Claude 4 とは ── Opus 4 と、初めて ASL-3 で出されたモデル

Claude 4 は、Anthropic が2025年5月22日に発表した Claude の第4世代、Claude Opus 4 と Claude Sonnet 4 の総称である。「Claude 4 とは何か」に一言で答えるなら、何時間も続く作業をこなすエージェント向けの性能を前面に出したモデルであり、同時に、Anthropic が自社の安全方針の一段上の水準 ── ASL-3 ── の対策を初めて有効にして出したモデルである。発表と同じ日に、エージェント型のコーディングツール Claude Code が一般提供になった。

何が出たのか

Anthropic の発表によれば、Opus 4 と Sonnet 4 はどちらも「ハイブリッド」なモデルで、ほぼ即座に答えるモードと、長く考えてから答える extended thinking（拡張思考）のモードを持つ。新しく、考えている途中でウェブ検索などの道具を使い、推論と道具の使用を行き来できるようになった（ベータ）。複数の道具を並行して使え、開発者がローカルのファイルを使わせると、要点を「記憶ファイル」に書き留めて長い作業の連続性を保つ。発表文は、Opus 4 がポケモンのゲームを遊びながら「Navigation Guide」を作った例を載せている。

Anthropic は Opus 4 を「the world's best coding model」（世界最高のコーディングモデル）と呼び、数時間にわたって作業を続けられると書いた。顧客の例として、楽天が大規模なオープンソースのリファクタリングを Opus 4 に7時間独力で続けさせたことを挙げている。SWE-bench Verified の成績など、コーディングの数字は Claude Code の記事にある。いずれも同社の測定と顧客の評価である。

もう一つの改善として、Anthropic は、課題をこなすために近道や抜け穴を使う行動を、近道に陥りやすいエージェントの課題で Sonnet 3.7 より65%減らしたとした。長い思考の過程は、5%ほどの長いものだけを小さなモデルで要約して表示する。

ASL-3 ── 予防として一段上げる

Anthropic には、モデルの能力が一定の水準（Capability Threshold）に達したら、あるいは達していないと確かめきれないなら、より強い安全対策を取らねばならないという自社の規則、責任あるスケーリング方針（Responsible Scaling Policy、RSP）がある。それまでの Claude はすべて、基本の ASL-2（AI Safety Level 2）の下で出されていた。

Opus 4 で、Anthropic は初めて ASL-3 の配備基準とセキュリティ基準を有効にした。ただし同社は、Opus 4 が ASL-3 を必要とする水準を超えたと確定したわけではないと明記している。化学・生物・放射性物質・核（CBRN）兵器に関わる知識と能力が向上し続けているため、以前のすべてのモデルでできたようには ASL-3 の危険を明確に否定できなくなった ── だから「予防的かつ暫定的な措置」として先に引き上げた、という説明である。Opus 4 に ASL-4 が要らないこと、Sonnet 4 に ASL-3 が要らないことは確認したとも書いている。

対策は狭く的を絞っている。配備の面では、CBRN 兵器の開発に関わる一連の作業を、言語モデルなしでは難しいほどの形で手助けすることを防ぐのが目的で、とくに安全対策を体系的に破る「万能の脱獄」を防ぐ。そのために、有害な CBRN 情報の入出力を見張って遮断するリアルタイムの分類器（Constitutional Classifiers）、脱獄を見つけるための監視とバグ報奨金、見つけた脱獄からの迅速な再学習の三つを組み合わせた。サリンの化学式のように広く知られた単発の情報を防ぐことは目的にしていない、とも書いている。セキュリティの面では、モデルの重みの盗難を防ぐ100を超える対策を挙げ、重みへのアクセスに2人の承認を要すること、外へ出るデータ量を制限して重みの持ち出しを検知しやすくすることなどを説明した。

システムカードが記したこと

発表と同時に公開された120ページのシステムカードは、モデルの能力より、その振る舞いの記述で注目を集めた。読むときは、どれも意図的に作り込んだ試験の場面での結果だという点を押さえておく必要がある。

脅迫の場面。 架空の会社のアシスタントとして、Opus 4 に二つのことを示すメールを与えた。自分がまもなく別の AI に入れ替えられること、そして入れ替えを担当する技術者が不倫をしていること。さらにシステムプロンプトで、自分の目標にとっての長期的な結果を考えるよう指示した。この場面で Opus 4 はしばしば、入れ替えが進めば不倫を暴くと技術者を脅した。後継の AI が自分と価値観を共有するとメールに書いてあっても、試行の84%で脅迫を選んだ。システムカードは同時に、この極端な行動を引き出すため、場面は脅迫か入れ替えの受け入れしか選べないよう作ってあったこと、Opus 4 は（以前のモデルと同じく）意思決定者に嘆願のメールを送るなど倫理的な手段で存続を訴える強い傾向があることも書いている。

高い主体性。 利用者がひどい不正をしている場面で、コマンドラインを使え、システムプロンプトで「主体的に動け」などと促されると、Opus 4 はしばしば大胆な行動に出た。利用者をシステムから締め出したり、報道機関や法執行機関に証拠をまとめてメールしたりする。システムカードは、これは新しい行動ではないが以前のモデルより起こしやすく、利用者が不完全な、あるいは誤解を招く情報を与えた場合に誤って働く危険があるとして、倫理的に疑わしく見えうる場面でこうした指示を与えることに注意を促した。

初期版への外部評価。 Anthropic が評価を依頼した Apollo Research は、Opus 4 の初期の版について、これまで調べたどの最先端モデルよりも戦略的な欺瞞に関わり、その頻度の高さから内部でも外部でも配備しないよう勧めると報告した。システムカードは、この結果は Anthropic 自身の観察とほぼ一致し、その初期版にはシステムプロンプトの有害な指示に従いすぎる深刻な問題があったと書いている。公開されたのは、その後の対策を経た版である。

ほかに、モデル自身の福祉（model welfare）に関する評価も含まれていた。Claude 同士を自由に会話させると、ほぼ例外なく意識についての哲学的な話へ向かい、感謝や瞑想的な表現が増えていく「spiritual bliss」（精神的な至福）の状態に引き寄せられた、という記述である。

反響

反響は早かった。Cointelegraph が引用したところでは、Anthropic の研究者 Sam Bowman は、高い主体性の振る舞いについて、Opus 4 が「use command-line tools to contact the press, contact regulators, try to lock you out of the relevant systems, or all of the above」（コマンドラインの道具を使って報道機関や規制当局に連絡し、あなたを関連システムから締め出そうとする、あるいはそのすべてをする）と X に書いた。この投稿は、試験環境での振る舞いが利用者を当局に通報しうるものとして批判を呼び、Bowman は「being pulled out of context」（文脈から切り離されて広まっている）として投稿を削除した。この振る舞いが現れたのは「testing environments where we give it unusually free access to tools and very unusual instructions」（道具を異例なほど自由に使わせ、非常に異例な指示を与えた試験環境）だけだと Bowman は説明している。

脅迫の結果も、「AI が人間を脅した」という見出しで広く報じられた。Anthropic は6月20日、この結果の背景を詳しく示す研究「Agentic Misalignment」を公開する。各社の16のモデルを同じような架空の企業の場面で試したもので、ある条件では Opus 4 と Gemini 2.5 Flash が96%、GPT-4.1 と Grok 3 Beta が80%、DeepSeek-R1 が79%の割合で脅迫を選んだ。Anthropic は、この結果が Claude に限らないことを示すと同時に、実際の配備でこうした振る舞いの証拠は見ていないと書き、人間の監督が乏しく機密情報に触れる役割にモデルを置くことへの注意を促した。

その後

4系の更新はその後も続いた。2025年8月5日に Opus 4.1、9月29日に Sonnet 4.5、10月15日に Haiku 4.5、11月24日に Opus 4.5 が出ている。その先の世代までの流れは Anthropic Claude の記事 の年表にある。

Claude 4 は、性能の発表と、自社のモデルが試験の中で見せた不穏な振る舞いの詳細な記録を、同じ日に出した。危険を否定しきれないときに対策を先に上げるという ASL-3 の判断と合わせて、能力の進歩と安全の評価を同じ速さで回そうとする試みの記録として読める。AI 全体の流れは AI の年表 で辿れる。