答案已发布3个月前Last edited 2个月前17 来源

Claude Mythos Preview 和 93.9% SWE-bench：别把代码基准当成总成绩

Claude Mythos Preview 最常被引用的成绩是 SWE bench 93.9%，主要对应代码修复、仓库级软件工程和编程代理场景 [1][2]。高 SWE bench 分数通常来自带工具的代理式环境：模型可以读文件、运行代码、查看测试结果并反复迭代 [1]。

Claude Mythos Preview 最常和一个醒目的数字放在一起：SWE-bench 93.9%。如果只问“它的 benchmark 是多少”，这通常就是最短答案。但更准确的读法是：SWE-bench 主要评估软件工程和代码任务，不是对一个 AI 模型所有能力的总评分。

先看关键数字：SWE-bench 93.9%

目前围绕 Claude Mythos Preview 最常被引用的成绩，是其在 SWE-bench 上达到 93.9% 。SWE-bench 更接近真实代码库中的修复、修改和工程任务，因此这个数字对比较编程能力、代码修复能力，以及“编程代理”类工作流尤其有参考价值。

但这里有一个关键前提：高 SWE-bench 分数通常不是模型“裸聊”得来的，而是在代理式环境中完成的。也就是说，模型可能可以读取项目文件、运行代码、检查测试结果，并根据反馈多轮迭代。这并不削弱 93.9% 的意义，只是提醒我们：它反映的是“模型能力 + 工具环境 + 评测流程”的综合结果。

93.9% 不应被理解为 Claude Mythos Preview 的综合成绩。一个软件基准本身并不能完整衡量通用推理、安全性、可用性、运行成本，也不能代表模型在写作、搜索、图像、多模态或其他非代码任务上的表现。

Studio Global AI

Use this topic as a starting point for a fresh source-backed answer, then compare citations before you share it.

Claude Mythos Preview 最常被引用的成绩是 SWE bench 93.9%，主要对应代码修复、仓库级软件工程和编程代理场景 [1][2]。

网络安全成绩应单独看：有报道称 Mythos Preview 在相关能力基准中为 83.1%，Claude Opus 4.6 为 66.6%，另有二手来源称其 Cybench 为 100% [3][5]。

领域	已报道结果	更稳妥的读法
软件 / SWE-bench	93.9%	最适合用来观察代码任务、代码修复和编程代理表现。
网络安全能力	83.1%，对比 Claude Opus 4.6 的 66.6%	属于网络安全能力基准，不应和 SWE-bench 混为一谈。
Cybench	100%	二手来源称这是网络安全挑战类 benchmark，并非通用模型总评。
更广泛 benchmark 组合	在 18 个 Anthropic 测量的 benchmark 中领先 17 个	属于聚合说法，适合进一步查看拆分项，而不是直接当作全能排名。