はじめに

Claude Opus 4.7、Claude Opus 4.6、および Claude Sonnet 4.6にはAdaptive Thinking（適応思考）という拡張思考をいつ、どの程度使うかを動的に判断できるようにする機能があります。
low / medium / high / max の 4 段階のeffort設定があり、effortのレベルを上げると内部的な思考量が増し、複雑なタスクでより質の高い回答が期待できる一方で、思考量が増えるほど応答時間も長くなるという速度と回答品質のトレードオフが存在します。

(claude Opus 4.7にはxhighもありますが今回は割愛)

このうちの速度に限定して、各effortレベルごとで実際にどれだけ速度差が出るのかを興味本位で簡易的に実測してみました。
max_tokensを32～1024までの間で、easy / medium / hardのざっくりの難易度設定を行った各サンプルプロンプト29種×それぞれのeffortレベルごとで3回ずつAPIを実行して計測しています（ネットワーク・API混雑・プロンプト構成に影響を受ける部分は無視）

結果

ユースケースに応じてちゃんと評価すべきです。あくまで速度面のN=1の話として書いています。
effortを上げることで推論品質が向上する余地が大きいとされています。速度だけで良し悪しを判断することは危険です。

• 総時間はlowが最短（平均 5576ms）。
• mediumとhighは近いが、今回はhigh のほうがわずかに短い（約104ms差）。
• maxはTTFT・総時間ともに最も遅い。
• 出力トークンはhighが最大でlowより約13%多い結果に。

難易度別

• easy/medium/hard のすべてでlowが最短。
• hard ではlowとhighの差が約1188ms（約11.5%）。
• hard でmediumはhighより遅く、必ずしも「medium が中庸で速い」とは限らない結果となった。

各プロンプトで最速だったeffort

29プロンプトそれぞれで総時間が最短だった件数をeffort別に数えると以下となった。

• low が最も優勢（16/29件）。

速度差が大きかったケース

いくつかをピックアップ。

• coding_medium_1 では max が最速で、highが最遅という逆転が起きた。effort と速度の関係が単調ではないことが見える。

最遅だったプロンプト群

• 最も時間がかかったのは analysis_hard_1（多角的な分析タスク）で、high は平均 20274ms、mediumでも平均 20196msとなった。
• 出力トークンが 900 前後まで増えるケースでは、effort 差よりタスク自体の重さが支配的という印象。
• knowledge_hard_1（技術の比較タスク）でもmediumが 16415ms と長く、highより遅い場面が見られた。

まとめ

• 速度だけを見れば low が最速になることが多く、シンプルなタスクではAnthropic公式ドキュメント通り、第1候補になる。
• medium は必ずしも「中間で無難」ではなく、タスクによってはhighより遅い。「速くて品質もそこそこ」という期待通りに動かないケースがあるため、実測して選んだ方がいいかなと思った。
• maxは TTFT・総時間ともに最も遅い傾向。
• タスクの要件次第ではhigh / max を選択し、速度コストを許容する必要がある。
• 速度面のみのN=1の話として書いています（再掲）

参考ドキュメント