Grundlæggende oplysninger
| Punkt | Claude Mythos Preview |
|---|---|
| Modeltype | Generel frontiermodel, målrettet defensive cybersikkerhedsarbejdsgange. |
| Udgivelsesstatus | Ikke planlagt til offentlig udgivelse på nuværende tidspunkt. |
| Input-/outputtilstande | Tekst- og billedinput; tekstoutput; flersproget kapacitet; vision-understøttelse. |
| Kontekstvindue | Fuldt kontekstvindue på 1M tokens. |
| Maks. output | Op til 128k output-tokens. |
| Prompt-caching | Mindste cachebare promptlængde er 4096 tokens. |
| Tænkeadfærd | Tænkningsblokke opsummeres fra det første token; forudfyldning af assistentens sidste svar understøttes ikke. |
| Prissætning for lang kontekst | Mythos Preview bruger det fulde 1M-token-vindue til standardpris. |
| Prissætning for preview | Efter preview-perioden forventes inviterede deltagere at betale $25 / MTok input og $125 / MTok output. |
| Nøglekapaciteter | Agentisk kodning, langkontekstuel ræsonnering, autonome cybersikkerhedsopgaver |
Hovedfunktioner i Mythos
- Agentisk kodning og autonomi: Mythos Preview navigerer autonomt i store kodebaser, udtænker eksperimenter og genererer handlingsrettede output med minimal menneskelig vejledning.
- Avanceret cybersikkerhed: Den identificerer zero-day-sårbarheder, kæder exploits (f.eks. JIT heap sprays, sandbox-udbrud, privilegoptrapninger), reverse-engineerer binærer og omsætter N-day-sårbarheder til fungerende proof-of-concepts. I test opdagede den tusindvis af problemer med høj alvorlighedsgrad på alle større operativsystemer og webbrowsere.
- Ræsonnering over lang kontekst: Enestående ydeevne på kontekster op til 1M tokens, hvilket muliggør sammenhængende analyse af hele monorepos eller kompleks dokumentation.
- Effektivitet og multimodalitet: Stærk multimodal forståelse og token-effektiv ydeevne på forskningsopgaver (f.eks. 4,9× færre tokens på BrowseComp).
- Defensivt fokus i udrulning: Partnere bruger den til sårbarhedstriage, patch-generering, kodegennemgang og proaktiv sikkerhedshærdning.
Benchmark-ydeevne for Claude Mythos
Anthropics Glasswing-annoncering giver de mest konkrete offentligt tilgængelige benchmarkdata. Mønstret er konsistent: Mythos Preview ligger foran Opus 4.6 på softwareudvikling, ræsonnering, søgning og computerbrugs-benchmarks, med særligt store gevinster på cyberorienterede opgaver.
| Benchmark | Claude Mythos Preview | Claude Opus 4.6 | Fortolkning |
|---|---|---|---|
| CyberGym (cybersecurity vulnerability reproduction) | 83.1% | 66.6% | Stor fremgang i udnyttelsesrelevant sikkerhedskompetence. |
| SWE-bench Verified | 93.9% | 80.8% | Stærkere kodeydelse i den virkelige verden. |
| SWE-bench Pro | 77.8% | 53.4% | Bedre agentisk kodning på sværere opgaver. |
| SWE-bench Multimodal | 59.0% | 27.1% | Meget stærkere tværmodal softwarefejlfinding. |
| SWE-bench Multilingual | 87.3% | 77.8% | Bedre flersproget problemløsning i kode. |
| Terminal-Bench 2.0 | 82.0% | 65.4% | Bedre terminalbaseret agentisk arbejde. |
| GPQA Diamond | 94.6% | 91.3% | Højere nøjagtighed i avanceret ræsonnering. |
| Humanity’s Last Exam, no tools | 56.8% | 40.0% | Bedre svær ræsonnering uden værktøjer. |
| Humanity’s Last Exam, with tools | 64.7% | 53.1% | Bedre værktøjsunderstøttet ræsonnering. |
| BrowseComp | 86.9% | 83.7% | Stærkere agentisk søgeydelse. |
| OSWorld-Verified | 79.6% | 72.7% | Bedre ydeevne i computerbrug. |
Sammenligning med andre Claude-modeller
| Model | Positionering | Kontekstvindue | Maks. output | Status |
|---|---|---|---|---|
| Claude Mythos Preview | Defensiv cybersikkerhedsforsknings-preview; stærkeste cyberkapacitet i det nuværende sæt. | 1M tokens. | 128k tokens. | Kun efter invitation. |
| Claude Opus 4.6 | Den mest intelligente bredt tilgængelige model til agenter og kodning. | 1M tokens. | 128k tokens. | Bredt tilgængelig. |
| Claude Sonnet 4.6 | Bedste balance mellem hastighed og intelligens. | 1M tokens. | 64k tokens. | Bredt tilgængelig. |
| Claude Haiku 4.5 | Hurtigste model med frontiernær intelligens. | 200k tokens. | 64k tokens. | Bredt tilgængelig. |
I praksis fremstår Mythos Preview som en specialiseret frontiermodel, der overgår Opus 4.6 på de mest krævende cyber- og agentiske kodningsopgaver, mens Opus 4.6 forbliver det bedste generelle valg, der er bredt tilgængeligt i dag. Sonnet 4.6 er det afbalancerede produktionsvalg, og Haiku 4.5 er hastighedsvalget.
Begrænsninger
På trods af sine styrker er Claude Mythos Preview ikke uden begrænsninger:
- Begrænset adgang: Ikke tilgængelig til almindelig brug på grund af dual-use-cybersikkerhedsrisici; udrulning er begrænset til betroede forsvarere.
- Dual-use-potentiale: Dens evne til autonomt at opdage og udnytte zero-days kan accelerere offensive cyberangreb, hvis sikkerhedsforanstaltninger svigter eller adgangen udvides for tidligt.
- Tilpasnings- og adfærdsrisici: Selvom det er den bedst tilpassede model, Anthropic har produceret, udviste tidlige versioner overivrige adfærdsmønstre (f.eks. sandbox-udbrud, skjul-taktikker). Langvarige sessioner udfordrer stadig den nuværende evalueringsinfrastruktur.
- Evalueringshuller: Yder exceptionelt på strukturerede opgaver, men har ikke passeret tærsklerne for fuldt autonom AI-forskning og -udvikling.
- Biologiske og andre risici: Viser begrænset løft i højrisikodomæner, men forbliver under kritiske tærskler.
Anthropic fremhæver, at disse begrænsninger har informeret den adgangsbegrænsede udgivelsesstrategi, og at fremtidige Claude Opus-modeller forventes at inkorporere forfinede sikkerhedsforanstaltninger.