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
• 先端的な能力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7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のモデル一覧、Fable 5導入ガイド、GoogleのGemini 3.6 Flash仕様に基づきます。入力形式の行はモデルページの表記で統一しました。Claude APIは別途 PDFの文書ブロックに対応し、Solのファイル検索などはAPIの作業機能に当たります。料金は公式APIの基本単価であり、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、優先処理、バッチ処理、キャッシュ、ツール料金とは別です。

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、長いツール実行履歴、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、常時有効の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の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、許可された代替モデルへの切り替えを行います。

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ではウェブ検索・ファイル検索、コード実行、ホスト型シェル、computer use、MCPなどのツールに対応します。実際の利用可否はAPIの接続先、アカウント、ポリシーに依存します。

複雑なコーディングエージェント、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。関数呼び出し、コード実行、ファイル検索、URLコンテキスト、Google検索・地図との連携、構造化出力、プレビュー版のcomputer useにも対応します。

動画・音声理解、文書抽出、分類、短いエージェント処理、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、実運用では十分に有力です。

API単価から合格1件の費用を計算する

1回に入力100,000token、出力20,000tokenを使う例を考えます。キャッシュ、ツール、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。しかし実運用では、推論・出力量、キャッシュの書き込みと読み取り、ツール、長文倍率、タイムアウト、拒否、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Fable 5ページ、Solページ、Geminiページを2026年8月7日に確認したところ、Intelligence Index v4.1.1は順に62、61、52でした。ただし、Fableはadaptive thinkingの最大強度とOpus 4.8への切り替えを含む構成、Solはmax、Geminiはhighです。完全な同条件ではなく、この変動するスナップショットだけで自社業務の勝者は決まりません。

同じページの出力速度は、Fable約67 tokens/s、Sol約62.9、Gemini約219.2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。購入や移行の前には、各モデルページを再確認してください。

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、後半はモデル別の実行環境です。この結果から分かるのは勝者ではなく、実行環境、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が所定の形式に一致する、などです。
3. 入力資料、ツール権限、期限、最大費用をそろえ、モデルIDと推論レベルを記録します。
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. 入力、出力、推論、キャッシュ、ツール呼び出し、拒否、タイムアウト、再試行、最初のtokenまでの時間、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モデル固定ではなく使い分けになる

同じ入力をOpenAI互換の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、管理画面で利用グループ、地域、価格、利用可否を確認する必要があります。各社の最新機能、独自ツール、サービス上の保証が必要なら、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。