Gemini 4 Argon vs Claude Fable 5.1：エージェントの費用と品質
| ワークフロー | 最初の選択 | 切り替えを正当化する結果 |
|---|---|---|
| 長いレポートやコードの成果物に出力の余裕が必要 | 出力予算を明示して Argon を評価 | 遅延やレビュー負担を増やしすぎず、完成した成果物の合格数が増える |
| Fable エージェントが thinking ブロックやキャッシュ挙動に依存 | Fable をベースラインとして維持 | Argon がタスク完了品質を保ち、運用負担全体を減らす |
| 繰り返すプレフィックスがトークン使用量の大半を占める | 実際のプレフィックス再利用パターンで両方をテスト | 名目上の割引ではなく、観測したキャッシュヒットとタスク総支出 |
| 再試行や人による復旧が多い | 両ルートの完全なトレースを比較 | 失敗ループ、復旧回数、レビュー時間の減少 |
ステータスと証拠の表
| 質問 | Gemini 4 | Claude Fable 5.1 | 安全な判断 |
|---|---|---|---|
| 公式ステータス | 発表済み・限定提供 | Claude Fable 5.1 · 2026-09-01 | 名目上のトークン単価と提供元評価は比較できますが、同一業務・同条件での EvoLink テストは未実施です。 |
| 提供元 API のモデル ID | 発表では確定していない。ゲートウェイへのリクエストには EvoLink モデルページの設定済み ID を使う | claude-fable-5-1（Anthropic） | 選択したルートの文書化済み ID を使い、提供元とゲートウェイの識別子を区別する |
| コンテキストと最大出力 | Google が発表した出力上限は100万トークンで、長い推論と生成を想定しています。これは出力上限であり、入力コンテキスト長の確定値や EvoLink のパラメータ保証ではありません。 | 1M コンテキスト。最大出力 128K（Anthropic） | トレースが実際にウィンドウのどれだけを消費するかを記録する |
| 入力モダリティ | 公開 API が対応する入力モダリティは、今後の文書での確認が必要です。 | テキストと画像入力、テキスト出力（Anthropic） | テスト前に各ワークロードが必要とするモダリティを列挙する |
| 思考の制御 | 未公表 | adaptive thinking 常時オン。デフォルト effort は high。相対レイテンシは Slower と表記（Anthropic） | 後のルートを同じ設定でテストできるよう、トレースごとに effort 設定を記録する |
| キャッシュ料金の構造 | Google の導入料金は入力100万トークンあたり2米ドル、出力100万トークンあたり10米ドルで、導入期間後はそれぞれ4米ドル、20米ドルになります。終了日は未発表です。Google の料金であり、EvoLink の見積もりではありません。 Google はキャッシュ入力を95%割引と発表しています。導入料金では100万トークンあたり0.10米ドルという計算になります（2米ドル × 5%）。 | 100 万トークンあたり入力 $10 / 出力 $50。5 分キャッシュ書き込み $12.50。1 時間キャッシュ書き込み $20。キャッシュ読み取り $0.25（Anthropic 定価） | 両側が TTL と料金を公開するまでキャッシュ経済性は比較できない |
| Batch の提供 | 未公表 | Anthropic は Batch の入力と出力を標準の 50% と掲載 | Standard は Standard と、Batch は Batch と比較する |
| 文書化された非互換変更 | 未公表 | Anthropic の移行ガイドに 3 件：強制 tool choice のエラー、古いモデルと 5.1 thinking ブロックの非互換、以前のターン編集後の thinking ブロック無効化 | 公開された非互換変更のリストはテスト可能で、存在しないものはテストできない |
| EvoLink ルート | EvoLink 経由で利用可能。モデル ID と現在の料金は Gemini 4 ページを参照 | 設定済みルート claude-fable-5-1。料金は製品ページ | どのルートでも最初のリクエストで返却モデル識別子を検証する |
Google の公開評価は初期比較に使えますが、同条件の EvoLink 実測ではありません。遅延、合格タスク単価、全面的な優位性を示すものではなく、表には Argon が上回る項目と下回る項目の両方を載せています。
Google 公開の評価結果
| 評価 | Gemini 4 Argon | Claude Fable 5.1 |
|---|---|---|
| DeepSWE v1.1 | 77.9% | 67.4% |
| FrontierSWE v2 | 55.0% | 56.3% |
スコア差を読む前に設定を確認してください。Google の評価方法は、特記がなければ pass@1 を採用し、通常は利用可能な最高の思考設定を使います。DeepSWE は mini-swe による Argon の実行と、公開リーダーボードやシステムカードの比較対象の結果を組み合わせています。FrontierSWE は Proximal のリーダーボードに基づきます。同じ EvoLink 評価環境で両モデルを再実行した結果ではありません。各スコアにベンチマークの版、評価環境、推論設定、出典を添え、パーセントポイントの差を本番の成功率の予測に置き換えないでください。
評価に値する長時間タスクはどれか
長時間エージェントの仕事は 1 種類のワークロードではありません。チームが Fable 5.1 にルーティングするトレースの大半は 5 つのタスク種別でカバーでき、それぞれに「合格」の定義があります。種別ごとにベースラインを記録し、Argonも種別ごとに判定してください。
| ワークロード | 「合格」の意味 | 今 Fable 5.1 で記録すべきこと | Argon の評価でそろえる条件 |
|---|---|---|---|
| 複数ファイルにわたるリポジトリ修復 | テストが通り、差分がレビューされ、無関係なファイルに触れていない | 読み書きしたファイル、ツール呼び出し、リトライ、レビュアーの所要時間（分）、合格修正あたりのトークン | 同じタスクセット、テストスイート、レビュアーのルーブリック |
| 多段階のリサーチとナレッジ成果物 | 引用が解決し、構成がブリーフに合い、裏づけのない主張がない | 取得したソース、要求された修正回数、成果物あたりの事実訂正 | 同じブリーフとファクトチェックの手順 |
| 数時間に及ぶツールループ | 停止条件で終了し、最終状態が有効 | ループ回数、失敗したツール呼び出し、チェックポイント、再開イベント、終了までの実時間 | 同じツール、権限、リトライ予算、停止ルール |
| 長文ドキュメントからの構造化抽出 | 出力がスキーマに適合し、サンプリングしたフィールドがソースと一致 | ドキュメント長、スキーマ失敗、再実行、固定サンプルでのフィールド精度 | 同じドキュメント、スキーマ、サンプル |
| カスタマーサービスの多段階ツールフロー | 人によるエスカレーションなしにポリシー内でチケットが解決 | エスカレーション、誤ツール呼び出し、ポリシー違反、処理時間 | 同じフロー定義とポリシーチェック |
同条件の実測結果がまだないため、どの行も推奨モデルを挙げていません。2 つのルートを比較する前に、この表で「同じタスク」の意味を固定します。
コンテキスト再利用とキャッシュ条件
長時間エージェントはリポジトリの文脈、ツール定義、指示を繰り返し送ります。発表されたキャッシュ割引で初期計算はできますが、費用全体の比較には利用条件の一致が必要です。
Google はキャッシュ入力を95%割引と発表しています。導入料金では100万トークンあたり0.10米ドルという計算になります（2米ドル × 5%）。 キャッシュの書き込み・保存料金、TTL、適用条件、導入期間後のキャッシュ条件、ゲートウェイ対応は API 仕様の確認が必要です。 5分と1時間のキャッシュ、あるいは自動プレフィックスキャッシュと共有可能な明示的オブジェクトは同等ではありません。TTL、範囲、最小サイズ、サービスモードをそろえてから節約を判断してください。
Fable 5.1 は記録の枠組みを与えてくれます。Anthropic は 100 万トークンあたり 5 分キャッシュ書き込み $12.50、1 時間書き込み $20、キャッシュ読み取り $0.25、Batch は標準入力・出力の 50% と文書化しています。すべての Fable トレースについて次を記録してください。
- どの TTL を選び、なぜか（5 分未満のターン間隔か、1 時間書き込みを正当化する間隔か）。
- キャッシュ済みプレフィックスのサイズと、タスク途中で変わった頻度。変更によって、影響を受けたキャッシュ済みプレフィックスを再利用できなくなる場合がある。
- ターンごとのキャッシュ読み取りトークンと新規入力トークン。
- トレースが Standard か Batch か、そして実行時点で Anthropic の料金ページが Batch とキャッシュ倍率をどう組み合わせていたか。
リトライ、復旧、人による引き継ぎのコスト
これは仕様表には決して現れない層であり、長時間エージェントの予算の大半が実際に失われる場所です。人が詰まりを解消した後に 3 回目の試行で完了したトレースは、1 回で完了したトレースと同じコストではありません。トレースごとに 6 つのイベントを、タイムスタンプとトークン数とともに記録してください。
- ループ検出。 同じ引数の同じツール呼び出しが、事前に設定したしきい値を超えて繰り返されること。停止ルールが発動するまでに何ターン消費したかを記録する。
- 失敗したツール呼び出し。 プロバイダー側エラー、ツール側エラー、モデル側の不正な呼び出しを分ける。不正な形式の呼び出しは、モデルまたは接続実装の問題を示す可能性がある。差をモデルに帰属させる前に、提供元やツールの障害とは原因を分けて調べる。
- チェックポイントの整合性。 保存した各状態が実際にタスクを復元できるか検証する。再開できないチェックポイントは無駄な出力に加えて完全な再実行を意味する。
- 中断後の再開。 レート制限、タイムアウト、オペレーターの一時停止の後にコンテキストを再構築するために費やしたトークンを、初回実行トークンとは別に数える。
- thinking ブロックの無効化。 Anthropic の移行ガイドは、以前のターンを編集すると保持された Fable 5.1 の thinking ブロックが無効になると文書化している。圧縮や修正のために履歴を書き換えるフレームワークはこれを引き起こす。頻度と再思考のコストを記録する。Gemini 4 に同等のルールがあるかは公表されていない。
- 人による引き継ぎ。 タスクの詰まり解消、修正、仕上げに費やしたレビュアーの所要時間（分）を時間として記録し、API 合計の中に消えないようにする。
これらは別のインシデントログではなく、トレース記録のフィールドとして保存してください。合格タスク単価が意味を持つのは、リトライ、再開、レビュアーの所要時間（分）がトークンと同じタスク ID に載っているときだけです。
タスクの総コスト変数表
以下のすべての数値の分母は、完了して受け入れを通過したタスクです。完了したがレビューに落ちたタスクは支出には含まれます（支払ったので）が、分母には含まれません。API 支出と人の時間は別の列に置き、分数を金額に換算するのは報告層でのみ、財務チームが所有するレートで行います。
| 変数 | 今日 Fable 5.1 で記録する方法 | Gemini 4 の状況 |
|---|---|---|
| 入力トークン | ターンごとの新規（非キャッシュ）入力を、EvoLink が返す usage カウンターからタスク単位で合計 | Google の導入料金は入力100万トークンあたり2米ドル、出力100万トークンあたり10米ドルで、導入期間後はそれぞれ4米ドル、20米ドルになります。終了日は未発表です。Google の料金であり、EvoLink の見積もりではありません。 |
| キャッシュ書き込み | 書き込んだトークンを 5 分と 1 時間の TTL で分け、タスクごとの書き込み回数とともに | 選択したルートの文書と実際のタスクトレースから記録する |
| キャッシュ読み取り | タスクごとにキャッシュから提供されたトークン。ヒット率（キャッシュ読み取り / (キャッシュ読み取り + 新規入力)）も記録 | Google はキャッシュ入力を95%割引と発表しています。導入料金では100万トークンあたり0.10米ドルという計算になります（2米ドル × 5%）。 キャッシュの書き込み・保存料金、TTL、適用条件、導入期間後のキャッシュ条件、ゲートウェイ対応は API 仕様の確認が必要です。 |
| 出力トークン | 各呼び出しの実際の課金対象出力を合計。課金される推論も含め、見える回答とツール引数だけを数えない | Google が発表した出力上限は100万トークンで、長い推論と生成を想定しています。これは出力上限であり、入力コンテキスト長の確定値や EvoLink のパラメータ保証ではありません。 |
| ツール呼び出しと外部コスト | タスクごとの回数と、従量課金コスト（検索、コード実行、サードパーティ API） | 選択したルートの文書と実際のタスクトレースから記録する |
| リトライ | 初回以降の試行と試行ごとのトークンを、同じタスク ID に紐づけて | 選択したルートの文書と実際のタスクトレースから記録する |
| フォールバックルートの使用 | いずれかのターンが別モデルで提供されたか、どのモデルかを、返却された model フィールドで検証 | 選択したルートの文書と実際のタスクトレースから記録する |
| 人によるレビュー時間（分） | タスクごとのレビュアーとオペレーターの時間を分数で記録 | 自分のタスク実行で測定する。提供元の公開値ではない |
| 受け入れまでの実時間 | タスク開始から合格結果までの時間。待ち時間と人のターンを含む | 自分のタスク実行で測定する。提供元の公開値ではない |
| 合格タスク率 | 期間内のワークロード種別ごとの合格タスク数 / 試行タスク数 | 自分のタスク実行で測定する。提供元の公開値ではない |
合格タスク単価は API 支出を合格タスク数で割ったもので、合格タスクあたりのレビュー分数と並べて報告します。API 支出が下がるだけでは総費用の削減は証明できません。自分の人件費率でレビュー時間を費用に含めてから、節約になるか判断してください。
完了品質の受け入れ
1 つのモデルにしか機能しない受け入れルーブリックは、ルーブリックではなく好みです。モデルが変わっても生き残る受け入れを構築してください。
- 客観的なチェックを最初に。 テストが通る、スキーマが検証される、引用が解決する、差分が宣言したファイルのみに触れる。二値であり、すべてのトレースで安価に実行できる。
- レビュアーのルーブリックを次に。 ワークロード種別ごとの短い固定チェックリスト（正確性、完全性、安全性、ブリーフへの準拠）を、どのルートが出力を生成したか知らないレビュアーが採点する。
- 反復実行。 各タスクを複数回実行し、合格タスク率を範囲として報告する。1 回の成功を能力として昇格させないため。
- 不確実性の報告。 すべての結果の隣にサンプルサイズ、設定（effort、ツール、TTL）、失敗リストを公開する。サンプルサイズのない率は証拠ではない。
EvoLink 経由で業務別の比較を実施し、リプレイ、シャドー、カナリアの各段階で既存の基準、合格条件、フォールバックを維持してください。API が使えることは評価の出発点であり、品質や費用の優位性を証明するものではありません。
シャドートラフィックとロールバック計画
Argon も他の新ルートと同じ 3 段階で導入し、全期間を通じて Fable 5.1 を測定済みのベースラインとして維持します。
- リプレイ。 記録済みの Fable 5.1 トレースを候補にオフラインで与え、同一入力での合格タスク率と合格タスク単価を比較する。
- シャドー。 実リクエストを両ルートに送り、Fable 5.1 の回答を提供し、候補を静かに採点する。ユーザーに露出せずにループとツールエラーを表面化させる。
- カナリア。 1 つのワークロード種別を小さな割合でルーティングし、観測期間を通じてゲートが維持される場合のみ拡大する。
テスト開始前に設定する昇格ゲート：合格タスク率がベースライン以上、受け入れまでの p95 実時間が合意した範囲内、リトライとフォールバックを含む合格タスク単価がベースライン以下、期間内にそのワークロード種別でインシデントゼロ。
ロールバックのトリガー：いずれかのゲートが合意した連続日数にわたって失敗、または顧客に到達するインシデント 1 件。ロールバックはコードのデプロイではなくゲートウェイ設定の変更であり、それがモデル選択をアプリケーションコードではなくルーティング設定に置くべき理由です。
model フィールドと usage カウンターを読み、設定したルートとの一致を確認します。ゲートウェイでは設定との整合性を調べるものであり、返却ラベルだけで基盤モデルの正体を独立に証明できるわけではありません。ルート記録と課金を照合し、説明のつかないフォールバックを調査してください。新しいルートの最初のリクエストで実施し、シャドー中も継続して、結果をコスト表のフォールバックルート欄に記録します。進歩とはみなさないもの
- 完了した長時間タスクの実績を伴わない、噂のより大きな Gemini 4 コンテキストウィンドウ。
- リトライ、再開、より長い出力、追加のレビュー分数で相殺される、より低い見出し価格。
- 設定、サンプルサイズ、再現可能なタスクセットのない、リークされたベンチマークのスクリーンショットやサードパーティの仕様表。
- 新しい名前を掲げながら、古いモデルや不透明なフォールバックを返すルート。
- 反復実行や観測期間全体で消える、1 日限りの合格タスク率の上振れ。
これらの却下ルールを今、受け入れルーブリックと同じドキュメントに書いてください。この手順を省くチームは、最初の刺激的な結果に合わせて成功を再定義しがちです。
EvoLink で Claude Fable 5.1 を評価 EvoLink で Gemini 4 Argon を評価FAQ
エージェント用途で Gemini 4 のコストが Claude Fable 5.1 より低いと、今日誰かが証明できますか？
個別の本番業務ではまだ証明できません。発表単価は比較モデルの標準基本料金より低いものの、利用可否、実際のトークン数、キャッシュ適用、再試行、合格品質を測定して初めて総費用を判断できます。
キャッシュ料金をプロバイダー間で直接比較できますか？
Google はキャッシュ入力を95%割引と発表しています。導入料金では100万トークンあたり0.10米ドルという計算になります（2米ドル × 5%）。 キャッシュの書き込み・保存料金、TTL、適用条件、導入期間後のキャッシュ条件、ゲートウェイ対応は API 仕様の確認が必要です。 5分と1時間のキャッシュ、あるいは自動プレフィックスキャッシュと共有可能な明示的オブジェクトは同等ではありません。TTL、範囲、最小サイズ、サービスモードをそろえてから節約を判断してください。
失敗した長時間タスクのコストはどう数えますか？
すべての試行、再開、レビュアーの所要時間（分）を同じタスク ID に紐づけます。失敗した、または受け入れられなかったタスクは総支出には残りますが、合格タスクの分母には入れません。合格タスクあたりの API 支出とレビュー時間（分）は別々に報告します。総コストに合算する場合は、適用する人件費の単価を明示してください。
Gemini 4 が公開していない機能はどう記録すべきですか？
「［日付］時点で未公表」という値でフィールドを作ります。Gemini 3.x の値、リークされた数字、ゼロで埋めないでください。Google が契約を公開したらプレースホルダーを置き換え、変更日を記録して過去の比較が誠実なままになるようにします。
新しいルートをテストしながら、検証済みの Claude ベースラインを維持するには？
EvoLink 経由で業務別の比較を実施し、リプレイ、シャドー、カナリアの各段階で既存の基準、合格条件、フォールバックを維持してください。API が使えることは評価の出発点であり、品質や費用の優位性を証明するものではありません。
Fable 5.1 は今 EvoLink で利用できますか？
claude-fable-5-1 という名前の設定済みルートがあります。本番トラフィックをルーティングする前に、最初のリクエストで返却モデル識別子と usage カウンターを検証し、Claude Fable 5.1 製品ページで現在の料金を確認してください。ゲートウェイでの提供は本番判定ではなく、判定はあなた自身のリプレイ、シャドー、カナリアの結果から来ます。Fable 5 の接続実装を Fable 5.1 にそのまま使えますか？
情報源
- Google の Argon 発表 — 2026年9月30日
- Google が公開したモデル評価
- Anthropic：Claude Fable 5.1 モデル概要
- Anthropic：Claude Fable 5.1 移行ガイド
- Anthropic：料金、キャッシュ TTL、Batch
- Anthropic：Claude Fable 5.1 発表
- Anthropic：Claude Fable 製品ページ
- Anthropic：モデルの非推奨化
- Google：Alphabet 2026 年第 2 四半期決算に関する CEO メッセージ
- Google：Gemini 3.6 Flash 発表
- Google：Gemini API モデルカタログ
- EvoLink：Gemini 4 API ステータス
- EvoLink：Claude Fable 5.1
- EvoLink：Gemini 4 リリーストラッカー
- EvoLink：Claude Fable 5.1 vs GPT-6 Astra
