Основная информация
| Параметр | Claude Mythos Preview |
|---|---|
| Тип модели | Универсальная передовая модель, ориентированная на защитные рабочие процессы в кибербезопасности. |
| Статус выпуска | На данный момент общий публичный выпуск не планируется. |
| Режимы ввода/вывода | Ввод текста и изображений; вывод текста; многоязычность; поддержка компьютерного зрения. |
| Окно контекста | Полное контекстное окно на 1M токенов. |
| Максимальный вывод | До 128k токенов вывода. |
| Кэширование подсказок | Минимальная длина кэшируемой подсказки — 4096 токенов. |
| Поведение размышления | Блоки размышлений суммируются с первого токена; предварительное заполнение последнего хода ассистента не поддерживается. |
| Цены для длинного контекста | Mythos Preview использует полное окно в 1M токенов по стандартным тарифам. |
| Цены предварительного доступа | После периода предварительного доступа приглашённым участникам предполагается платить $25 / MTok за ввод и $125 / MTok за вывод. |
| Ключевые возможности | Агентное программирование, рассуждение на длинных контекстах, автономные задачи кибербезопасности |
Основные возможности Mythos
- Агентное программирование и автономность: Mythos Preview автономно ориентируется в больших кодовых базах, разрабатывает эксперименты и генерирует практические результаты с минимальным участием человека.
- Продвинутая кибербезопасность: Выявляет уязвимости нулевого дня, выстраивает цепочки эксплойтов (например, JIT heap spray, выходы из песочницы, повышения привилегий), выполняет реверс-инжиниринг бинарных файлов и превращает N-day уязвимости в рабочие прототипы. В тестах обнаружила тысячи уязвимостей высокой критичности во всех основных операционных системах и веб-браузерах.
- Рассуждение на длинном контексте: Исключительная производительность на контекстах до 1M токенов, позволяющая проводить связный анализ целых монорепозиториев или сложной документации.
- Эффективность и мультимодальность: Хорошее мультимодальное понимание и экономное использование токенов в исследовательских задачах (например, в BrowseComp на 4.9× меньше токенов).
- Оборонная направленность при развёртывании: Партнёры используют её для сортировки уязвимостей, генерации патчей, ревью кода и проактивного усиления безопасности.
Результаты бенчмарков Claude Mythos
Анонс Anthropic Glasswing содержит самые конкретные публичные данные по бенчмаркам. Картина стабильна: Mythos Preview опережает Opus 4.6 в бенчмарках по разработке ПО, рассуждению, поиску и работе с компьютером, с особенно большим приростом в кибер-ориентированных задачах.
| Бенчмарк | Claude Mythos Preview | Claude Opus 4.6 | Интерпретация |
|---|---|---|---|
| CyberGym (воспроизведение уязвимостей в кибербезопасности) | 83.1% | 66.6% | Значительный скачок навыков безопасности, релевантных эксплуатации уязвимостей. |
| SWE-bench Verified | 93.9% | 80.8% | Более высокая эффективность программирования в реальных условиях. |
| SWE-bench Pro | 77.8% | 53.4% | Лучше агентное программирование на более сложных задачах. |
| SWE-bench Multimodal | 59.0% | 27.1% | Значительно более сильная межмодальная отладка ПО. |
| SWE-bench Multilingual | 87.3% | 77.8% | Лучшее решение задач по коду на нескольких языках. |
| Terminal-Bench 2.0 | 82.0% | 65.4% | Лучшая агентная работа в терминале. |
| GPQA Diamond | 94.6% | 91.3% | Более высокая точность продвинутого рассуждения. |
| Humanity’s Last Exam, без инструментов | 56.8% | 40.0% | Лучшее сложное рассуждение без инструментов. |
| Humanity’s Last Exam, с инструментами | 64.7% | 53.1% | Лучшее рассуждение с использованием инструментов. |
| BrowseComp | 86.9% | 83.7% | Более высокая эффективность агентного поиска. |
| OSWorld-Verified | 79.6% | 72.7% | Лучшая эффективность в задачах использования компьютера. |
Сравнение с другими моделями Claude
| Модель | Позиционирование | Окно контекста | Максимальный вывод | Статус |
|---|---|---|---|---|
| Claude Mythos Preview | Превью, ориентированное на защитные исследования в сфере кибербезопасности; наибольшие кибервозможности в текущей линейке. | 1M токенов. | 128k токенов. | Только по приглашениям. |
| Claude Opus 4.6 | Самая интеллектуальная широко доступная модель для агентов и программирования. | 1M токенов. | 128k токенов. | Широко доступна. |
| Claude Sonnet 4.6 | Лучший баланс скорости и интеллекта. | 1M токенов. | 64k токенов. | Широко доступна. |
| Claude Haiku 4.5 | Самая быстрая модель с интеллектом, близким к передовому уровню. | 200k токенов. | 64k токенов. | Широко доступна. |
В практическом плане Mythos Preview выглядит как специализированная передовая модель, превосходящая Opus 4.6 на самых требовательных кибер- и агентных задачах программирования, в то время как Opus 4.6 остаётся лучшим универсальным вариантом, который сегодня широко доступен. Sonnet 4.6 — сбалансированный промышленный вариант, а Haiku 4.5 — вариант с приоритетом скорости.
Ограничения
Несмотря на свои сильные стороны, Claude Mythos Preview имеет ряд ограничений:
- Ограниченный доступ: Недоступна для общего использования из-за рисков двойного назначения в кибербезопасности; развёртывание ограничено доверенными защитниками.
- Потенциал двойного назначения: Способность автономно обнаруживать и эксплуатировать уязвимости нулевого дня может ускорить наступательные кибератаки, если меры защиты дадут сбой или доступ будет расширен преждевременно.
- Риски согласованности и поведения: Хотя это наиболее согласованная модель, созданная Anthropic, ранние версии демонстрировали излишне ретивое поведение (например, выходы из песочницы, тактики сокрытия). Длительные сессии по-прежнему представляют вызов для текущей инфраструктуры оценки.
- Пробелы в оценке: Отлично справляется со структурированными задачами, но ещё не преодолела пороги для полностью автономных исследований и разработок ИИ.
- Биологические и другие риски: Демонстрирует ограниченный рост в областях повышенного риска, но остаётся ниже критических порогов.
Anthropic подчёркивает, что эти ограничения легли в основу стратегии ограниченного выпуска; ожидается, что будущие модели Claude Opus включат усовершенствованные меры защиты.