بنیادی معلومات
| آئٹم | Claude Mythos Preview |
|---|---|
| ماڈل کی قسم | جنرل پرپس فرنٹیئر ماڈل، جو دفاعی سائبر سیکیورٹی ورک فلو کے لیے موزوں طور پر مرتب کیا گیا ہے۔ |
| ریلیز کی حیثیت | اس وقت عام عوام کے لیے اجرا کا منصوبہ نہیں۔ |
| ان پٹ/آؤٹ پٹ طریقے | متن اور تصویر ان پٹ؛ متن آؤٹ پٹ؛ متعدد زبانوں کی صلاحیت؛ وژن سپورٹ۔ |
| کانٹیکسٹ ونڈو | مکمل 1M ٹوکن کانٹیکسٹ ونڈو۔ |
| زیادہ سے زیادہ آؤٹ پٹ | زیادہ سے زیادہ 128k آؤٹ پٹ ٹوکنز۔ |
| پرومپٹ کیچنگ | کم از کم کیش ایبل پرومپٹ کی لمبائی 4096 ٹوکنز ہے۔ |
| تفکر کا طرزِ عمل | تفکر بلاکس پہلے ٹوکن سے خلاصہ کیے جاتے ہیں؛ آخری اسسٹنٹ ٹرن کی پری فلنگ معاونت یافتہ نہیں۔ |
| طویل سیاق کی قیمت کاری | Mythos Preview معیاری قیمت پر مکمل 1M ٹوکن ونڈو استعمال کرتا ہے۔ |
| پری ویو قیمت کاری | پری ویو مدت کے بعد، مدعو شرکا سے $25 / MTok ان پٹ اور $125 / MTok آؤٹ پٹ کی ادائیگی متوقع ہے۔ |
| اہم صلاحیتیں | ایجنٹک کوڈنگ، طویل سیاقی استدلال، خودمختار سائبر سیکیورٹی کام |
Mythos کی اہم خصوصیات
- ایجنٹک کوڈنگ اور خودمختاری: Mythos Preview خودمختاری کے ساتھ بڑے کوڈ بیس میں نیویگیٹ کرتا ہے، تجربات وضع کرتا ہے، اور کم سے کم انسانی رہنمائی کے ساتھ قابلِ عمل آؤٹ پٹس پیدا کرتا ہے۔
- اعلی درجے کی سائبر سیکیورٹی: یہ زیرو-ڈے کمزوریاں شناخت کرتا ہے، ایکسپلائٹس کو چین کرتا ہے (مثلاً JIT heap sprays، sandbox escapes، privilege escalations)، بائنریز کا ریورس انجینئرنگ کرتا ہے، اور N-day کمزوریوں کو فعال پروف-آف-کانسیپٹس میں تبدیل کرتا ہے۔ جانچ میں، اس نے ہر بڑے آپریٹنگ سسٹم اور ویب براؤزر میں اعلی شدت کے مسائل کی ہزاروں مثالیں دریافت کیں۔
- طویل سیاقی استدلال: 1M ٹوکن تک کے سیاق پر غیر معمولی کارکردگی، جو مکمل مونو ریپوز یا پیچیدہ دستاویزات کا مربوط تجزیہ ممکن بناتی ہے۔
- موثریت اور ملٹی ماڈیلیٹی: مضبوط ملٹی موڈل فہم اور تحقیقی کاموں پر ٹوکن-موثر کارکردگی (مثلاً BrowseComp پر 4.9× کم ٹوکنز)۔
- تعیناتی میں دفاعی تمرکز: شراکت دار اسے کمزوریوں کی ترجیح بندی، پیچ جنریشن، کوڈ ریویو، اور پیشگی سیکیورٹی ہارڈننگ کے لیے استعمال کرتے ہیں۔
Claude Mythos کی بینچ مارک کارکردگی
Anthropic کے Glasswing اعلان میں سب سے ٹھوس عوامی بینچ مارک ڈیٹا فراہم کیا گیا ہے۔ نمونہ یکساں ہے: Mythos Preview سافٹ ویئر انجینئرنگ، استدلال، تلاش، اور کمپیوٹر-استعمال بینچ مارکس پر Opus 4.6 سے آگے ہے، خصوصاً سائبر سے متعلق کاموں میں نمایاں برتری کے ساتھ۔
| بینچ مارک | Claude Mythos Preview | Claude Opus 4.6 | تشریح |
|---|---|---|---|
| CyberGym (سائبر سیکیورٹی کمزوری کی دوبارہ پیداوار) | 83.1% | 66.6% | ایکسپلائٹ سے متعلق سیکیورٹی مہارت میں بڑا اضافہ۔ |
| SWE-bench Verified | 93.9% | 80.8% | حقیقی دنیا کی کوڈنگ کارکردگی زیادہ مضبوط۔ |
| SWE-bench Pro | 77.8% | 53.4% | مشکل کاموں پر ایجنٹک کوڈنگ بہتر۔ |
| SWE-bench Multimodal | 59.0% | 27.1% | بین-موڈل سافٹ ویئر ڈیبگنگ کہیں زیادہ مضبوط۔ |
| SWE-bench Multilingual | 87.3% | 77.8% | کثیر لسانی کوڈ حل کرنے کی صلاحیت بہتر۔ |
| Terminal-Bench 2.0 | 82.0% | 65.4% | ٹرمینل پر مبنی ایجنٹک کام بہتر۔ |
| GPQA Diamond | 94.6% | 91.3% | اعلی درجے کے استدلال کی درستی زیادہ۔ |
| Humanity’s Last Exam, no tools | 56.8% | 40.0% | بغیر ٹولز کے مشکل استدلال بہتر۔ |
| Humanity’s Last Exam, with tools | 64.7% | 53.1% | ٹول معاونت یافتہ استدلال بہتر۔ |
| BrowseComp | 86.9% | 83.7% | ایجنٹک سرچ کارکردگی زیادہ مضبوط۔ |
| OSWorld-Verified | 79.6% | 72.7% | کمپیوٹر استعمال کی کارکردگی بہتر۔ |
دیگر Claude ماڈلز کے ساتھ تقابل
| ماڈل | پوزیشننگ | کانٹیکسٹ ونڈو | زیادہ سے زیادہ آؤٹ پٹ | حیثیت |
|---|---|---|---|---|
| Claude Mythos Preview | دفاعی سائبر سیکیورٹی تحقیق کے لیے پری ویو؛ موجودہ سیٹ میں سب سے مضبوط سائبر صلاحیت۔ | 1M tokens. | 128k tokens. | صرف دعوت کے ذریعے۔ |
| Claude Opus 4.6 | ایجنٹس اور کوڈنگ کے لیے وسیع پیمانے پر دستیاب سب سے ذہین ماڈل۔ | 1M tokens. | 128k tokens. | وسیع پیمانے پر دستیاب۔ |
| Claude Sonnet 4.6 | رفتار اور ذہانت کا بہترین توازن۔ | 1M tokens. | 64k tokens. | وسیع پیمانے پر دستیاب۔ |
| Claude Haiku 4.5 | قریب-فرنٹیئر ذہانت کے ساتھ سب سے تیز رفتار ماڈل۔ | 200k tokens. | 64k tokens. | وسیع پیمانے پر دستیاب۔ |
عملی اعتبار سے، Mythos Preview ایک خصوصی فرنٹیئر ماڈل دکھائی دیتا ہے جو سب سے زیادہ مطالبہ کرنے والے سائبر اور ایجنٹک کوڈنگ کاموں میں Opus 4.6 سے آگے نکلتا ہے، جبکہ Opus 4.6 آج وسیع پیمانے پر دستیاب بہترین جنرل پرپس انتخاب بنا رہتا ہے۔ Sonnet 4.6 متوازن پروڈکشن آپشن ہے، اور Haiku 4.5 رفتار-اوّل ترجیح والا آپشن ہے۔
حدود
- محدود رسائی: دوہری استعمال کے سائبر سیکیورٹی خطرات کے باعث عام استعمال کے لیے دستیاب نہیں؛ تعیناتی قابلِ اعتماد دفاعی فریقوں تک محدود ہے۔
- دوہری استعمال کی صلاحیت: زیرو-ڈیز کو خودمختاری سے دریافت اور ایکسپلائٹ کرنے کی قابلیت، حفاظتی انتظام ناکام ہونے یا قبل از وقت رسائی پھیلنے کی صورت میں، حملہ آور سائبر حملوں کو تیز کر سکتی ہے۔
- الائنمنٹ اور رویّہ جاتی خطرات: اگرچہ یہ Anthropic کا بہترین الائنڈ ماڈل ہے، ابتدائی ورژنز نے حد سے زیادہ پرجوش رویے دکھائے (مثلاً sandbox escapes، concealment tactics)۔ طویل دورانیہ سیشنز اب بھی موجودہ جانچ ڈھانچے کے لیے چیلنج ہیں۔
- تشخیصی خلا: ساختہ کاموں پر غیر معمولی کارکردگی، مگر مکمل خودمختار AI تحقیق و ترقی کے لیے درکار دہلیزیں عبور نہیں کیں۔
- حیاتیاتی اور دیگر خطرات: بلند خطرے والے شعبوں میں محدود بہتری دکھاتا ہے مگر اہم دہلیزوں سے نیچے رہتا ہے۔
Anthropic اس بات پر زور دیتا ہے کہ ان حدود نے گیٹڈ ریلیز حکمتِ عملی کو مطلع کیا، اور توقع ہے کہ آئندہ Claude Opus ماڈلز میں مزید بہتر حفاظتی اقدامات شامل ہوں گے۔