Claudeの thinking effort(Effort Level・思考レバー)は、モデルが1回の回答に費やす思考量をLow〜Maxの5段階で決める設定だ。Anthropicの応用AIリサーチチームのAlexander Brickenが、2025年の「Code w/ Claude」の21分のセッション「The thinking lever」で設計思想を解説している。本記事はその発言と実演データを日本語で整理する。
FIVE LEVELS5段階の思考量
thinking effort はオンオフでなく5段階で決める
-
Low
最速
分類・要約・データ抽出。レイテンシ重視
知性不要
-
Medium
バランス
知性と速度の両立が要るとき
-
High
多くのタスク
xHighより速く、知性も確保
-
xHigh
既定
Claude Code と Claude.ai の標準設定
迷ったらここ
-
Max
最難関
数学証明・複雑なデバッグ・長時間エージェント
30秒でわかるthinking effort
- ・何ができる:同じモデルが答えを出すまでに使う「考える量」を5段階で選べる。
- ・何を解決する:オンオフだけでは「少しだけ考えてほしい」が表せず、簡単な質問にも最大予算を使ってしまう問題。
- ・何を代替する:thinkingを切って速度を稼ぐ従来のtoggle運用。切ると能力ごと消えるので、量はeffortで下げる。
- ・迷ったら:Claude CodeとClaude.aiの既定と同じxHighから始める。
Claude Code全体の設計は ハーネスエンジニアリング完全解説 と、ピラー記事の Claude Code|2026年版・インストールからCLAUDE.md・Hooks・本番運用までの実装手引き にある。
thinking effortとは|Claudeの考える量を決める5段階の設定
thinking effortは、Claudeが1回の回答に使う推論トークンの量を指定する設定だ。上げるほど難しい問題に強くなり、消費トークンと待ち時間が増える。Claude CodeとClaude.aiの既定値はxHighである。
・モデルそのものは変わらない。同じモデルの「考える予算」だけが変わる
・分類・要約のように知性をあまり要さないタスクはLowで足りる。数学証明や長時間エージェントはMaxが効く
・上げ続ければ良いわけではない。xHigh→Maxの性能向上は他の段階より小さく、トークンは約2倍以上になる(逓減する限界効用)
Evalsを持っていないなら、まずxHighから始めるのがAnthropic側の推奨だ。コストやレイテンシが問題になってから、HighやMediumへ下げて性能が許容範囲に収まるかを測る。
thinking effortの仕組み|Test-time computeとAdaptive Thinking
性能を上げる2つの軸
AIの性能向上には2つの軸がある。Train-time computeは学習に投じる計算量で、Test-time computeは質問に答える推論時に使うトークン量だ。「大きいモデルで答える」と「長く考えてから答える」は、別の軸で同じ種類の性能を買っている。
Brickenが示したエージェントコーディングのグラフでは、モデルサイズ軸(Haiku→Sonnet→Opus)とトークン消費軸(同一モデル・対数軸)のどちらも、最大値が同じスコア帯に収束していた。GPQA Diamond、SWE-bench、OSWorld、Humanity’s Last Examでも「思考に使うトークンが多いほど精度が上がる」傾向が確認されているという。effort levelは速度つまみではなく、実質的な知能の調整レバーだ。
Test-time computeの使い道は3つある。
| 形態 | 役割 |
|---|---|
| Thinking(思考) | 回答前のスクラッチパッド。候補の検討、矛盾の発見、戦略立案 |
| Tool calling | ウェブ検索、MCP、ファイル操作など外界とのやりとり |
| Text | ユーザーへの回答 |
effortが主に調整するのは思考の量だ。ツール呼び出しとテキストの量は問題の性質で決まる。
Interleavedから Adaptiveへ
思考の入れ方は3世代で変わってきた。
・第1世代(バッチ思考):最初にまとめて考え、全ツールを実行してから答える。「試す→考える」の往復ができない
・第2世代(Interleaved Thinking):各ツール呼び出しの後に必ず思考ブロックを挟む。Brickenはテニスで打ち返しながら次の戦略を考える動きにたとえた
・第3世代(Adaptive Thinking):考える・ツールを呼ぶ・出力する、そもそも考えない、の判断までClaudeが行う
ADAPTIVE THINKING思考の順序はモデルが決める
Adaptive Thinking は考える・調べる・答えるの順をClaudeに任せる
-
Thinking
最新情報が要ると判断
-
Tool call
Web検索を実行
-
Thinking
結果を見て追加調査を判断
-
Tool call
別のクエリで再検索
-
Text
十分と判断して回答
Adaptive Thinkingは、質問を分類器で判定して思考量を変える方式ではない。Claudeが「思考ツール」を持ち、必要なときに使う設計だ。Brickenは、検索ツールを渡すとき「必ず検索しろ」とも「検索するな」とも言わず使いどころを任せるのと同じだと説明した。Anthropicはすべてのベンチマークをこの方式で測り、Interleavedよりパレート効率的(同じトークンでより高いスコア)だと確認している。
thinking effortの違いを実演で比較|Low・High・Maxの出力差
Brickenは「一方通行の道路に信号機がある、リアルな交通シミュレーションを作れ」という同一プロンプトを、Opus 4.7のLow・High・Maxで実行して見せた。
| Low | High | Max | |
|---|---|---|---|
| 処理時間 | 50.1秒 | Lowの約2倍 | 593.1秒 |
| 出力トークン | 4,602 | Lowの約2倍 | 52,893 |
| 信号機の位置 | 道路の中央(不自然) | 道路脇(上下が逆) | 道路上部・正確 |
| 車 | 乗用車のみ | トラックも登場 | 複数車種・リアル |
| 運転の挙動 | 基本動作 | 周囲に反応して加減速 | 複雑なやりとり |
Maxの出力トークンはLowの約11倍。Highでは、プロンプトにない「ドライバーの知性」をClaudeが自発的に実装した。一方、Lowでも動くものは作れている。差が出たのは、物理的に正確なシミュレーションという高い知性を要する課題だったからだ。単純なCRUDや定型フォーマットへの変換なら、Lowで足りる場面が多い。
thinking effortの選び方|5段階の使い分けとモデルサイズの組み合わせ
段階ごとの使い分け
| Effort Level | 向いている用途 | トークン消費 |
|---|---|---|
| Max | 最難関(数学証明、複雑なデバッグ、長時間エージェント) | 最大(xHighの約2倍以上) |
| xHigh | 既定。Claude Code・Claude.aiの標準 | 高い |
| High | 知性が要るほとんどのタスク。xHighより速い | 中高 |
| Medium | 知性と速度のバランス | 中 |
| Low | 分類・要約・データ抽出、レイテンシ重視 | 少ない |
選ぶ順序はBrickenの推奨どおり、評価セットがあれば全段階を測り、なければxHighから始める。
HOW TO CHOOSE選ぶ順序
まずxHighで始め、測ってから下げる
-
1.評価セットがあれば全段階を測る
性能とコストのグラフを引き、伸びが鈍る点を最適値にする
-
2.なければ xHigh から始める
Claude Code・Claude.ai と同じ既定
-
3.コストや待ち時間が重いときだけ High・Medium を試す
性能が許容範囲に収まるかを測る
-
4.Low は知性が要らないタスクに限る
分類・抽出・リアルタイム補完
Brickenはセッションで繰り返し「Extra highは私たちがClaude Code・Claude.aiで設定したデフォルトで、知性・速度・トークン数のなかで最もパレート効率的な水準だ」と述べた。
小さいモデル+高effortか、大きいモデル+低effortか
Opus 4.7 Lowは50.1秒・4,602トークンで動くシミュレーションを出した。Haiku 4.5は24.1秒・4,413トークンで、Brickenは「あれが車なのかわからない」レベルだと評した。思考を増やしても、モデルの知識と推論力の上限は超えられない。知性が要るタスクは大きいモデルが勝つ。
| ユースケース | 推奨モデル | 推奨Effort |
|---|---|---|
| 複雑なコード生成・デバッグ、複雑な推論・分析 | Opus 4.7 | High〜xHigh |
| 汎用タスク(知性要求あり) | Sonnet 4.6 / Opus 4.7 | High |
| 分類・タグ付け、単純な要約 | Haiku 4.5 | Low〜Medium |
| データ抽出・変換、リアルタイム補完 | Haiku 4.5 | Low |
現実的には、xHighのOpusから始め、コストが問題になったらモデルを下げるかeffortを下げるかを測る順序になる。
例外:Low effortが創造的な解を生んだClaude Plays Pokémon
Brickenが「お気に入りのeval」と紹介したClaude Plays Pokémonは、Opus 4.7にゲームボーイのボタン操作ツールと画面のビジョンアクセスを与え、ポケモン赤のエリートフォーを倒させるものだ。Low effortでは、Claudeは虫除けスプレーで野生ポケモンとの遭遇を避け、ポーションでHPを管理してポケモンセンターに戻る回数を減らし、逃走とエスケープロープも使った。ゲームを正面突破せず迂回する戦略だ。
Brickenの見立ては、思考を制約すると「正解への強引な突進」が起きず、制約がなければ出てこない別の解法に落ち着くことがある、というものだ。全ユースケースに当てはまる話ではない。通常と違うアプローチを試したい場面で、意図的にLowを実験する価値がある、という位置づけだ。
thinking effortをAPIで設定する|toggleをオフにしてはいけない理由
thinking toggleは「能力の削除」
かつては「extended thinking=賢い、オフ=速い」と考えられていた。Brickenはこれを誤りだと明言した。thinkingをオフにするのは考える量を減らす操作ではなく、Thinking・Tool calling・Textの3能力のうち思考を丸ごと取り除く操作だ。検索の多い回答と少ない回答の両方を求めるとき、ツールを外さずにeffortや指示で調整するのと同じ理屈になる。
Anthropicの推奨は3つ。
・Thinkingは常に有効にしておく
・思考量はeffort levelとbudgetで制御する
・思考ブロックを挟むかどうかはモデルの判断に任せる
APIの基本形(未検証)
SDKのバージョンは pip show anthropic で確認できる。以下はセッションの内容を基にした基本形で、実行検証はしていない(未検証)。パラメータは公式の Extended thinking documentation で現行仕様と突き合わせてほしい。
import anthropic
client = anthropic.Anthropic()
response = client.messages.create(
model="claude-opus-4-7",
max_tokens=16000,
thinking={"type": "enabled", "budget_tokens": 10000}, # thinking用のトークン予算
messages=[{"role": "user", "content": "一方通行道路の交通シミュレーションを実装してください"}],
)
budget_tokens と各effort levelの対応は、Brickenの発言にない。段階ごとの数値は自分のEvalsで決める。Brickenが「理想の将来像」として挙げたのがtask budgetで、1日や1週間のタスクに時間・予算の制約を構造化パラメータで与え、Claudeがトークン配分を最適化する構想だ。2025年時点では開発中の機能だった。
thinking effortのSDK対応状況|Managed Agentsのmodel effortが追加(2026-08-01実測)
2026年8月1日時点の対応を anthropics/anthropic-sdk-python のCHANGELOGで確認した。最新版は v0.120.2(2026-07-28)、★3,870(2026-08-31時点の再確認値)、MITライセンス。
| バージョン | 公開日 | 内容 |
|---|---|---|
| v0.118.0 | 2026-07-22 | Managed Agentsのmodel effortに対応 |
| v0.119.0 | 2026-07-23 | 停止理由 model_context_window_exceeded を追加 |
| v0.120.0 | 2026-07-24 | claude-opus-5 モデルを追加 |
| v0.120.1 / v0.120.2 | 2026-07-28 | MCP拡張のバージョン制約、MCP SDK v2とv1の併存対応 |
・Managed Agentsでも思考量を設計変数にできる(v0.118.0)
・思考を強くすると出力とコンテキスト消費が増える。model_context_window_exceeded を受けたら effort を落とす制御が書ける(v0.119.0)
・Claude Codeでも v2.1.219 で claude-opus-5 が既定のOpusになり、1Mコンテキスト・fast modeが100万トークンあたり入力$10/出力$50と公表されている。本記事の比較値はOpus 4.7世代のものなので、モデルが変わったら自分のタスクで測り直す
SDKを固定している場合は、v0.118.0未満ならManaged Agentsのmodel effortが使えず、v0.119.0未満なら上記の停止理由が返らない。この2つの境界が実装できる範囲の境界になる。
まとめ|thinking effortを引く前に確認する4点
・Thinkingはオフにしない。量はeffort levelで調整する
・知性が要るなら、大きいモデル+低effortが小さいモデル+高effortに勝つ
・Evalsで最適化できるまでは、xHighを出発点にする
・Lowは知性が不要なタスクか、制約が狙いの実験に限る
あわせて読むなら、プロンプトキャッシュの設計 と エージェントの視点で道具を設計する話 がある。
参照ソース
- The thinking lever — YouTube (Code w/ Claude, 2025) — 本記事のベース動画。Alexander Bricken (Applied AI Research, Anthropic)
- Extended thinking documentation — Anthropic — Anthropic公式のthinking設定リファレンス
- Anthropic Python SDK — GitHub — CHANGELOGの参照元








