Claude Haiku 5.5 vs GPT-6 Luna 徹底比較

Anthropicは10月7日、Claude Haiku 5.5をリリースしました。10万トークン以下のプロンプトであれば、価格は入力100万トークンあたり0.10ドル、出力100万トークンあたり0.50ドルです。GPT-6 Lunaも9月22日以降、まったく同じ0.10ドルと0.50ドルに設定されており、キャッシュ料金も読み取り0.01ドル、書き込み0.125ドルと完全に一致しています。Sonnet 5.5がGPT-6 Solと同じ2ドル／10ドルの価格帯に並んでからわずか9日後、廉価帯モデルでも同様の価格一致が起きました。

価格が横並びになったことで、選択はむしろ難しくなっています。トリアージ、要約、テストスキャフォールディングといった大量消費されるワークロードこそが、この廉価帯モデルの主戦場であり、私たちは以前からこうしたタスクは安価なRuntimeに任せるべきだと主張してきました。直感だけでどちらかを選べば、結局Claude Codeに一方を、Codexにもう一方を導入することになり、ボード上には両方が混在することになります。その結果、どのアシスタント（Agent）がどの作業を担当しているのか、どの実行が完了したのか、先週の火曜日にバグの振り分けを誤ったトリアージ要約を書いたのがどちらなのか、誰にも把握できなくなってしまいます。

要点まとめ（TL;DR）

Claude Haiku 5.5とGPT-6 Lunaが同額なのは、プロンプトが10万トークン未満の場合に限られます。それ以上の長さになると、Haiku 5.5は0.50ドル／2.50ドルに跳ね上がるのに対し、Lunaは27万2,000トークンまで定価のまま据え置かれ、それを超えても0.20ドル／0.75ドルにとどまります。つまり、エージェントセッションが長期化するほどコストの差が顕著になります。両モデルを比較した唯一のベンダー公式比較表であるAnthropicの公開データでは、共通するすべての項目でHaiku 5.5が上回っています。しかしコスト対性能のグラフを見ると、知識作業ではあらゆる推論深度（Effort）でLunaのほうが1試行あたりのコストが安く、Computer UseでもMedium以外のすべてのレベルでLunaのほうが安価です（Mediumでは両者のコストは同じで、Haiku 5.5のスコアが約16ポイント高くなっています）。ただしこれは単一ベンダーの発表値であり、Haiku 5.5の第三者機関による検証結果はまだありません。プロンプトサイズと自社のタスクでの実測値に基づいてルーティングするのが賢明であり、両方のRuntimeを併用するのも十分に合理的な選択肢です。

同一価格なのはプロンプトが長くなるまで

トップラインの同価格設定が成り立つのは、特定のプロンプト長までです。両ベンダーとも長いプロンプトに対して価格改定を行っていますが、その閾値と値上げ幅は異なります。

Anthropicの料金ドキュメントにはっきりと記載されているとおり、10万トークンを超えるプロンプトには割高な料金が適用されます。一方、OpenAIのLunaモデルページでは、入力トークンが27万2,000を超えるプロンプトについて、リクエスト全体に対して入力・キャッシュ料金が2倍、出力料金が1.5倍になると記載されています。なお、バッチ処理を利用するといずれも半額になります。

この違いは、通常のチャットよりもエージェントにおいて格段に重要になります。エージェントセッションではターンごとに入力コンテキストを再送信するためです。Anthropicによると、Haiku 4.5へのリクエストの90%は10万トークン未満に収まっていたとのことですが、長時間のコーディングセッションはそうした一般的なリクエストとは異なります。Claude Codeは、Haiku 5.5を含むネイティブ100万コンテキストモデルをデフォルトで約96万7,000トークンで自動圧縮します。そのため、Haiku 5.5上で長時間Claude Codeを実行すると、ほとんどのターンを10万トークン超の帯域、つまり基本料金の5倍のコストで過ごすことになりかねません。対するCodex上のLunaなら、追加料金が発生するまでにさらに17万2,000トークンの余裕があり、割増料金が適用された後の値上げ幅も小さく抑えられています。

また、ベンダー間ではトークン数のカウント方法も単純には比較できません。Anthropicによれば、同一テキストであってもHaiku 5.5ではHaiku 4.5に比べてトークン数が約30%増加します。Hacker Newsのある投稿者の試算によると、最近のClaudeの10万トークンは、GPTの約6万〜6万5,000トークンに相当すると言われています。これは厳密な測定値ではなく推測にすぎませんが、同じリポジトリを処理する場合、Haiku 5.5のほうが安い価格枠の上限に早く達してしまうという同じ傾向を示しています。

Anthropicの比較表から読み取れること

Haiku 5.5のローンチ記事には、Lunaの数値が記載された行が6つあります。Haiku 5.5の数値は最大エフォート（max effort）時のものです。

すべての項目でHaiku 5.5がリードしています。しかし、これだけで結論を出すべきではない2つの注意点があります。1つはこれがAnthropicによる比較表であること、そしてもう1つは、ローンチページに掲載されているスコアと1試行あたりのコストのグラフを見ると、スコア単体とは異なる状況が浮かび上がってくる点です。

GDPval-AAでは、すべての推論レベルにおいてLunaのほうが1タスクあたりのコストが安くなっています。OSWorldでも、1試行あたり約13セントで同等となるMediumを除き、すべてのレベルでLunaのほうが安価です。Computer Use（コンピュータ操作）に関しては、スコアの差が非常に大きいためコスト差はそれほど問題になりません。Haiku 5.5のMedium設定は、LunaのMax設定を上回るスコアをより低いコストで達成しています。一方、知識作業ではその差は縮まります。Haiku 5.5のHigh設定とLunaのMax設定はどちらも1タスクあたり約9セントで、スコア差もわずか17 Eloポイントに過ぎませんが、Haiku 5.5をMax設定にするとLunaのMaxのほぼ10倍のコストがかかります。

さらに考慮すべき限界が2つあります。まず、OSWorldのメインスコアは部分点を含んだものです。Anthropicのシステムカードによると、Haiku 5.5の厳格な合格率（strict pass rate）は37.1%であり、Lunaの厳格な数値は公開されていません。これがレビューキューにどのような影響を与えるかについては、ブラウザエージェントに関する記事で詳しく取り上げています。また、どちらのモデルもコーディングの主力モデルではないという点にも注意が必要です。Anthropic自身も、複雑なエージェント型コーディングには依然としてSonnet 5.5やOpus 5.5のほうが適していると述べています。

各モデルを包むRuntime（実行環境）の違い

モデルの選定は意思決定の半分にすぎません。各モデルは通常それぞれ異なるRuntime内で動作し、ダッシュボード上での振る舞いも異なります。

claude-haiku-5-5 上のClaude Code：Claude Code v2.1.293以降が必要です。起動時は claude --model claude-haiku-5-5 を指定するか、/model で切り替えます。haiku というエイリアスはAnthropic API上でのみHaiku 5.5を指し、Bedrock、Google Cloud、Microsoft Foundry、AWS上のClaude Platformでは依然としてHaiku 4.5として解決されるため、完全なモデルIDを固定して指定してください。デフォルトのEffort（推論深度）はMediumで、Claude CodeではHaiku 5.5の思考機能をオフにすることはできません。また、MaxプランやTeamプランに付与される新しい月額APIクレジットはClaude Codeの対象外であるため、このRuntimeの支払いには充当できません。

gpt-6-luna 上のCodex：LunaはPlus、Pro、Business、Enterprise、EduプランのCodexで利用できます。APIの推論エフォート（reasoning effort）はnoneからmaxまで設定可能で、デフォルトはmediumです。そのため、手動で変更しない限り、どちらのモデルもデフォルトではMediumで動作します。

もう1つ、見過ごせない挙動の違いがあります。Haiku 5.5にはリクエストを拒否するセーフティ分類器が組み込まれており、サーバー側でのフォールバックはありません。また、Anthropicのシステムカードによれば、自動化された挙動監査において、Haiku 5.5は他のどのモデルよりも過剰な拒否（over-refusal）が多かったとされています。拒否が発生すると、実行は何の結果も出さずに終了します。誰も見ていないターミナル上で静かに消え去るのではなく、タスク（Task）上の明確な失敗として可視化される必要があります。

自社の実タスクで両者を比較・検証する方法

Sharklyがモデルを勝手に選ぶことはありません。Agentsのドキュメントには、「AgentはRuntimeのデフォルトモデルに従います。特定のモデル名を保証または表示することはありません。モデルを変更するには、AgentまたはRuntimeのCustom argumentsで指定してください（例: model: model-name）」と記載されています。Agent上にモデル選択のドロップダウンはありません。そのため、Runtimeごとに1つずつ、役割に応じた名前を付けた2つのAgentを用意してセットアップします。

Agent A:  Claude Code Runtime, Custom arguments  model: claude-haiku-5-5
Agent B:  Codex Runtime,       Custom arguments  model: gpt-6-luna
Tasks:    the same description and starting commit, one Task per Agent,
          drawn from jobs you actually hand the cheap tier
Accept:   one acceptance check, written before either run starts
Record:   accepted y/n, review minutes, reruns, refusals,
          whether the run crossed 100K (Haiku) or 272K (Luna) input tokens,
          provider cost from your own Anthropic and OpenAI bills

モデルの使用料金は各ツールで設定したサブスクリプションまたはAPIキー経由で課金されるため、請求は各プロバイダーから届きます。レビュー所要時間（review minutes）の検証を含めた詳細な手法は、Sonnet 5.5とGPT-6 Solの比較記事およびベンチマークではなく自社コードベースでコーディングエージェントを比較する方法にまとめています。また、Haiku特有のセットアップ手順はSharklyでClaude Haiku 5.5エージェントを実行するに掲載しています。

この2モデルの比較で追加すべき重要な記録項目は「プロンプトサイズ」です。Haiku 5.5で10万トークンを超えた処理はもはや10セントの格安タスクではありませんし、2回の再実行（rerun）が必要になった格安モデルは結果としてまったく安くなかったという事態になり得ます。これについては「格安モデルのほうがかえって高くつくケース」で論じているとおりです。

なぜ「両方を併用する」のが合理的な判断なのか

公開されているデータだけでは決定的な勝者を決めることはできず、料金体系の違いを考慮すると使い分けがほぼ必然となります。

プロンプトが10万トークン未満に収まる場合や、OSWorldで大きな強みを見せたブラウザ・デスクトップ操作タスク、あるいは上位のClaudeモデル配下のサブエージェントとして低コストタスクを実行する場合（この配置設計についてはサブエージェントか独立したAgentかの記事で解説しています）には、Haiku 5.5が適しています。一方、長いログの要約や巨大な差分（diff）の処理など、コンテキストが日常的に10万〜27万2,000トークンに達する作業や、1試行あたりのコストの絶対的な安さを最優先したい場合には、Lunaを選ぶべきです。もし現在Claude Codeのみを運用しており、実行するタスクが短いものばかりであれば、そもそも2つ目の廉価Runtimeを導入する必要はないかもしれません。

両者を併用して効果を出すためには、Runtime単位ではなく「Task（タスク）」単位で進捗や記録を一元管理することが前提となります。エージェントは調査、実行、テスト、レポートを担います。人間は方向性を決め、権限を与え、成果物を承認します。2大AIラボがわずか3週間のうちに廉価モデルの価格を完全に一致させてきたように、今後もどちらが先に動くかはわかりません。次のラウンドでどちらのRuntimeが優位に立とうとも、コンテキスト、進行状況、ブロッカー、成果物、そして人間のレビュー状況は、起票からリリースに至るまで常に可視化されていなければなりません。単一のエコシステムに縛られることなく、複数のコーディングエージェントを柔軟に活用し続けたい——Sharklyはまさにその課題を解決するために設計されています。