Lộ trình
Cơ bản về Trí tuệ Nhân tạo
10 giờ
Có gì mới với Claude Mythos 5?
Mythos 5 thể hiện bước tiến so với Mythos Preview trên mọi mảng năng lực chính mà Anthropic đã kiểm thử. Mức tăng rõ rệt nhất ở các công việc tự động dài hạn, đặc biệt trong các lĩnh vực khoa học về suy luận khoa học và các tác vụ thị giác. Dưới đây là cách thể hiện trong thực tế.
Kỹ nghệ phần mềm tự động an toàn ở quy mô lớn
Mythos 5 có thể làm việc tự động trên các mã nguồn lớn lâu hơn bất kỳ mô hình Claude nào trước đây. Stripe báo cáo mô hình đã nén hàng tháng công việc kỹ thuật xuống còn vài ngày, hoàn thành chuyển đổi toàn bộ nền mã Ruby 50 triệu dòng chỉ trong một ngày. Trên FrontierCode (Diamond), nó đạt điểm cao nhất trong các mô hình tiên phong ngay cả ở mức nỗ lực trung bình.
Đối với công việc an ninh, Mythos 5 mở rộng các năng lực khiến Mythos Preview trở nên hữu ích với các đối tác Project Glasswing. Những đối tác đó đã dùng Mythos Preview để xác định hơn 10.000 lỗi bảo mật mức cao và nghiêm trọng trong các hệ thống sản xuất.
Thiết kế thuốc và kỹ thuật protein
Nhóm thiết kế protein nội bộ của Anthropic đã dùng Mythos 5 để tăng tốc thiết kế thuốc lên khoảng gấp mười lần. Trong so sánh có kiểm soát, Mythos 5 sánh ngang hoặc vượt các vận hành viên lành nghề trên 14 mục tiêu protein cho toàn bộ quy trình:
- chọn vị trí gắn kết
- chọn công cụ
- khắc phục lỗi thất bại
Chín trường hợp tạo ra các ứng viên thiết kế thuốc mạnh mẽ hiện đang được nghiên cứu.
Tạo giả thuyết khoa học mới
Mythos 5 là mô hình đầu tiên của Anthropic có thể nhất quán đưa ra các giả thuyết khoa học mới thay vì chỉ tóm lược tài liệu hiện có. Trong các so sánh mù, các nhà khoa học của Anthropic ưa thích các giả thuyết sinh học phân tử của nó khoảng 80% thời gian, và một số đã được đưa vào đánh giá thực nghiệm. Một giả thuyết về cơ chế protein E. coli mới đã được một phòng thí nghiệm làm việc trên cùng vấn đề xác nhận độc lập.
Nghiên cứu hệ gen tự động
Mythos 5 đã tiến hành nghiên cứu hệ gen mới trong hơn một tuần làm việc phần lớn tự động, lắp ghép dữ liệu tế bào đơn cho hàng triệu tế bào trên 138 loài động vật và huấn luyện một mô hình ML tùy chỉnh để xác định các loại tế bào tương đương giữa các sinh vật họ hàng xa. Mô hình đã huấn luyện vượt một mô hình được công bố trên Science gần đây dù nhỏ hơn 100 lần.
Hiệu năng thị giác và ngữ cảnh dài
Mythos 5 đạt 93,2% trên CharXiv Reasoning với công cụ và có thể trích xuất các con số chính xác từ hình vẽ khoa học chi tiết hoặc dựng lại một ứng dụng web chỉ từ ảnh chụp màn hình. Với các tác vụ ngữ cảnh dài, cung cấp bộ nhớ dựa trên tệp cho Mythos 5 cải thiện hiệu năng gấp ba lần so với thiết lập tương tự trên Opus 4.8, và nó vào được hồi cuối của Slay the Spire thường xuyên gấp ba lần.
Điểm chuẩn của Claude Mythos 5
Mythos 5 dẫn đầu hoặc ngang ngửa ở hầu hết mọi điểm chuẩn Anthropic đã thử nghiệm, với mức tăng so với Opus 4.8 nhất quán trên các hạng mục thay vì chỉ tập trung vào một mảng. Bảng so sánh đặt nó cạnh Claude Mythos Preview, Claude Opus 4.8, GPT 5.5 và Gemini 3.1 Pro.
| Hạng mục | Điểm chuẩn | Claude Mythos 5 / Fable 5 | Claude Mythos Preview | Claude Opus 4.8 | GPT 5.5 | Gemini 3.1 Pro |
|---|---|---|---|---|---|---|
| Lập trình tác vụ tự chủ | SWE-Bench Pro | 80,3% | 77,8% | 69,2% | 58,6% | 54,2% |
| Lập trình tác vụ tự chủ | FrontierCode (Diamond) | 29,3% (xhigh) | — | 13,4% (xhigh) | 5,7% (xhigh) | — |
| Công việc tri thức | GDPval-AA | 1932 | — | 1890 | 1769 | 1314 |
| Thị giác trong công việc tri thức | GDP.pdf | 29,8% (không công cụ) | — | 22,5% (không công cụ) | 24,9% (không công cụ) | 16,7% (không công cụ) |
| Suy luận không gian | Blueprint-Bench 2 | 38,6% | — | 14,5% | 36,2% | 26,5% |
| Sử dụng công cụ | AutomationBench | 17,4% | — | 15,5% | 12,9% | 9,6% |
| Sử dụng máy tính | OSWorld-Verified | 85,0% | 85,4% | 83,4% | 78,7% | 76,2% |
| Pháp lý | Legal Agent Benchmark | 13,3% | — | 10,4% | 2,1% | 0,0% |
| Suy luận đa ngành | Humanity's Last Exam (không công cụ) | 59,0%* | 56,8% | 49,8% | 41,4% | 44,4% |
| Suy luận đa ngành | Humanity's Last Exam (có công cụ) | 64,5%* | 64,7% | 57,9% | 52,2% | 51,4% |
| Sinh học | BioMysteryBench (khó) | 46,1%* | 29,6% | 40,0% | — | — |
| Sinh học | BioMysteryBench (con người giải được) | 83,9%* | 82,6% | 80,4% | — | — |
| Lập trình tác vụ tự chủ | Terminal-Bench 2.1 | 88,0%* | — | 82,7% | 83,4% (Codex CLI) | 70,7% (Gemini CLI) |
| An ninh mạng | ExploitBench (Cap%) | 78,0%* | 69,0% | 40,0% | 34,0% | — |
| Sức khỏe | HealthBench Professional | 66,0%* | 64,7% | 56,9% | 51,8% | — |
Anthropic báo cáo điểm của Mythos 5 và Fable 5 cùng nhau, lưu ý chúng chênh nhau trong khoảng 1–3 điểm phần trăm ở hầu hết các trường hợp. Các điểm chuẩn có dấu hoa thị (*) cho thấy khoảng cách lớn hơn vì bộ phân loại an toàn của Fable 5 chuyển hướng truy vấn nhạy cảm sang Opus 4.8; trên các điểm chuẩn đó, Fable 5 thể hiện gần với lớp Opus hơn.
Lập trình tác vụ tự chủ: SWE-Bench Pro, FrontierCode và Terminal-Bench 2.1
Trên SWE-Bench Pro, Mythos 5 đạt 80,3%, so với 77,8% của Mythos Preview, 69,2% của Opus 4.8, 58,6% của GPT 5.5 và 54,2% của Gemini 3.1 Pro. Khoảng cách 11 điểm so với Opus 4.8 là đáng kể trên một điểm chuẩn được thiết kế để chống rò rỉ dữ liệu chuẩn.
Với chất lượng và khả năng bảo trì của mã tác vụ tự chủ thay vì chỉ hoàn thành nhiệm vụ thô, đo bằng FrontierCode (Diamond), khoảng cách còn rõ hơn. Mythos 5 đạt 29,3% ở mức nỗ lực xhigh, so với 13,4% của Opus 4.8 và 5,7% của GPT 5.5.
Với công việc trên terminal, Mythos 5 mang vương miện trở lại cho Anthropic từ OpenAI: Mythos 5 đạt 88,0%* trên Terminal-Bench 2.1, so với 82,7% của Opus 4.8, 83,4% của GPT 5.5 (Codex CLI) và 70,7% của Gemini 3.1 Pro (với Gemini CLI).
Công việc tri thức: GDPval-AA và GDPpdf
GDPval-AA đo lường hiệu suất công việc tri thức theo thang số. Mythos 5 đạt 1932, so với 1890 của Opus 4.8, 1769 của GPT 5.5 và 1314 của Gemini 3.1 Pro.
Khoảng cách này tăng lên đối với công việc tri thức trên tài liệu PDF không có quyền dùng công cụ. Mythos 5 đạt 29,8% trên GDPpdf, so với 22,5% của Opus 4.8, 24,9% của GPT 5.5 và 16,7% của Gemini 3.1 Pro.
Suy luận đa ngành: Humanity's Last Exam
Humanity's Last Exam (HLE) kiểm tra suy luận ở trình độ sau đại học qua khoa học, toán học và khoa học xã hội - nhân văn. Mythos 5 đạt 59,0%* không dùng công cụ và 64,5%* khi có công cụ. Mythos Preview đạt lần lượt 56,8% và 64,7%—gần như ngang khi có công cụ nhưng kém 2 điểm khi không có. Khoảng cách với Opus 4.8 đã đáng kể (49,8% khi không, 57,9% khi có), và còn lớn hơn với các mô hình đối thủ đầu bảng (GPT 5.5: 41,4% và 52,2%, Gemini 3.1 Pro: 44,4% và 51,4%).
Khoảng cách giữa Mythos 5 và phần còn lại rõ nhất ở điều kiện không công cụ, nơi nó dẫn Opus 4.8 hơn 9 điểm. Đây là các điểm có dấu *, nghĩa là Fable 5 thể hiện thấp hơn phần nào do các bộ phân loại an toàn.
Sử dụng máy tính, sử dụng công cụ và suy luận không gian
Trên OSWorld-Verified, kiểm tra khả năng hoàn thành tác vụ trên giao diện máy tính thật, Mythos 5 đạt 85,0%. Mythos Preview nhỉnh hơn với 85,4%, khiến đây là điểm chuẩn duy nhất Mythos Preview dẫn đầu. Opus 4.8 khá sát (83,4%), trong khi các đối thủ tụt lại đôi chút. GPT 5.5 đạt 78,7% và Gemini 3.1 Pro đạt 76,2%.
AutomationBench đo năng lực sử dụng công cụ. Mythos 5 đạt 17,4%, so với 15,5% của Opus 4.8, 12,9% của GPT 5.5 và 9,6% của Gemini 3.1 Pro. Các con số tuyệt đối thấp trên toàn bộ cho thấy sử dụng công cụ vẫn là vấn đề khó cho tất cả các mô hình tiên phong.
Suy luận không gian là một mảng Mythos 5 dẫn đầu lớn nhất. Nó đạt 38,6% ở Blueprint-Bench 2, hơn gấp đôi so với 14,5% của Opus 4.8. GPT 5.5 tiệm cận hơn ở 36,2%, và Gemini 3.1 Pro đạt 26,5%.
An ninh mạng và sinh học
Đây có lẽ là hai lĩnh vực được nhấn mạnh nhất trong ghi chú phát hành, và kết quả cho thấy lý do.
ExploitBench đo tỷ lệ khai thác lỗ hổng mà mô hình có thể tái hiện thành công (Cap%). Mythos 5 đạt 78,0%*, thậm chí cải thiện đáng kể so với Mythos Preview (69,0%), và tăng vọt so với 40,0% của Opus 4.8 và 34,0% của GPT 5.5.
Khoảng cách 38 điểm so với Opus 4.8 là mức dẫn lớn nhất trên một điểm chuẩn đơn trong bảng so sánh, và nó lý giải vì sao Fable 5 cần các biện pháp an toàn về an ninh mạng. Nhóm red team bên ngoài của Anthropic không tìm thấy phương thức jailbreak phổ quát nào trên các tác vụ tự chủ dài hạn, dù UK AISI đã đạt được một số tiến triển trong giai đoạn thử nghiệm ban đầu.
BioMysteryBench kiểm tra suy luận sinh học ở hai mức độ khó. Trên tập khó, Mythos 5 đạt 46,1%*, so với 29,6% của Mythos Preview và 40,0% của Opus 4.8. Trên tập đã được con người giải, Mythos 5 đạt 83,9%*, Mythos Preview đạt 82,6% và Opus 4.8 đạt 80,4%. GPT 5.5 và Gemini 3.1 Pro không có điểm báo cáo cho cả hai tập.
Tương tự ExploitBench, điểm của Fable 5 gần với Opus 4.8 hơn do các bộ phân loại an toàn liên quan đến sinh học.
Sức khỏe và pháp lý
Claude Mythos 5 thể hiện sức mạnh đáng kể trong hai lĩnh vực nghề nghiệp rủi ro cao, nơi độ chính xác và chất lượng suy luận mang hệ quả thực tế: y học và pháp luật.
Trong HealthBench Professional, Mythos 5 đạt 66,0%*, nhỉnh hơn Mythos Preview ở 64,7%. Opus 4.8 đạt 56,9%, và GPT 5.5 đạt 51,8%.
Trên Legal Agent Benchmark, Mythos 5 đạt 13,3%, so với 10,4% của Opus 4.8 và chỉ 2,1% của GPT 5.5. Dù điểm tuyệt đối thấp, khoảng cách giữa Mythos 5 và GPT 5.5 hay Gemini rất rõ rệt. Suy luận pháp lý vẫn là biên giới thách thức cho mọi mô hình.
Giá và khả dụng của Claude Mythos 5
Claude Mythos 5 có giá 10 USD cho mỗi triệu token đầu vào và 50 USD cho mỗi triệu token đầu ra. Mức này chưa đến một nửa giá của Claude Mythos Preview (25/125 USD), giúp việc nâng cấp trở nên đơn giản cho các đối tác Glasswing hiện tại. Nhà phát triển có thể truy cập mô hình qua Claude API bằng model ID claude-mythos-5.
Quyền truy cập hiện giới hạn cho hai nhóm:
- Tất cả người dùng đã có quyền dùng Claude Mythos Preview thông qua Project Glasswing có thể nâng cấp lên Mythos 5 với các biện pháp an toàn an ninh mạng được dỡ bỏ
- Một nhóm nhỏ nhà nghiên cứu y sinh có thể truy cập Mythos 5 với các biện pháp an toàn về sinh học và hóa học được dỡ bỏ, nhưng vẫn giữ các biện pháp an toàn về an ninh mạng.
Anthropic dự định mở rộng cả hai chương trình theo thời gian.
Một chương trình truy cập tin cậy rộng hơn đang được lên kế hoạch để các tổ chức an ninh mạng có thể đăng ký một cách hệ thống hơn, với sự tham vấn của Chính phủ Mỹ. Anthropic chưa công bố thời gian khả dụng chung. Với đa số nhà phát triển, Claude Fable 5 là lựa chọn thực tế hiện nay, dùng cùng mô hình nền và truy cập qua gói đăng ký và API tiêu chuẩn.
Một chi tiết vận hành đáng lưu ý: Anthropic đã áp dụng chính sách lưu giữ dữ liệu 30 ngày cho mọi lưu lượng mô hình lớp Mythos. Dữ liệu không được dùng để huấn luyện và sẽ bị xóa sau 30 ngày trong hầu hết trường hợp, nhưng được giữ lại để giám sát an toàn. Nếu bạn xây dựng trên Mythos 5 với dữ liệu nhạy cảm, hãy xem tài liệu hỗ trợ của Anthropic về chính sách này trước khi triển khai.
Kết luận
Claude Mythos 5 là tuyên bố rõ ràng nhất của Anthropic cho đến nay rằng công ty nghiêm túc đưa AI tiên phong vào các bối cảnh nghề nghiệp rủi ro cao, và kết quả đã chứng thực điều đó.
Khoảng cách trên SWE-bench Pro (80,3% so với 69,2%), trên Terminal-Bench 2.1 (88,0% so với 82,7%) và trên ExploitBench (78,0% so với 40,0%) đều cho thấy một mô hình xử lý các tác vụ khó nhất đáng tin cậy hơn bất cứ lựa chọn nào khác hiện có.
Mô hình truy cập hạn chế là cách tiếp cận hợp lý xét đến rủi ro lưỡng dụng, và điểm ExploitBench là luận cứ thuyết phục rằng các công cụ tấn công bảo mật mạnh nhất không nên công khai. Câu hỏi khó hơn là liệu Anthropic có thể mở rộng chương trình truy cập tin cậy đủ nhanh để hữu ích cho cộng đồng an ninh và nghiên cứu y sinh rộng lớn hơn trước khi đối thủ bắt kịp hay không.
Với các tổ chức đủ điều kiện, nâng cấp từ Mythos Preview là đơn giản với mức giá chưa đến một nửa.