GPT-5.6 Sol・Claude Fable 5・Gemini 3.6 Flashの選び方

最初に試すモデルは、次の3条件で決めると迷いが減ります。

• 難度が非常に高く、1回の失敗が高くつく長期タスク：Claude Fable 5
• frontier性能と実コストを両立したい複雑な仕事：GPT-5.6 Sol
• 速度、多様な入力、大量処理を優先する仕事：Gemini 3.6 Flash

これは順位ではなく、検証を始める順番です。本番で選ぶべきなのは、同じツール・期限・合格基準の下で、最も安く安定して合格するモデルです。

まずAPI仕様を同じ軸にそろえる

2026年8月6日時点では、3モデルとも約100万tokenのコンテキストを持ちます。しかし、出力上限、入力形式、料金、推論制御、失敗時の扱いは同一ではありません。

数値は OpenAIのSolモデル仕様、AnthropicのFable 5導入ガイド、GoogleのGemini 3.6 Flash仕様に基づきます。ここで比較しているのは公式APIの基本料金です。ChatGPT、Claude.ai、Geminiアプリのサブスクリプション、税、クラウド経由料金、priority、batch、cache、ツール料金とは分けてください。

約100万tokenを入力できても、その全てを同じ精度で使えるとは限りません。不要なファイル、長いtool transcript、指示の位置、出力予算が結果を左右します。大きな窓より、必要な根拠を取り出せる入力設計の方が重要です。

3モデルは別の余裕を買う

Fable 5は難しい長期タスクの上限を狙う

AnthropicはFable 5を、最も困難なコーディングと知識労働向けに位置付けています。1Mコンテキスト、最大128k出力、常時adaptive thinkingは、大規模移行、複数段階の調査、複雑な文書推論、長時間の自律エージェントで試す価値があります。

一方、基本単価は$10/$50で3モデル中最も高額です。Fableを選ぶ根拠は「1位だから」ではなく、要件漏れや再作業の損失がtoken差額を上回ることです。

APIでは拒否処理も重要です。安全分類器が拒否したとき、HTTP 200とstop_reason: "refusal"が返る場合があります。HTTP成功だけで完了判定せず、拒否を検出して、依頼の縮小、有人確認、許可されたfallbackへ分岐させます。

Solは複雑な仕事を拡張しやすい初期候補

GPT-5.6 Solの基本単価は$5/$30です。テキストと画像を入力でき、Responses APIではweb/file search、code interpreter、hosted shell、computer use、MCPなどのツールに対応します。実際の利用可否はendpoint、account、policyに依存します。

複雑なcoding agent、専門調査、ツールを使う長い処理、文書・表計算の成果物を量産したい場合に、まず比較しやすいモデルです。Fableより基本単価が低く、現在の独立総合指標では近い位置にあるため、能力と費用のバランスを探る出発点になります。

ただし、272kを超える入力には長文倍率があります。リポジトリ全体を毎回投入する前に、検索対象、履歴、不要ファイルを整理してください。コンテキストを減らす方が、推論レベルを上げるより効くこともあります。

Gemini 3.6 Flashは反復回数と入力形式を買う

Gemini 3.6 Flashは標準の有料Gemini APIで$1.50/$7.50です。テキスト、画像、動画、音声、PDFを入力し、テキストを出力します。function calling、code execution、file search、URL context、Search/Maps grounding、structured output、previewのcomputer useにも対応します。

動画・音声理解、文書抽出、分類、短いagent loop、通常ケースを安く処理して難例だけ上位モデルへ送る構成に向いています。最大出力は65,536tokenなので、1回で非常に長い成果物を作る用途ではSol/Fableとの差を考慮します。

Flashが総合点で勝つ必要はありません。必要な品質を満たし、短い時間と低い費用で多くの試行を回せれば、productionでは十分に勝ちです。

token単価を成功タスク単価へ変換する

1回に入力100,000token、出力20,000tokenを使う例を考えます。cache、tools、再試行、特殊な処理料金を除く基本計算は次の通りです。

text
1回の基本費用 = 入力token / 1,000,000 × 入力単価
                + 出力token / 1,000,000 × 出力単価

同じtoken量ならFlashが最安です。しかし本番では、thinking/output量、cacheの書き込み・読み取り、ツール、長文倍率、timeout、refusal、不正なJSON、再試行、有人確認を加えます。

text
成功タスク単価 =
  （全試行のモデル費用 + ツール費用 + 確認費用）/ 合格タスク数

Flashが4回目で合格し、Solが1回で合格するなら、$0.30対$1.10の差はほぼ消えます。両方が抽出処理を1回で通すなら、Flashの価格とスループットの優位はそのまま残ります。

独立評価は設定込みで読む

Artificial AnalysisのIntelligence Index v4.1では、現在のスコアがFable 5は60、Solは59、Gemini 3.6 Flashは50です。ただし、Fableはadaptive reasoningのmax effortとOpus 4.8 fallbackを含む構成、Solはmax、Geminiはhighです。完全な同条件ではありません。

同じ調査の出力スループットは、Fable約73.5 tokens/s、Sol約65.9、Gemini約200.5でした。これは生成開始後の速度で、最初のtokenまでの時間や、推論・ツールを含む総所要時間ではありません。

QuesmaのBaba Is You実験では、後半の構成でFableとSolが14レベル中13を解き、Fableは速く、Solは安価でした。ただしGemini 3.6 Flashは未評価で、後半はモデル別harnessです。この結果から分かるのは勝者ではなく、harness、token量、成功率、費用を一緒に記録する必要性です。

自社タスクで小さく公平に試す

1. 実際の業務から6〜12件を選び、通常例、長文例、過去の失敗例を含めます。機密情報は除きます。
2. 実行前に合格条件を固定します。テスト合格、無関係ファイルを変更しない、引用URLが開く、JSONがschemaに一致する、などです。
3. 入力資料、ツール権限、期限、最大費用をそろえ、model IDとreasoning effortを記録します。
4. 各タスクを最低3回実行し、初回合格率、最終合格率、有人介入を比べます。
5. input、output、thinking、cache、tools、refusal、timeout、retries、初回token、総所要時間を分けて保存します。
6. 品質基準を満たさないモデルを先に除外し、合格した候補の成功タスク単価を比較します。

高リスクタスクの初回合格率が基準未満なら、安い単価だけで本番採用しません。二つの品質差が業務上意味のある幅より小さい場合は、合格単価が低く、失敗処理が明確な方を選びます。

医療、法務、金融、セキュリティでは、この小規模テストは予備調査です。評価件数を増やし、専門家の確認を追加してください。

最終判断は1モデルではなくルーティングになる

同じ入力をOpenAI-compatibleな一つの入口で初期比較したい開発者は、LaoZhang APIのモデル一覧も確認できます。3つのIDが掲載されていますが、live consoleでtoken group、region、price、availabilityを確認する必要があります。各社の最新native toolやservice commitmentが必要なら、公式APIを直接使う方が適切です。

長く使える結論は「常に1モデル」ではありません。合格基準を満たす安価なモデルで通常ケースを処理し、失敗例と高リスク例だけ強いモデルへ上げる。このルールなら、ランキングが更新されても評価の軸を保てます。