Claude Mythos 5 対 Grok 4.7：一致しない3つの独立した数値

Artificial Analysis はGrok 4.7を同じ午後に3回採点し、それぞれ異なる方向を指す3つの答えを得た。インテリジェンス指数は46——Grok 4.6 を2点上回る。コーディングエージェント指数は56で9点差、AA-Briefcase では Elo 1,657で111点差。このばらつきこそ、SpaceXAI の2026年9月21日のリリースで最も興味深い点であり、Claude Mythos 5とのこの対決を、流すのではなく書き留めておく価値がある理由でもある。Grok 4.7 は、スペシャリストと化したジェネラリストだ。その伸びは長期的なエージェント型コーディングとナレッジワークに集中しており、総合ベンチマークではほとんど見えてこない。Claude Mythos 5 は2026年6月9日の提供開始時からずっとスペシャリストであり続けている——Anthropic の制限付きサイバー・バイオロジー分野のフラッグシップで、ASL-3 に分類され、9月1日に Claude Mythos 5.1 として刷新され、価格は Mythos ティアの100万トークンあたり入力 $10.00／出力 $50.00、そして料金表ではなく審査プログラムを通じて利用できる。このうち一方のモデルは購入できる。もう一方は申請するものだ。この比較におけるその他のすべては、その一文の下流にある。

各モデルとは何か、そして誰がそれを呼び出せるようにしてくれるのか

Grok 4.7は、S​paceXAIの現行フラッグシップであり、コーディング、エージェント的タスク、ナレッジワーク向けで、同一価格・同一コンテキストウィンドウでGrok 4.6の後継となる。ベンダーは開発者向けドキュメントとニュースページの両方で名称をS​paceXAIと表記しているが、APIは依然としてapi.x.aiから提供され、識別子も依然としてgrokのままだ。どちらの名称で検索しても同じ製品に行き着くため、知っておく価値がある。Cursorと同社独自のG​rok Buildターミナルエージェントでライブ提供されており、ベンダーは音声・画像・動画作業を除くすべてについての既定の推奨として位置づけている。ベンダーの主張は汎用目的の売り込みよりも狭く具体的だ。長時間稼働するソフトウェアエンジニアリングと、自身の作業を検証することに強い。

Claude Mythos 5はAnthropicの6月9日のフロンティア世代における制限付きSKUであり、公開されているClaude Fable 5と基盤となる重みを共有し、セーフガードのレベル——Fableモデルではオンのままになっているサイバーおよび生物学の分類器——だけが異なる。AnthropicはこれをASL-3に分類している。サイバー攻撃能力を実質的に高めうる能力のために確保している階層であり、それに応じてアクセスを制限している。その評判は、公開されたベンチマーク表ではなく、レッドチームの調査結果に支えられている。およそ27年間未発見だったOpenBSDのバグ、約16年間と500万回の自動スキャンヒットを生き延びたFFmpegの脆弱性、レンダラーとOSの両サンドボックスを脱出するために4つの脆弱性を連鎖させたブラウザエクスプロイト、そしてLinuxカーネルの権限昇格である。

• コンテキストと出力 — Grok 4.7では50万トークン、最大45万トークンの出力に対し、C​laude M​ythos 5では100万トークン、最大出力128K。

• 100万トークンあたりの価格 — Grok 4.7 は入力20万トークン未満で入力 $2.00／出力 $6.00、そのラインを超えると $4.00／$12.00 に上がるのに対し、Mythos ティアは一律 $10.00／$50.00 です。

• キャッシュ読み取り — Grok 4.7では100万トークンあたり$0.50、200,000トークンの境界を超えると$1.00に倍増。一方、6月のM​ythos世代では100万トークンあたり$1.00、9月のリフレッシュ後は$0.25。

• モダリティ — テキスト、画像、ファイルの入力に対応し、どちらもテキスト出力。

• 推論制御 — Grok 4.7では4段階で設定可能なエフォート vs C​laude M​ythos 5では無効化できない適応型思考

• アクセス — セルフサービス型のキーとベンダー自身のアプリ 対 Cyber Verification Program または Life Sciences Verification Program を通じた申請、30日間のデータ保持要件付き。

その2つの価格行こそ、よくある読み方が間違うところだ。表示価格では、Grok 4.7はMythosの料金の5分の1だ。長いプロンプトでは3分の1を少し超える。というのも、料金ティアの境界が200,000トークンにあり、これは500,000トークンのウィンドウを売りにしているモデルだからだ。

正しく読み取られた、3つの独立した数値

最も注目を集めなかったものから始めます。それが最大だからです。長期的な知識作業のための評価者ボードであるAA-Briefcaseで、Grok 4.7は総合4位に入り、3つのClaudeエントリーの後ろ、xhigh effortのClaude Opus 5より前に位置しています——タスクあたりのコストはClaude Opus 5のおよそ半分です。このリリースについて他に何が真実であっても、これは能力の差ではなく価格性能の結果であり、Grokモデルがそのボードでそのような結果を出したのは初めてです。

コーディングエージェント指数の数字は同じ話の一部だ。コーディングエージェント軸で Grok 4.6 を9点上回る一方、総合インデックスでは2点というのはノイズではない。それは、トレーニング作業が特にエージェント的・コーディング的行動に注がれたこと、そして改善したものが10種類の評価からなる広範な複合指標には転移しないことを示している。総合インデックスはリーダーボードが表示する数字だ。コーディングエージェントの数字は、長いツールループを回すチームが実際に体感する数字だ。

次に、同じベンチマークにおけるベンダーと評価者の間の不一致がある。これは、ローンチ表を読むたびに覚えておく価値のある部分だ。S​paceXAI自身のTerminal-Bench 4.0におけるGrok 4.7の数値は38%だ。Artificial Analysisによる同じベンチマークの独立実行では33%だった。5ポイント、同じ方向、1つの軸、1つのモデルについて——そしてどちらの当事者も嘘をついていない。エージェント型ベンチマークはモデル＋スキャフォールドを測定し、ハーネス設定は異なり、繰り返し実行すると変動する。それが、誰もカンニングしていないときの5ポイントのばらつきというものだ。目にするどの単一のベンダー数値の隣にでも、それを並べてみてほしい。A​nthropicのものも含めて。

これで話はM​ythos側に移り、比較を完了できない理由にもなる。A​nthropicはC​laude M​ythos 5のベンチマーク表を公表していない。その名前で出回っている数値は、すべてがベンダーから出たものではない：

• ExploitBench、78.0% — A​nthropic自身が6月のローンチ時に示した数値で、Claude Opus 4.8について挙げていた40%のほぼ2倍。ベンダーによる報告であり、再現はされていない。

• CyberGym Level 1、83.8% — このモデルの横に最も頻繁に併記される数字であり、それは A​nthropic 由来のものではない。競合比較資料に、独自のフレーミング上の思惑を伴って現れる。

• Terminal-Bench 4.0 — 6月世代は42.0%、C​laude M​ythos 5.1は60.9%（A​nthropicの9月更新資料による）。

あの3行目がこの対決に何をもたらすかに注目してほしい。両方のトラックが数値を出している唯一のベンチマークでは、C​laude M​ythos 5.1 の 60.9% は、独立に測定された Grok 4.7 の 33% をはるかに上回っている。とはいえ、これらは依然として単純に引き算できるものではない。一方はベンダー自身のハーネス上でのベンダー数値であり、もう一方は第三者によるもので、しかも異なる時点に異なる構成で実行されている。しかし、その差は十分に大きく、完全にアーティファクトである可能性は低い。そしてこれは、汎用マイクを備えたモデルが、M​ythos ティアが存在する目的の軸で競っているわけではないという、妥当な警告である。

冗長性とは、誰も印刷しないコスト行だ

Grok 4.7の料金表は、このモデルについて最も安い部分であり、その冗長さは最も高くつく部分だ。Artificial Analysisは、Grok 4.6と比べて推論トークン使用量が113%増加し、エージェント型タスク1件あたりおよそ81,000出力トークンが消費されると測定した。コンテキストを再読込するモデルと、それを再導出するモデルを突き合わせると、両者のコスト構造はまったく似なくなる。Grok 4.7はトークン単価が安く、長いエージェント型作業ではタスク単価が高い。一方、Mythosティアはトークン単価が高く、その経済性は完全にキャッシュの挙動に依存する。だからこそAnthropicの9月の刷新では、キャッシュ読み取りが$1.00から$0.25に引き下げられ、高度にエージェント的なワークロードでは最大およそ45%安くなると説明された。

81,000トークンの出力を100万トークンあたり6.00ドルの料金で計算すると、1つのタスクあたりの出力費は約49セントになる。このモデルが提供する500,000トークンのウィンドウでは、200,000トークンを超えるプロンプトは入力料金が2倍になり、それに伴ってキャッシュ料金も2倍になる。どちらの数字も欠陥ではない——より長く考えることが、推論モデルが良くなる方法なのだ——が、料金表はトークンあたりの価格であり、請求額はタスクあたりの価格であり、両者の間の倍率は、料金差よりも大きく異なる。

10月6日に変わったこと、そして変わらなかったこと

2026年10月6日、AnthropicはCyber Verification Programを3つの申請ベースの階層に再構築し、Project Glasswingを最上位層に統合し、Claude Mythos 5.1をパートナー限定の割り当てから、資格を満たすセキュリティ組織なら誰でも申請できるアクセス許可に変えた。Claude Opus 5.5とClaude Sonnet 5.5は同時にすべての階層に加わった。Anthropicによると、Defense Accessの申請は数日以内に回答され、Red Team Accessは数週間かかり、Mythosアクセス自体は承認から約5営業日遅れる。すべてベンダーによる説明であり、独自に確認されたものではなく、基準は価格ではなく検証標準のままである。

それが特に Grok 4.7 に対して意味する範囲は限定的だ。認可されたセキュリティチームにとって、これは M​ythos トラックに初めて表玄関ができたことを意味し、このモデルの歴史で初めて比較が現実のものになる。それ以外のすべての人々にとって——コーディング、ナレッジワーク、長いツールループ、Grok 4.7 が作られている仕事——この対決の A​nthropic 側は依然として閉ざされており、公平に言えば、そもそもすべき比較ではなかった。6月9日の世代は、ローンチの2日後に米国商務省の命令で世界中で停止され、7月初旬頃に審査済みの限られた米国組織向けにのみ復旧した。このモデルの存在全体はその制約によって形作られており、どれだけベンチマークを読んでも、誰が通ることを許されるかは変わらない。

ルーティングの答え、今日利用できる唯一のものです

Grok 4.7はOrcaRouterのカタログに、SpaceXAI自身の料金で掲載されています — 100万トークンあたり入力$2.00、出力$6.00、キャッシュ$0.50、そして200,000トークンの階層境界とその$4.00 / $12.00への段階的な引き上げも、ベンダーが公表するとおりに正確に反映されています — 0%のマークアップで提供されるため、料金変更は公表されたその日にここで反映されます。この精度は、ほとんどのモデル以上にこのモデルで重要です。なぜなら、200,000トークン地点の崖はこの比較における最大の価格不連続であり、それを平均値に平らにしてしまうルーターは、あなた自身の請求について誤った印象を与えることになるからです。

ルーティング層が行う2つ目のことは、冗長性の問題を、高くつく想定ではなく、安くテストできるものにすることです。81,000トークンの平均出力はあくまで平均であり、あなたのトラフィックはそのどちら側にも大きく位置する可能性があります。Grok 4.7をあなた自身のワークロードに対して実行することが、それがあなたにとって安いのか高いのかを答えられる唯一の測定であり、それを2つ目の統合なしで行えば、答えは午後一つ分で済みます。プロバイダー間の自動フェイルオーバーが残りの半分をカバーします。負荷時に長く考える推論モデルはタイムアウトを起こす可能性が最も高いものであり、エラーを返す代わりにリクエストを別のバックエンドに渡すルートは、高速なモデルよりもここで価値があります。

C​laude M​ythos 5 に求めていた能力が、低減されたセーフガード水準ではなく M​ythos クラスだったなら、ゲート付きモデルは一般公開へルーティングできず、それを変えるプラットフォーム変更は存在しない。その非ゲートの双子なら可能だ：Claude Fable 5.1 は、セーフガードをオンのままにした同じ基盤ウェイトであり、同じカタログ上で A​nthropic の定価 $10.00 / $50.00、9月のリフレッシュによる $0.25 のキャッシュ読み取りが適用された状態にあり、これと Grok 4.7 の間の切り替えはモデル文字列の変更で済む。

結論はタイトルが示唆するより限定的で、率直に言う価値がある。一般的なエージェント作業では、Grok 4.7 はこの2つのうち頼りにできる唯一のものであり、独立した証拠は、前世代に対するその優位性が、まさにあなたが使う場面に集中していることを示している——これは、広範な2ポイントの指数向上だった場合よりも良い兆候だ。C​laude M​ythos 5 は、誰かがそれと比較して測定した唯一の軸ではより強いモデルであり、その軸とは審査済みプログラム内でのセキュリティ作業だ。もしあなたの仕事がそれでないなら、興味深い問いは M​ythos 対 G​rok ではない。あなた自身のトラフィックにおける Grok 4.7 のタスクあたりコストが、現在実行しているモデルを下回るかどうかだ。

そうした話は決して仮定ではない。このようなリリースの背景にある、記録に残されたAIの障害やエージェントのインシデントはOrcaRouter AIインシデントアーカイブに集められており、各項目には独自の情報源、深刻度、信頼度グレード、係争中フラグが付されています。