Claude Opus 4.7の高解像度ビジョンモード：98.5% XBOW精度がコンピュータ使用の本番運用対応を変える仕組み

具体的な機能

Claude Opus 4.7は2026年4月16日にローンチされ、それに伴いClaudeのコンピュータ使用機能が画面上のコンテンツをどのように認識するかに対する文書化されたアップグレードが行われました。 Claude Opus 4.7は高解像度画像入力をサポートし、最大画像解像度を1568ピクセルから長辺2576ピクセルに引き上げることで、コンピュータ使用、スクリーンショット理解、ドキュメント分析のパフォーマンスを向上させます。 これはマーケティング上の謳い文句ではなく、コンピュータ使用が実際に何ができるかを変える具体的な技術的シフトです。

2024年10月22日にClaude 3.5 Haikuと改善されたClaude 3.5 Sonnetがコンピュータ使用を導入して以来、この機能はパブリックベータ版で提供されています。しかし、ビジョンの鮮明さは常にボトルネックでした。Opus 4.7がこれを解決します。

ベンチマークが示すもの

最も重要な数字： Claude Opus 4.7は高解像度画像サポートによるコンピュータ使用の信頼性を大幅に向上させ、XBOWの視覚的鋭敏度ベンチマークで98.5%を達成した一方、Opus 4.6は54.5%でした。 その小数点が誤植かどうか疑問に思っている場合—そうではありません。これは単一次元のベンチマークにおける44ポイントのジャンプです。

XBOWベンチマークは、スクリーンショットが与えられたときにUIエレメントを正確に配置してクリックできるかどうかをテストします。54.5%では、Opus 4.6はボタンを「一般的に」見ることはできますが、ピクセル単位でそれを逃すことがよくありました。98.5%では、Opus 4.7は密集した小さなUIエレメントを人間に近い精度で配置してターゲット設定できます。これは、チェックボックス、ドロップダウン、またはスプレッドシートセル—ほとんどのエンタープライズソフトウェアを満たすような作業を伴うタスクを自動化するときに重要です。

より広いOSWorldベンチマークでは、実際のアプリケーションでのエンドツーエンドのタスク完了をテストしており、 Opus 4.7はOSWorldで78%を達成し、GPT-5.5の78.7%と同程度です。 OpenAIのフロンティアモデルとの優位性ではなく尊重すべき同等性ですが、解像度が低から高に進んだため、ギャップの縮小が起こりました。

解像度の増加が実際にどのように機能するか

公式ドキュメントはメカニズムについて明確です： 高解像度サポートは自動的であり、ベータヘッダーは必要ありません。画像は前のモデルよりも約3倍多くの画像トークンを使用する可能性があります。 Opus 4.7 コンピュータ使用APIにスクリーンショットを送信すると、モデルはより多くのピクセルの詳細を見ます—特にテキストの多いUI、フォームフィールド、以前はダウンサンプリングされて可読性が損なわれていた小さなインターフェース要素に重要です。

Claude Sonnet 4.6はClaude Opus 4.6よりもクリック操作がより機械的に正確であり、スクリーンショットが大幅なダウンスケーリングを必要とするときがより堅牢です。Claude Opus 4.7はそのギャップを狭めます。そのクリック精度はSonnet 4.6と大ざっぱに同等であり、より高い解像度制限は必要なダウンスケーリングが少ないことを意味します。 翻訳：以前のOpusバージョンでは、ビジョンシステムはスクリーンショットで目を細める必要がありました。今はそうではありません。

トレードオフはトークンコストです。各スクリーンショットは前よりも約3倍多くの入力トークンを消費するようになります。1024×768のスクリーンショットの場合、以前の推定値は約1,600トークンのコストを示していました。Opus 4.7での高解像度処理では、最悪の場合、スクリーンショットあたり約4,800トークンを見ています。 コンピュータ使用ベータはシステムプロンプトに466～499トークンを追加します。 そのため、すべてのAPI呼び出しは、スクリーンショットコンテンツに関係なく、その固定オーバーヘッドを含みます。

コンピュータ使用が実際に展開される場所

Claudeはコンピュータ使用ツールを通じてコンピュータ環境と相互作用でき、そのツールはスクリーンショット機能と自律的なデスクトップ相互作用のためのマウス/キーボード制御を提供します。 公式APIドキュメントはツールが何を行うかについて具体的です： コンピュータ使用はClaudeがデスクトップ環境と相互作用できるようにするベータ機能です。このツールは以下を提供します：スクリーンショット取得：画面に現在表示されている内容を確認 およびマウス/キーボード入力生成。

しかし、本番運用で重要なのはここです： コンピュータ使用はベータ版です。次の制限事項に留意してください：レイテンシー：コンピュータ使用の現在のレイテンシーは、人間とAIの相互作用について、通常の人間が指示するコンピュータアクションと比較して遅すぎる可能性があります。速度が重要でないユースケース（例えば、背景情報収集、自動化されたソフトウェアテスト）に焦点を当て、信頼できる環境で使用してください。 これはセキュリティドキュメントであり、正確です。コンピュータ使用は、リアルタイムのカスタマー向けの作業向けのツールではありません。

OSWorldベンチマークでは、Claudeは72.5%のスコアを獲得しています。これは2024年後期に機能が最初にローンチされたときの15%未満から上昇しました。実践的なアプリケーション：APIを持たないレガシーエンタープライズソフトウェアのワークフロー自動化、実際のユーザーとの相互作用をシミュレートすることによるWebアプリケーションのQAテスト、相互に統合されていない複数のシステム間のデータ入力。 これら3つのユースケースは、チームが大規模でこの機能を実際に展開する場所です。

文脈における視覚的精度ブレークスルー

以前のモデルの低解像度ビジョンがボトルネックでした。Opus 4.7がそれに対処しました。 これが重要な洞察です：コンピュータ使用が失敗しているのは、モデルが次に何をすべきかを「決定」できないからではありませんでした。小さなUIエレメントを十分に明確に「見える」十分な精度のある座標を生成できないためでした。視覚的鋭敏度（タスク完了ではない）を特にテストするXBOWは、解像度の増加がその具体的な問題を直接解決したため、54.5%から98.5%に上昇しました。

しかし、公式ドキュメントに重要な注意点があります： Claudeは特定の座標を出力してアクションを生成するときに間違えたり、幻覚を見たりする可能性があります。拡張思考は、モデルの推論を理解し、潜在的な問題を特定するのに役立ちます。 XBOWで98.5%でも、コンピュータ使用は完全に信頼できるわけではありません。改善は実です—多くのタスクについて使用可能と使用不可能の差です—しかし「ポイントしたまさにそこをクリック」ではありません。

価格とトークン経済学

Claude Opus 4.7がここに来ました—同じ$5/$25の価格（約750円/3,750円）、70% CursorBench（+12pp）、98.5%の視覚精度、3倍の画像解像度、そして新しいxhigh努力レベル。 トークンあたりのリスト価格は変わっていません。しかし、スクリーンショットあたりのトークン消費は3倍になりました。8つのエージェントループイテレーション（8つのスクリーンショット、それぞれ分析および処理）を必要とするタスクの場合、ビジョン/理解フェーズだけで3倍多く支出しています。

それが価値があるかどうかは、ビジョン改善が実現する精度の向上にのみ依存します。以前のセットアップがモデルが間違った場所をクリックしているため3回のアクションごとに人間による監視が必要だった場合、Opus 4.7の98.5% XBOW精度はそのレビュー手順を完全に排除するかもしれません。セットアップがすでに合理的にうまく機能していた場合、トークンコストの増加は、より安価でOSWorldで依然としてまともなパフォーマンスを発揮するClaude Sonnet 4.6へ向かわせるかもしれません。

実践で高解像度コンピュータ使用を使用する場合

文書化された安全な展開パターンは、公式APIガイダンスから直接来ています： 毎日使うサイトでより賢い：Claudeは現在、Slack、Google Calendar、Gmail、Google Docs、GitHubのナビゲート方法を理解しており、あなたがすべてのクリックを指示する必要はありません。Claudeに「会議をスケジュールして」または「ドキュメントを更新して」と言い、何をすべきかを知っています—すべてのステップを歩く必要はありません。 Anthropicは一般的なアプリケーションの新しいモデルに特化した理解をトレーニングしました—コンピュータ使用が一般的に機能しないためではなく、一般的なスクリーン読み取りコンピュータ使用がより遅く、トークンコストが高く、信頼性が低いためです。

3つの本番運用ユースケースは以下の通りです：

• APIを持たないレガシーエンタープライズソフトウェア：内部ダッシュボード、デスクトップアプリケーション、UIだけを公開するデータベース。98.5%の視覚精度は、密集した見慣れないインターフェースをナビゲートするときのクリック誤りを減らします。
• 無人バックグラウンド自動化：APIを公開していないWebアプリケーションからのデータ収集、修正できないシステムからのレポートエクスポート、複数のサイト間でのバッチフォーム入力。Opus 4.7は、ステップ間での人間の介入なしに、より複雑な複数ステップのワークフローを処理できます。
• QAおよびテストワークフロー：ユーザーが行うのと同じ方法でWebアプリケーションと相互作用することによる自動テスト。より高い視覚精度により、これはより信頼できるようになり、誤って識別されたUIエレメントが原因の偽陽性テスト障害を減らします。

セットアップと展開の現実

APIはClaudeが見る前に過剰なサイズの画像をダウンスケールし、Claudeはそれが見るイメージの座標を返すため、サーバー側のダウンスケールに頼ると必要なスケール係数がなくなります。 —これは公式ドキュメントからの直接の引用であり、一般的な落とし穴を指しています。APIを介してスクリーンショットを送信すると、Claudeは物理的な画面の*実際の*ピクセル座標を知りません。スケーリングを処理する必要があります。 Anthropicのソリューションは、Claudeに参照ポイント（画面端、既知のUIエレメント）からターゲット位置までのピクセルをカウントするようにトレーニングすることでした。このスキルにより、画面解像度、DPIスケーリング、またはアプリケーションレイアウトに関係なく、信頼できるカーソル位置が可能になります。

2026年4月30日現在、Anthropicの現在のコンピュータ使用パスはcomputer-use-2025-11-24ベータヘッダーをサポートされているClaude 4.xモデルで使用しています。 APIはまだベータ版です—本番運用展開で重要なのは、機能セット、ツール署名、および場合によっては価格が変更される可能性があるためです。 この機能はZero Data Retention（ZDR）の対象となります。組織がZDR契約を持っている場合、この機能を通じて送信されるデータはAPI応答が返された後に保存されません。 機密データを処理するチームにとって、ZDR適格性は重要です。

チームにとってこれが意味すること

98.5% XBOWベンチマークはマーケティングではありません。これはClaudeのモデルファミリーの最高階層でのコンピュータ使用の信頼性における本当のステップチェンジを表しています。過去にコンピュータ使用をテストして、クリック操作を逃したり、フォームフィールドを誤って識別したりしているため本番運用には信頼性が不足していると判断した場合、Opus 4.7の高解像度ビジョンモードはそのユースケースを実行可能にします。

しかし、「実行可能」は「人間による監視がまったく必要ない」を意味しません。 コンピュータ使用は、標準APIの機能とは異なるユニークなリスクを持つベータ機能です。これらのリスクは、インターネットと相互作用するときに高まります。 公式の推奨事項は引き続き、コンピュータ使用を隔離された環境で実行し、信頼できるワークフローに限定し、人間に重要な決定をレビューさせることです—特に最初の展開時。

トークンコストの増加は実です。本番運用にコミットする前に代表的なタスクでベンチマークを実行してください。Claudeをエージェント型自動化に既に使用しているチームの場合、Opus 4.7は、視覚の多いタスク（密集したUI、小さなフォームフィールド、スクリーンショットベースのQA）でSonnet 4.6に対してテストする価値があります。ここで精度の向上はトークンオーバーヘッドを補うかもしれません。コンピュータ使用ワークフローを新規に構築しているチームの場合は、Sonnet 4.6から始めて、クリック誤りがどこで発生するかを測定し、それが必要なそれぞれのモデルとワークフローに対してのみOpus 4.7にアップグレードしてください。

機能は機能しています。精度はそこにあります。残りの質問は、60%から98%の精度を得るために、ユースケースが3倍のビジョントークンコストを支払う必要があるかどうかです。多くの場合、答えはいです。その他の場合、「コストが下がるまで待つか、より安いモデルが改善されるまで待つ」です。