、回答だけでなく、最終的に書き込まれたデータの正しさも確認する必要があります。速さは要件を満たすことを意味しません。

長文分析：仕様書・コード・業務資料を横断して処理

Sonnet 5 の長いコンテキストで複数資料を照合し、要件の版比較、コードのインターフェース契約遵守、文書に分散した業務条件の探索を行っています。Artificial Analysis の AA-LCR v1.1 で Sonnet 5 Max は約 82%。約 10,000～100,000 トークンの文書を使い、箇所をまたぐ情報抽出、推論、結論の統合を評価します。Sonnet 5 長文結果 · AA-LCR 評価方法

まず問いを定め、入力資料を整理し、回答にはファイル名・節・重要な引用を残して要件に合うか検証してください。入力が 100 万トークンに近づく場合は漏れを別途確認しましょう。82% は上記の文書長での値です。実務では 100 万トークン近い入力は勧めません。私たちの経験では出力品質に明確な影響があります。

ビジネス文書：確認済みの事実を読者に伝わる説明にする

ある顧客は API 自動化で Sonnet 5 を使い、顧客へのメールやメッセージ、Git 差分から非技術者向けの変更要約を作っています。評価は好意的で、読みやすく人らしい文章になり、システムプロンプトの要件も守る点を特に挙げていました。

業務によって読みやすさの基準は異なります。製品更新、問い合わせへの返答、ヘルプ文書では比較的要求が低い一方、一般記事や個人的な考察では、編集・推敲の大部分を人が担う必要があるかもしれません。

画面開発：スクリーンショットと設計仕様から編集可能なフロントエンドを生成

Sonnet 5 は既存画面の修正や、設計要件が明確なページ作成に優先して使いたいモデルです。Anthropic の指針では、自由度の高すぎるフロントエンド依頼は似た既定のスタイルを繰り返す可能性があります。異なる結果を求めるなら、即興を制限する具体的な設計条件を渡してください。公式フロントエンド指針

顧客グループの評価も分かれています。Sonnet 4.6 で作った画面を Sonnet 5 で作り直しても、見た目が期待に届かなかったという声がある一方、Sonnet 5 はよくできていたという声もあります。

画面のスクリーンショット、コンポーネント仕様、フォントとレイアウトの要件をまとめて渡してください。完成後は機能、設計への忠実さ、各画面サイズでの表示を別々に確認しましょう。成熟したデザインシステムがあるなら、モデルに一から即興で設計させず、既存部品を再利用して変更内容を明示することを勧めます。

端末タスク：独立評価 Terminal-Bench 4.0 で約 14%

Artificial Analysis の同条件比較では、Terminal-Bench 4.0 で Sonnet 5 Max は約 14%、Sonnet 4.6 Max は約 3% です。66 の端末タスクを mini-swe-agent で各 3 回実行し、1 回の試行での平均合格率を算出します。全テスト合格時のみ成功とします。モデル成績比較 · Terminal-Bench 4.0 評価方法

この評価では前世代より改善していますが、難しい端末タスクの多くはまだ完了できません。特に複雑な作業には Sonnet 5 を勧めませんが、明確に定義され小さく分割された作業には良い選択肢となり得ます。

プロジェクト開発：CursorBench 4.0 は High から Max で 3.3 ポイント向上

CursorBench 4.0 は実際の開発フローから得たプロジェクト課題を使います。以下は主催者が公開した Sonnet 5 の結果の一部で、費用は各課題のトークン使用量と公開単価から算定しています。CursorBench 4.0 元の順位表

high と max の費用比較を重視しています。3.3 ポイント上昇する一方、平均タスク費用は 2 倍以上です。日常開発ではまず medium と high を比較してください。同じ問題で繰り返し行き詰まるなら、思考段階をさらに上げず、Opus 5.5 または Opus 5 で解決することを勧めます。

知識作業：GDPval-AA v2.1 で 1465 Elo

Artificial Analysis の GDPval-AA v2.1 では Sonnet 5 Max が 1465 Elo、Sonnet 4.6 Max が 1234 Elo です。44 職種・9 業界の 220 タスクを使います。モデルはツール環境で文書、表計算、スライドなどを提出し、匿名の一対比較で評価されます。Sonnet 5 と前世代の結果 · GDPval-AA v2.1 評価方法

他者が使える文書・表計算・ファイルを作れるか判断する参考になります。報告書、業務分析、事務支援を評価する際は、完全なタスクを渡し、必要資料を使ったか、数値は正しいか、ファイルを開けるか、想定読者が使えるかを確かめることを勧めます。

業務自動化：AutomationBench-AA で約 37% の目標達成率

Artificial Analysis の比較で AutomationBench-AA は Sonnet 5 Max が約 37%、Sonnet 4.6 Max が約 20% です。メール、表計算、CRM など模擬業務アプリで 657 タスクを評価します。モデル成績比較

各タスクで達成した目標の割合を計算してから平均し、制約違反はゼロとします。37% は「業務フロー全体の 37% が最初から最後まで成功した」という意味ではありません。Zapier 独自の順位表にある完全タスク達成率とも異なり、混同できません。AutomationBench-AA 採点説明

境界が明確で単純、かつ速い応答が必要な業務自動化には Sonnet 5 を勧めます。意思決定など複雑な問題には Sonnet を勧めず、Opus 5.5 または Opus 5 を使えます。

総合指数と生成速度：38 ポイント、毎秒約 80.5 トークン

Artificial Analysis の現行ページでは Sonnet 5 Max は Intelligence Index v4.3.2 で 38、Anthropic API の出力速度は毎秒約 80.5 トークンです。同指数のタスク当たり加重平均費用は US$5.09 です。Artificial Analysis モデル評価

頻繁に使う対話機能では低い思考段階を試し、待ち時間と品質を必ず比較してください。medium/high の出力が業務にも合うなら、Sonnet 5 を勧めます。

Claude Sonnet 4.6 比：機能は向上、Max ではタスク費用が増加

Artificial Analysis の Max 設定比較では、Sonnet 5 と Sonnet 4.6 の総合指数は 38 と 30、タスク当たり加重平均費用は US$5.09 と US$2.49 です。100 万トークン当たりの公開入出力単価はそれぞれ US$2/US$10 と US$3/US$15。Sonnet 5 はトークン単価が低い一方、この評価のタスク費用は高くなります。Sonnet 5 と Sonnet 4.6

Sonnet 4.6 を使うチームは、更新でツール連携やプロジェクト実行が改善するか確かめ、思考段階と出力予算も調整してください。Sonnet 5 が medium や high で安定して完了できるなら、最高段階を使い続ける必要はないと考えます。

GPT-6 Astra 比：複雑な開発タスクを実際の使用量で再評価

Artificial Analysis の Max 比較で GPT-6 Astra と Sonnet 5 の総合指数は 53 と 38、Terminal-Bench 4.0 はページ表示の丸め後で 59% と 14% です。Astra はトークン単価が高いものの、この総合評価の加重平均タスク費用は US$3.26 と、Sonnet 5 の US$5.09 より低く、タスク当たり平均出力量も少なくなっています。GPT-6 Astra と Sonnet 5

複雑なコード変更、端末操作、繰り返し検証する開発が中心なら、GPT-6 Astra と丁寧に比較してください。現時点の経験では、複雑な開発に GPT-6 Astra は Sonnet 5 より適しています。

DeepSeek V4 Pro 比：テキストの一括処理に役立つ費用比較

Artificial Analysis の Max 比較では、DeepSeek V4 Pro 0813 と Sonnet 5 の総合指数は 36 と 38、AA-LCR v1.1 の長文タスクは約 80% と 82%、加重平均タスク費用は US$0.67 と US$5.09 です。入力能力も異なり、評価対象の DeepSeek V4 Pro はテキスト、Sonnet 5 はテキストと画像を受け付けます。DeepSeek V4 Pro と Sonnet 5

情報整理、テキスト抽出、下書きの一括作成では DeepSeek V4 Pro を費用テストに含めることを勧めます。DeepSeek V4 PRO と Sonnet 5 のマルチモーダル能力を試すなら、実際の業務シナリオを強く勧めます。顧客の声には Sonnet 5 のマルチモーダル能力が業務要件に届かないという意見も、DeepSeek V4 PRO では作業を扱えないという意見もあります。

従量課金とモデルコストの最適化

現在の API Hop 料金と実際の使用量に基づいて課金されます。必要に応じてチャージできます。

AI モデルとデータ API を統合し、複数モデルに一か所からアクセス

1 つの API キーで複数の AI モデルとデータサービスに接続でき、導入コストを減らしてワンクリックで切り替えられます。ビジネスアプリケーションには AI とデータの両方が必要です。

呼び出しログとアプリのアクセス制御で、各リクエストを明確に

すべての API 呼び出しはダッシュボードに記録されます。アプリケーションごとに別の API キーを作成できます。

タスクに照らして出力を評価

API Hop では文書化されたモデル ID と対応パラメータを使用してください。自分の受け入れ条件で出力を評価し、本番利用前に使用記録とレスポンスのメタデータを確認してください。モデル名や例は、個々の結果を保証しません。

アカウントを準備してオンラインでテスト

ログインして残高を確認し、API キーを作成してください。

プレイグラウンドで試す

プレイグラウンドでモデルの能力を試し、最適な使い方を見つけてください。

Claude Sonnet 5 を業務に組み込む

開発者ドキュメントに従って Claude Sonnet 5 を業務に組み込んでください。

今後のモデル更新

新しいモデルへ切り替える前に、API キーのモデルカタログが正確な ID を返すことを確認します。同じエンドポイントとリクエストフィールドに対応している場合、モデル ID を変更し、本番トラフィックを流す前にレスポンス形式、ストリーミング、出力上限、課金をテストしてください。非同期の画像・動画タスクでは、ジョブ送信、状態ポーリング、結果取得も検証します。