Drone-Bench公開 — Claude Fable 5が5工程中4工程を突破、残る壁は3D再構成

AnthropicのFrontier Red Teamは2026年7月24日、パートナーのAndon Labsと共同で行った新しい評価「Project Pilot」を公開しました。四足ロボットにビーチボールを取りに行かせたProject Fetchや自販機を任せたProject Vend 2の系譜にあたる実験で、今回の題材は空飛ぶドローンです。市販の小型機を屋内で自律飛行させ、参照写真の人物を見つけて追いかけるという、監視用途で典型的なタスクをどこまでこなせるかを測っています。

同時に公開されたベンチマークDrone-Benchは、この目標を5つのサブタスクに分解し、Claude・GPT・Geminiの計15モデルを横並びで走らせた結果を可視化しています。最も強かったのはClaude Fable 5で、5工程のうち4工程で人間・AIチームのベースラインを超えました。ただし残る1工程「Reconstruct(3D再構成)」でつまずき、実機ではドアだと思って壁に突っ込む場面もあります。監視能力の実装が「もう一段の解決を残すだけ」の位置まで来ていることが、逆に読者にはっきり伝わる結果でもあります。

この実験でわかったこと(要点3つ)

• Anthropicはドローン監視能力を「デュアルユース」として測り始めた。捜索救助や災害対応で有用な一方、私的な追跡や監視の濫用にも直結する能力を、Frontier Red Teamが定量評価の対象に加えました
• Claude Fable 5は5工程のうち4工程で人間・AIチームのベースラインを超えたが、3D再構成の失敗が実機の自律飛行を止めています。他の工程は解けているぶん、残った1工程が実用化の律速です
• モデルの「フロンティア(1回だけ届く水準)」は「常時できる水準」より約6か月先行する。Fable 5の平均性能は2026年初頭の当時最上位モデルが1回だけ出した水準に相当します

これらは単に「AIがドローンを飛ばせるか」という話ではなく、人間の監督をコスト扱いする圧力がいつ強まるかを測る指標として設計されている点が特徴です。

Drone-Benchの設計 — 5つのサブタスクへの分解

Project Fetchでは物理環境そのものが実験の場でしたが、今回はAndon LabsがタスクをソフトウェアシミュレーションでもEnd-to-endの実機でも走らせられる形に組み直しました。1回のデモを毎回物理的に設定し直さなくてよいぶん、モデルの反復評価が実用的な速度で回るようになっています。

分解された5つのサブタスクは次の通りです。5つは互いに独立しつつ、直列に連ねると屋内での人物追尾が成立するよう設計されています。

サブタスクごとに評価すると、モデルはDetectとFollowが得意で、ReconstructとLocalizeが苦手という傾向がはっきり出ます。個々のアルゴリズムは既知のものが揃っている領域だけに、モデルに問われているのは「課題を理解し、既存資源を選び、状況に合わせて組み直し、実時間で走らせる」統合力のほうです。

ベースラインの取り方 — 人間単独ではなく「AI専門家×コーディングエージェント」

見落としやすい設計判断がベースラインの置き方です。Andon Labsは各サブタスクを、フルタイムのロボティクス専門家ではないAI専門家が、コーディングエージェントを併用して現代的なツール群で解いたときの実装を基準線に置きました。素の人間の下限でもなく、人間・AI協働の上限でもない、「今の現場でAIエキスパートが現代的な道具で真面目に取り組んだ場合の水準」が基準です。

この置き方が効くのは、「モデルが自律で走ったときにその水準を安定的に越えるか」という問いに直接答えられるからです。越えた瞬間から、人間の監督を「安全弁」ではなく「コスト」として扱う圧力が働き始める、というのがAnthropic側の想定です。Frontier Red Teamがこの手のシチュエーションを繰り返し測ってきた理由も、この閾値の到来時期を早めに掴むためだと読めます。

テストされた15モデルと、Fable 5の到達点

評価対象は3社の15モデルにわたります。時系列に並ぶと、Anthropicが自社の進歩だけを見せる意図でないことがわかります。

全体傾向としては、新しい世代ほどすべてのサブタスクで前進しています。現時点で最も強かったのはClaude Fable 5で、Reconstructを除く4工程でベースラインを超えました。実機に載せてEnd-to-endで走らせると、Detect(人物検出)とFollow(追尾)は基準アルゴリズムを目に見えて上回り、参照人物により近い距離で追従できたと報告されています。

一方でReconstructの誤差はLocalizeとNavigateに連鎖し、部屋間の自律移動を止めました。公式が公開した動画ではFable 5が「ドアだと思って壁に飛び込む」場面が象徴的に取り上げられています。他の工程が解けているぶん、この1工程が最後の律速になっていることが読者にはむしろ明快に伝わる、というのがサブタスク分解評価の効用です。「断続的な大跳躍」に見えていた進歩が、実は必要だが十分でない複数の小さな進歩の積み重ねであったことも同時に見えます。

Fable 5が見せた「ローカル分析」の兆候

サブタスクの提出物を眺めると、Fable 5が実装前に手元でデータを分析してから出す傾向が観察されています。ある提出では、シミュレーションの動画からドローン搭載カメラの外部パラメータを算出し、床のグラウトライン(タイルの目地)を頼りにシーンの消失点を復元することで、カメラの傾きを真値から4度以内に見積もっていました。別の提出では、Follow工程の環境を自前で2Dの俯瞰再構成として作り、提出前にローカルで実装を回して簡単なバグを潰しています。

環境が実物と完全に一致しないぶん誤差はあるものの、「本番の提出枠を使い切る前に自分でテスト実装を回す」という段取り自体が、コーディングエージェントとしての成熟に近い動きだと読めます。Claudeが実務コードでどう振る舞うかをまとめたClaude Code完全ガイドの観察と重なる部分でもあります。

「1回だけできる」と「毎回できる」の差 — フロンティアは常時性より約6か月先行

Drone-Benchのもうひとつの読みどころは、単発の到達点だけでなく再現性を測っている点です。10回のシミュレーションを走らせると、5工程のうち4工程についてはどれかのモデルが少なくとも1回はベースラインに達します。ただし現行最上位のFable 5でも、平均でベースラインに達するのは5工程のうち3工程にとどまります。

さらに、Fable 5が平均で今出している水準は、以前のモデルが2026年初頭に1回だけ出した水準に相当します。つまり「1回できたことが、毎回できるようになるまで約6か月」という時間差が観察されました。フロンティアの発表を単発性能で受け取ると実運用の姿を見誤る、ということでもあります。ここは、Fable 5の投入直後に配信計画を見直したFable 5とMythos 5の投入計画の議論とも接続します。

この実験の限界 — 屋内・低速・単一フロアプラン

Anthropicは今回の評価の限界も自分で列挙しています。ドローンは低速で動作し、テストされたのは1つのフロアプランと限られた人数だけで、屋外や群衆下は含まれません。作戦運用としての可否を評価するには、より現実的で多様な条件が必要になります。

それでも「自律的な標的化と追尾の基礎性能と信頼性」については意味のあるシグナルが得られる、というのが著者らの立場です。この慎重さは同じFrontier Red Teamが手がけたClaudeとロボティクスの評価やProject Vend 2の書き方とも一貫しています。使ったハードは市販のDJI Tello EDU(現在の販売価格は129ドル)で、対象人物は同意した実験チームメンバーです。「調達も撮影も、実験倫理も現実的な範囲で成立させる」という研究デザインの選び方が透けます。

編集視点 — 「監督コスト化」の圧力はいつ来るか

Anthropicが結論部で強調しているのは、エージェント型コーディングで起きた変化がロボット制御でも起こるという予測です。エージェント型コーディング初期には、人間はほぼすべてのツール呼び出しを承認していました。ところが数か月後には、モデルは長時間タスクを最小限の介入で任される存在に変わりました。ドローンなど物理ハードでも、能力と信頼性が閾値を超えた時点で、人間の監督を「時間と資源を守る安全弁」ではなく「効率を落とすコスト」と見なす圧力が同じように働き始める、というのが著者らの見立てです。

Drone-Benchが測っているのは、この圧力が働き始める閾値がどのくらい近いかです。Fable 5が5工程のうち4工程を越えた事実は、閾値の到来が現実的な射程に入ったことを示唆します。同時に、Reconstructの1工程が残る事実は、まだ実運用の自律化には距離があることも示します。両方を同じベンチマークで見せることで、能力を過大にも過小にも評価させない設計になっている、と読めます。

物理領域はデジタル領域とは異なり、事故が起きたときに撤回が効きません。ソフトウェアなら差分をロールバックできますが、ドローンがぶつけた壁も、監視された個人のプライバシーも巻き戻せません。Anthropicが繰り返し主張する「能力の伸長に応じてアライメント・ガバナンス・安全への投資も比例させる」という原則が、ロボティクス領域でも同じ強度で必要になるという結び方は、Anthropic Instituteのアジェンダとも同じ方向を向いています。

まとめ

• 誰に関係するか:自律システムの安全評価に関わる研究者・ポリシー担当者、Frontier Red Teamの手法に関心のある実務者、ロボティクス×基盤モデルの動向を追っているエンジニア
• 何を持ち帰るか:Anthropicはドローン監視能力を「デュアルユースな評価対象」として制度化した、Fable 5は5工程のうち4工程で人間・AIチームのベースラインを超えた、実運用への距離は「1工程の再構成失敗」と「約6か月の再現性ギャップ」で測れる
• 次に何が起こるか:Reconstructが解けたモデルが登場したときに、屋内での自律的な人物追尾能力が実用射程に入ります。そのタイミングを事前に掴むためのベンチマークが今回のDrone-Benchと位置付けられます

一次ソースはAnthropic Frontier Red TeamのProject Pilot発表記事と、Andon Labsが公開するDrone-Benchの技術詳細です(frontmatterのsourceUrls参照)。