学习路径
AI 基础知识
10 小时
Claude Mythos 5 有哪些新进展？
Mythos 5 在 Anthropic 测试的各大能力维度上均较 Mythos Preview 迈进一步。提升最明显的领域是长周期的自主工作，尤其体现在科学推理与视觉任务等科学领域。以下是具体表现。
大规模安全的自主软件工程
与以往任何 Claude 模型相比，Mythos 5 能在大型代码库上以自主方式工作更长时间。Stripe 报告称，该模型将数月的工程工作压缩到数天内完成，并在一天内完成了对一个 5,000 万行 Ruby 代码库的全局迁移。在 FrontierCode（Diamond）上，即便在中等投入水平，它也位居前沿模型之首。
在安全领域，Mythos 5 延展了让 Mythos Preview 对 Project Glasswing 合作伙伴极具价值的能力。那些合作伙伴使用 Mythos Preview 在生产系统中发现了逾 10,000 个高危与严重安全缺陷。
药物设计与蛋白工程
Anthropic 的内部蛋白设计团队使用 Mythos 5 将药物设计的速度提升约十倍。在受控对比中，Mythos 5 在完整流程的 14 个蛋白靶点上与熟练的人类操作员持平或更优：
- 选择结合位点
- 选择工具
- 从失败中恢复
其中九个产出了目前正在研究的强有力药物设计候选。
新颖科学假说的生成
Mythos 5 是 Anthropic 首个能够稳定地产生新颖科学假说（而非仅总结既有文献）的模型。在盲测对比中，Anthropic 科学家约 80% 的时间更偏好其分子生物学假说，且已有数个进入实验评估阶段。关于某个新型大肠杆菌蛋白机制的假说还被另一家研究同一问题的实验室独立证实。
自主基因组学研究
Mythos 5 在大体自主的前提下，进行了为时逾一周的新型基因组学研究，组装了跨 138 种动物、数百万细胞的单细胞数据，并训练了一个定制的机器学习模型，用于识别远缘物种间的等效细胞类型。尽管规模小 100 倍，该模型的表现仍优于一项近期发表于 Science 的模型。
视觉与长上下文表现
Mythos 5 在 CharXiv Reasoning（带工具）上得分 93.2%，能从复杂的科学图表中提取精确数值，或仅凭截图重建一个 Web 应用。在长上下文任务上，为 Mythos 5 提供基于文件的记忆，其性能提升幅度是同配置下 Opus 4.8 的三倍，且在《杀戮尖塔》中三倍频率抵达最终幕。
Claude Mythos 5 基准测试
在 Anthropic 测试的几乎所有基准上，Mythos 5 领跑或持平；相较 Opus 4.8 的提升在各类目中较为一致，而非集中于单一领域。下表将其与 Claude Mythos Preview、Claude Opus 4.8、GPT 5.5 与 Gemini 3.1 Pro 作对比。
| 类别 | 基准 | Claude Mythos 5 / Fable 5 | Claude Mythos Preview | Claude Opus 4.8 | GPT 5.5 | Gemini 3.1 Pro |
|---|---|---|---|---|---|---|
| 代理式编码 | SWE-Bench Pro | 80.3% | 77.8% | 69.2% | 58.6% | 54.2% |
| 代理式编码 | FrontierCode (Diamond) | 29.3% (xhigh) | — | 13.4% (xhigh) | 5.7% (xhigh) | — |
| 知识型工作 | GDPval-AA | 1932 | — | 1890 | 1769 | 1314 |
| 知识型工作视觉 | GDP.pdf | 29.8% (no tools) | — | 22.5% (no tools) | 24.9% (no tools) | 16.7% (no tools) |
| 空间推理 | Blueprint-Bench 2 | 38.6% | — | 14.5% | 36.2% | 26.5% |
| 工具使用 | AutomationBench | 17.4% | — | 15.5% | 12.9% | 9.6% |
| 计算机使用 | OSWorld-Verified | 85.0% | 85.4% | 83.4% | 78.7% | 76.2% |
| 法律 | Legal Agent Benchmark | 13.3% | — | 10.4% | 2.1% | 0.0% |
| 跨学科推理 | Humanity's Last Exam (no tools) | 59.0%* | 56.8% | 49.8% | 41.4% | 44.4% |
| 跨学科推理 | Humanity's Last Exam (with tools) | 64.5%* | 64.7% | 57.9% | 52.2% | 51.4% |
| 生物学 | BioMysteryBench (hard) | 46.1%* | 29.6% | 40.0% | — | — |
| 生物学 | BioMysteryBench (human solved) | 83.9%* | 82.6% | 80.4% | — | — |
| 代理式编码 | Terminal-Bench 2.1 | 88.0%* | — | 82.7% | 83.4% (Codex CLI) | 70.7% (Gemini CLI) |
| 网络安全 | ExploitBench (Cap%) | 78.0%* | 69.0% | 40.0% | 34.0% | — |
| 健康 | HealthBench Professional | 66.0%* | 64.7% | 56.9% | 51.8% | — |
Anthropic 将 Mythos 5 与 Fable 5 的成绩合并报告，并指出两者在大多数情况下仅相差 1–3 个百分点。带星号（*）的基准差距更大，是因为 Fable 5 的安全分类器会将敏感查询转交给 Opus 4.8；在这些基准上，Fable 5 的表现更接近 Opus 系列。
代理式编码：SWE-Bench Pro、FrontierCode 与 Terminal-Bench 2.1
在 SWE-Bench Pro 上，Mythos 5 得分 80.3%，对比 Mythos Preview 的 77.8%、Opus 4.8 的 69.2%、GPT 5.5 的 58.6% 与 Gemini 3.1 Pro 的 54.2%。在旨在抵御真值泄露的基准上，相对 Opus 4.8 的 11 分差距相当可观。
若以高质量、可维护的代理式代码为目标而非仅任务完成率（由 FrontierCode（Diamond）衡量），差距更为明显。Mythos 5 在 xhigh 投入水平上得分 29.3%，而 Opus 4.8 为 13.4%，GPT 5.5 为 5.7%。
在终端任务上，Mythos 5 将“王冠”从 OpenAI 手中夺回：Mythos 5 在 Terminal-Bench 2.1 上得分 88.0%*，相比之下，Opus 4.8 为 82.7%，GPT 5.5（Codex CLI）为 83.4%，Gemini 3.1 Pro（配合 Gemini CLI）为 70.7%。
知识型工作：GDPval-AA 与 GDPpdf
GDPval-AA 以数值刻度衡量知识型工作的表现。Mythos 5 得分 1932，对比 Opus 4.8 的 1890、GPT 5.5 的 1769 与 Gemini 3.1 Pro 的 1314。
在无工具访问的 PDF 文档知识型工作上，差距更大。Mythos 5 在 GDPpdf 上得分 29.8%，而 Opus 4.8 为 22.5%，GPT 5.5 为 24.9%，Gemini 3.1 Pro 为 16.7%。
跨学科推理：Humanity's Last Exam
Humanity's Last Exam（HLE） 测试在科学、数学与人文学科的研究生水平推理。Mythos 5 在无工具条件下得分 59.0%*，带工具为 64.5%*。Mythos Preview 分别为 56.8% 与 64.7%——带工具几乎持平，无工具则落后 2 分。与 Opus 4.8 的差距已相当明显（无工具 49.8%，带工具 57.9%），与主要竞品更是拉开（GPT 5.5：41.4% 与 52.2%；Gemini 3.1 Pro：44.4% 与 51.4%）。
在无工具条件下，Mythos 5 与其他模型的差距最为清晰：其领先 Opus 4.8 超 9 分。这些为带星号成绩，意味着由于安全分类器，Fable 5 的表现会略低。
计算机使用、工具使用与空间推理
在 OSWorld-Verified（测试模型在真实计算机界面完成任务的能力）上，Mythos 5 得分 85.0%。Mythos Preview 以 85.4% 略胜一筹，使其成为唯一一个 Mythos Preview 领先的基准。Opus 4.8 表现接近（83.4%），竞品则略落后：GPT 5.5 为 78.7%，Gemini 3.1 Pro 为 76.2%。
AutomationBench 衡量工具使用能力。Mythos 5 得分 17.4%，对比 Opus 4.8 的 15.5%、GPT 5.5 的 12.9% 与 Gemini 3.1 Pro 的 9.6%。整体数值偏低，说明工具使用对所有前沿模型仍是难题。
空间推理是 Mythos 5 领先幅度最大的领域之一。它在 Blueprint-Bench 2 上得分 38.6%，超过 Opus 4.8 的 14.5% 两倍有余。GPT 5.5 更接近，为 36.2%，Gemini 3.1 Pro 为 26.5%。
网络安全与生物学
这两大领域或许是发布说明中最受关注的方向，结果也说明了原因。
ExploitBench 衡量模型能成功复现的漏洞利用占比（Cap%）。Mythos 5 得分 78.0%*，相较 Mythos Preview 的 69.0% 也有显著提升，且与 Opus 4.8 的 40.0% 和 GPT 5.5 的 34.0% 形成巨大反差。
相较 Opus 4.8 的 38 分差是对比表中单个基准的最大领先，这也解释了为何 Fable 5 设置网络安全相关护栏。Anthropic 的外部红队未在长篇代理式任务中找到通用越狱方式，尽管英国 AISI 在初期测试窗口中有所进展。
BioMysteryBench 在两个难度上测试生物学推理。困难子集上，Mythos 5 得分 46.1%*，对比 Mythos Preview 的 29.6% 与 Opus 4.8 的 40.0%。在人类可解子集上，Mythos 5 得分 83.9%*，Mythos Preview 为 82.6%，Opus 4.8 为 80.4%。GPT 5.5 与 Gemini 3.1 Pro 未报告任一子集成绩。
与 ExploitBench 类似，由于生物相关安全分类器，Fable 5 的成绩更接近 Opus 4.8。
健康与法律
Claude Mythos 5 在两个高风险专业领域展现出显著实力——医学与法律，二者对准确性与推理质量的要求都直接影响现实后果。
在 HealthBench Professional 上，Mythos 5 得分 66.0%*，略高于 Mythos Preview 的 64.7%。Opus 4.8 得分 56.9%，GPT 5.5 为 51.8%。
在 Legal Agent Benchmark 上，Mythos 5 得分 13.3%，对比 Opus 4.8 的 10.4% 与 GPT 5.5 的仅 2.1%。绝对数值虽不高，但 Mythos 5 与 GPT 5.5 或 Gemini 的差距十分明显。法律推理仍是所有模型的挑战前沿。
Claude Mythos 5 定价与可用性
Claude Mythos 5 的价格为每百万输入 token 收费 10 美元、每百万输出 token 收费 50 美元。相比 Claude Mythos Preview（25/125 美元）不到一半，使得现有 Glasswing 合作伙伴升级更为顺畅。开发者可通过 Claude API 使用模型 ID claude-mythos-5 进行访问。
当前访问仅限两类群体：
- 所有通过 Project Glasswing 获得 Claude Mythos Preview 访问权限的用户，可升级至移除网络安全护栏的 Mythos 5
- 一小部分经审核的生物医学研究人员，可在移除生物与化学护栏（但保留网络安全护栏）的前提下访问 Mythos 5。
Anthropic 计划随时间扩展这两项计划。
还计划面向网络安全机构推出更系统的可信访问项目，并与美国政府协作。目前尚未公布面向公众的一般可用时间表。对大多数开发者而言，拥有相同底层模型并可通过标准订阅与 API 计划访问的 Claude Fable 5 是当下更实用的选择。
有一项值得关注的运营细则：Anthropic 对所有 Mythos 级模型流量引入了 30 天数据保留政策。相关数据不会用于训练，且在绝大多数情况下会在 30 天后删除，但会因安全监测而保留至该期限。如果您计划在 Mythos 5 上处理敏感数据，请在部署前查阅 Anthropic 的支持文档以了解该政策。
结语
Claude Mythos 5 清晰表明了 Anthropic 致力于在高风险专业场景中落地前沿 AI 的态度，而且结果也证明了这一点。
SWE-bench Pro 的差距（80.3% vs 69.2%）、Terminal-Bench 2.1 的差距（88.0% vs 82.7%）以及 ExploitBench 的差距（78.0% vs 40.0%）都指向这样一款模型：在应对最困难任务时，较其他可用方案更为可靠。
鉴于双重用途风险，受限访问是一种合理做法，而 ExploitBench 的成绩也有力地说明，最强大的攻防安全工具不应向公众开放。更难的问题在于，Anthropic 能否足够迅速地扩展可信访问计划，以在竞品缩小差距前惠及更广泛的安全与生物医学研究群体。
对符合条件的组织而言，以不到一半的价格从 Mythos Preview 升级并不复杂。