Claude Mythos 基准成绩：93.9% SWE-bench 背后的含义与局限

官方资料真正确认了什么

最明确的官方信息，是 Claude Mythos Preview 的定位和访问方式：它是 Project Glasswing 的防御性网络安全研究预览模型，采用邀请制，没有 self-serve 自助注册。

Anthropic 的 Project Glasswing 页面还把 Claude Mythos Preview 描述为通用前沿模型，并称它是 Anthropic 在编码和 Agent 类任务上能力最强的模型；该页面同时解释说，它在网络安全上的强项来自更广泛的软件理解与修改能力，因为能深入理解并修改复杂软件的模型，也更有能力发现和修复漏洞。

系统卡资料则把 Claude Mythos Preview 描述为 Anthropic 的新大型语言模型和前沿 AI 模型，能力覆盖软件工程、推理、计算机使用、知识工作和研究辅助等方向。 换句话说，官方资料支撑的是模型定位与能力范围；上表里的大量具体分数，在这组资料中主要是通过第三方汇总可见。

为什么 93.9% 会成为头条分数

对软件团队来说，SWE-bench Verified 的 93.9% 自然最抢眼。W&B 不仅给出 Claude Mythos Preview 的这一成绩，也把 Claude Opus 4.6 的对照值列为 80.8%。 在同一资料中，Mythos Preview 在 SWE-bench Multilingual 上达到 87.3%，高于 Opus 4.6 的 77.8%，说明被报道的优势并不只出现在单一英语编码设置中。

但这不等于模型在每个代码库、每套工具链、每种代码评审流程下都会表现相同。尤其是 Claude Mythos Preview 并非普通开发者可直接自助调用的模型；Anthropic 明确表示其访问需要邀请，没有自助注册。

网络安全分数很强，但场景也很特殊

网络安全方向的成绩同样醒目。Authmind 报道称，Claude Mythos Preview 在 Cybench 上达到 pass@1 = 1.00；该来源把 Cybench 描述为一个由 40 道 CTF 挑战构成的公开基准。 在 CyberGym 上，Authmind 给出的 Mythos Preview 成绩为 0.83，并称该评测覆盖 1,507 个真实开源软件任务中的定向漏洞复现。

这些结果与 Anthropic 的官方定位相吻合：Claude API 文档将 Mythos Preview 放在 Project Glasswing 的防御性网络安全工作流中。 Anthropic 的 Project Glasswing 页面也把它的网络安全能力与深入理解、修改复杂软件以及发现和修复漏洞的能力联系起来。

不过，CTF 挑战和漏洞复现任务毕竟是特定评测环境。它们是很有价值的安全能力信号，但不能替代企业或机构在自身安全规则、工具限制、审计流程和责任边界下进行评估。

推理、多模态与终端 Agent：配置细节很关键

在推理方向，llm-stats 报道 Claude Mythos Preview 在 GPQA Diamond 上达到 94.6%，在 Humanity’s Last Exam 上无工具为 56.8%、有工具为 64.7%。 HLE 分数被拆成无工具和有工具两种情况，这一点很重要：一旦允许模型调用工具，成绩就不再只是“模型本体能力”的简单比较。

Terminal-Bench 的 92.1% 更需要看配置。llm-stats 说明，这一结果与 Terminus-2 Harness、最高档 adaptive thinking、每任务 100 万 Token 预算、扩展到 4 小时的超时限制，以及 Terminal-Bench 2.1 更新有关。 对 Agent 类评测来说，这些不是脚注，而是结果本身的一部分：时间、上下文、工具和预算都会显著影响模型表现。

多模态成绩也应谨慎解读。W&B 报道 Claude Mythos Preview 在内部多模态评测中为 59.0%，而 Opus 4.6 为 27.1%。 另据 llm-stats，SWE-bench Multimodal 使用内部实现，其分数不能直接与公开排行榜结果比较。

为什么不能把这些分数当成普通公开榜单

主要限制有四点：

1. 访问受限。 Anthropic 明确称 Claude Mythos Preview 是邀请制研究预览模型，没有自助注册入口。 这让普通开发团队难以独立复测。

2. 来源结构混合。 官方资料主要确认模型状态、项目定位和能力范围。 许多具体分数在这组材料中主要通过第三方来源出现。

3. 部分评测为内部或特殊配置。 多模态成绩被 W&B 描述为内部评测。 Terminal-Bench 分数则与特定 Harness、最高档 thinking、巨大 Token 预算和更长超时设置绑定。

4. 任务类别边界清晰。 Cybench 被描述为 40 道 CTF 挑战，CyberGym 被描述为 1,507 个真实开源软件任务中的定向漏洞复现。 这些是重要评测，但不是所有软件开发或安全运营场景的完整代表。

结论

只看数字，Claude Mythos Preview 的报道成绩确实很强：SWE-bench Verified 93.9%、SWE-bench Multilingual 87.3%、内部多模态评测 59.0%、CyberGym 0.83、Cybench pass@1 = 1.00。

但真正需要记住的是它的身份：Anthropic 把 Claude Mythos Preview 定位为 Project Glasswing 下的邀请制研究预览模型，而不是普通公开可用的标准模型。 因此，最稳妥的读法是：这些分数表明 Claude Mythos Preview 在编码、Agent 和防御性网络安全方向具备很强能力，但它们并不等同于一个完全公开、可复现、可横向比较的排行榜名次。