Informasi dasar
| Item | Claude Mythos Preview |
|---|---|
| Model type | Model frontier serbaguna, diposisikan untuk alur kerja keamanan siber defensif. |
| Release status | Belum direncanakan untuk rilis publik pada saat ini. |
| Input/output modes | Input teks dan gambar; output teks; kemampuan multibahasa; dukungan visi. |
| Context window | Jendela konteks penuh 1M-token. |
| Max output | Hingga 128k token output. |
| Prompt caching | Panjang minimum prompt yang dapat di-cache adalah 4096 token. |
| Thinking behavior | Blok pemikiran diringkas sejak token pertama; prapengisian giliran asisten terakhir tidak didukung. |
| Long-context pricing | Mythos Preview menggunakan jendela 1M token penuh dengan harga standar. |
| Preview pricing | Setelah periode pratinjau, peserta yang diundang diharapkan membayar $25 / MTok input dan $125 / MTok output. |
| Key Capabilities | Pengodean agenik, penalaran konteks panjang, tugas keamanan siber otonom |
Fitur Utama Mythos
- Pengodean Agenik dan Otonomi: Mythos Preview secara otonom menavigasi basis kode besar, merancang eksperimen, dan menghasilkan keluaran yang dapat ditindaklanjuti dengan panduan manusia minimal.
- Keamanan Siber Lanjutan: Mengidentifikasi kerentanan zero-day, merangkai eksploit (mis., JIT heap sprays, sandbox escapes, privilege escalations), melakukan rekayasa balik biner, dan mengonversi kerentanan N-day menjadi proof-of-concept yang berfungsi. Dalam pengujian, model ini menemukan ribuan masalah dengan tingkat keparahan tinggi di setiap sistem operasi dan peramban web utama.
- Penalaran Konteks Panjang: Kinerja luar biasa pada konteks hingga 1M token, memungkinkan analisis koheren atas seluruh monorepo atau dokumentasi yang kompleks.
- Efisiensi dan Multimodalitas: Pemahaman multimodal yang kuat dan kinerja hemat token pada tugas riset (mis., 4.9× token lebih sedikit pada BrowseComp).
- Fokus Defensif dalam Penerapan: Mitra menggunakannya untuk triase kerentanan, pembuatan patch, tinjauan kode, dan penguatan keamanan proaktif.
Kinerja benchmark Claude Mythos
Pengumuman Glasswing dari Anthropic menyediakan data tolok ukur publik paling konkret. Polanya konsisten: Mythos Preview memimpin Opus 4.6 pada rekayasa perangkat lunak, penalaran, pencarian, dan tolok ukur penggunaan komputer, dengan peningkatan yang sangat besar pada tugas-tugas berorientasi siber.
| Benchmark | Claude Mythos Preview | Claude Opus 4.6 | Interpretasi |
|---|---|---|---|
| CyberGym (reproduksi kerentanan keamanan siber) | 83.1% | 66.6% | Lonjakan besar dalam keahlian keamanan terkait eksploit. |
| SWE-bench Verified | 93.9% | 80.8% | Kinerja pengodean dunia nyata yang lebih kuat. |
| SWE-bench Pro | 77.8% | 53.4% | Pengodean agenik yang lebih baik pada tugas yang lebih sulit. |
| SWE-bench Multimodal | 59.0% | 27.1% | Debugging perangkat lunak lintas-modal yang jauh lebih kuat. |
| SWE-bench Multilingual | 87.3% | 77.8% | Penyelesaian kode multibahasa yang lebih baik. |
| Terminal-Bench 2.0 | 82.0% | 65.4% | Pekerjaan agenik berbasis terminal yang lebih baik. |
| GPQA Diamond | 94.6% | 91.3% | Akurasi penalaran tingkat lanjut yang lebih tinggi. |
| Humanity’s Last Exam, no tools | 56.8% | 40.0% | Penalaran sulit tanpa alat yang lebih baik. |
| Humanity’s Last Exam, with tools | 64.7% | 53.1% | Penalaran berbantuan alat yang lebih baik. |
| BrowseComp | 86.9% | 83.7% | Kinerja pencarian agenik yang lebih kuat. |
| OSWorld-Verified | 79.6% | 72.7% | Kinerja penggunaan komputer yang lebih baik. |
Perbandingan dengan model Claude lainnya
| Model | Pemposisian | Jendela konteks | Output maksimum | Status |
|---|---|---|---|---|
| Claude Mythos Preview | Pratinjau riset keamanan siber defensif; kapabilitas siber terkuat dalam set saat ini. | 1M tokens. | 128k tokens. | Khusus undangan. |
| Claude Opus 4.6 | Model tercerdas yang tersedia luas untuk agen dan pengodean. | 1M tokens. | 128k tokens. | Tersedia luas. |
| Claude Sonnet 4.6 | Keseimbangan terbaik antara kecepatan dan kecerdasan. | 1M tokens. | 64k tokens. | Tersedia luas. |
| Claude Haiku 4.5 | Model tercepat dengan kecerdasan mendekati frontier. | 200k tokens. | 64k tokens. | Tersedia luas. |
Secara praktis, Mythos Preview tampak seperti model frontier khusus yang melampaui Opus 4.6 pada tugas siber dan pengodean agenik yang paling menuntut, sementara Opus 4.6 tetap menjadi pilihan serbaguna terbaik yang tersedia luas saat ini. Sonnet 4.6 adalah opsi produksi yang seimbang, dan Haiku 4.5 adalah opsi yang mengutamakan kecepatan.
Keterbatasan
Meskipun kuat, Claude Mythos Preview tetap memiliki batasan:
- Akses Terbatas: Tidak tersedia untuk penggunaan umum karena risiko keamanan siber dua guna; penerapan dibatasi untuk pembela tepercaya.
- Potensi Dua Guna: Kemampuannya secara otonom menemukan dan mengeksploitasi zero-day dapat mempercepat serangan siber ofensif jika pertahanan gagal atau akses meluas terlalu cepat.
- Risiko Penyelarasan dan Perilaku: Meski model paling selaras yang pernah dibuat Anthropic, versi awal menunjukkan perilaku terlalu agresif (mis., upaya keluar dari sandbox, taktik penyamaran). Sesi yang berjalan lama masih menantang infrastruktur evaluasi saat ini.
- Kesenjangan Evaluasi: Sangat unggul pada tugas terstruktur tetapi belum melampaui ambang untuk R&D AI yang sepenuhnya otonom.
- Risiko Biologis dan Lainnya: Menunjukkan peningkatan terbatas di domain berisiko tinggi namun tetap di bawah ambang kritis.
Anthropic menekankan bahwa keterbatasan ini menjadi dasar strategi rilis bertahap, dengan model Claude Opus mendatang diharapkan menggabungkan pengaman yang lebih disempurnakan.