如果只睇一個數，Claude Mythos Preview 最搶眼一定係 SWE-bench Verified 93.9%。但真正重點係：呢個模型唔係公開榜單上另一個大家可以即刻試嘅 Claude。Anthropic 在 Claude API 文件中，將 Claude Mythos Preview 列為 Project Glasswing 之下、面向防守型網絡安全工作流程嘅獨立 research-preview 模型；存取採邀請制，亦沒有自助登記。^[13]

所以，以下 benchmark 應該當成「能力訊號」去睇，而唔係一張可以完全照抄、人人都能即時複測嘅公開排行榜。

先分清：官方確認咗咩？

官方最清楚確認嘅，是 Claude Mythos Preview 嘅身份同定位：它係 Project Glasswing 入面、用於防守型網絡安全工作流程嘅 research-preview 模型，並且只限邀請使用。^[13]

Anthropic 在 Project Glasswing 頁面亦將 Claude Mythos Preview 描述為一個通用前沿模型，特別擅長 coding 同 agentic tasks；Anthropic 同時解釋，佢喺網絡安全方面嘅強項，來自更廣泛地理解、修改複雜軟件，以及找出和修補漏洞嘅能力。^[16]

系統卡來源則將 Claude Mythos Preview 描述為一個新大型語言模型／前沿 AI 模型，能力範圍包括 software engineering、reasoning、computer use、knowledge work 同研究輔助等。^[18]

換句話講：官方資料主要支撐模型定位同能力範圍；至於下面列出嘅具體分數，喺目前資料中主要係透過第三方整理、報道或引用系統卡數據而見到。^{[6][9][25][27]}

主要 benchmark 分數一覽

範疇	Benchmark	Claude Mythos Preview 報告值	點樣理解
Coding	SWE-bench Verified	93.9%	W&B 同時列出 Claude Opus 4.6 為 80.8%。[6]
多語言 coding	SWE-bench Multilingual	87.3%	W&B 同時列出 Claude Opus 4.6 為 77.8%。[6]
Multimodal	內部 multimodal evaluation	59.0%	W&B 指這是內部評測，Claude Opus 4.6 為 27.1%。[6]
網絡安全	Cybench	pass@1 = 1.00	Authmind 將 Cybench 描述為由 40 個 CTF challenge 組成的公開 benchmark，並列出 Claude Opus 4.6 為 0.89。[27]
網絡安全	CyberGym	0.83	Authmind 指 CyberGym 評估 AI agent 在 1,507 個真實開源軟件任務中重現指定漏洞，Claude Opus 4.6 為 0.67。[27]
Reasoning	GPQA Diamond	94.6%	llm-stats 列出 Claude Opus 4.6 為 91.3%。[25]
Reasoning	Humanity’s Last Exam，無工具／有工具	56.8% / 64.7%	llm-stats 列出 Claude Opus 4.6 為 40.0%／53.1%。[25]
Terminal agent	Terminal-Bench 設定	92.1%	llm-stats 將此分數連到 Terminus-2 harness、最高 adaptive thinking、每題 1M token budget、4 小時 timeout 同 Terminal-Bench 2.1 更新。[25]
多任務知識	MMMLU	92.7	R&D World 報道指，這個數值與 Gemini 3.1 Pro 的 92.6 至 93.6 區間重疊，亦係「18 項中領先 17 項」說法入面唯一例外。[9]

點解 93.9% 會變成 headline score？

對開發團隊嚟講，SWE-bench Verified 最易成為焦點，因為它直接指向 coding、修 bug、處理軟件工程任務呢類大家最關心嘅能力。W&B 報告 Claude Mythos Preview 在 SWE-bench Verified 達 93.9%，並將其與 Claude Opus 4.6 的 80.8% 作比較。^[6]

另一個值得留意嘅係多語言 coding。W&B 報告 Mythos Preview 在 SWE-bench Multilingual 達 87.3%，對比 Claude Opus 4.6 的 77.8%。^[6] 呢點令「強項唔只係單一英文 coding 測試」呢個解讀更有說服力。

不過，93.9% 仍然唔代表你公司任何 repo、任何 CI/CD 流程、任何 code review 標準都會得到同樣效果。再加上 Anthropic 文件列明 Mythos Preview 係邀請制、沒有 self-serve sign-up，外部團隊並唔能夠像一般 API 模型咁自行大量複測。^[13]

網絡安全高分：強，但係特定場景

網絡安全分數同樣搶眼。Authmind 報告 Claude Mythos Preview 在 Cybench 達到 pass@1 = 1.00；該文將 Cybench 描述為由四個主要比賽、合共 40 個 CTF challenge 組成的公開 benchmark。^[27]

CyberGym 方面，Authmind 報告 Mythos Preview 得分 0.83，並指 CyberGym 係用 1,507 個真實開源軟件任務，評估 AI agent 能否重現指定漏洞。^[27]

呢啲結果同 Anthropic 對 Mythos Preview 嘅定位相符：API 文件將佢放喺 Project Glasswing 的防守型網絡安全工作流程之中，^[13] 而 Project Glasswing 頁面亦將網絡安全能力連到模型理解、修改複雜軟件，以及找出和修補漏洞嘅能力。^[16]

但要小心：CTF challenge 同漏洞重現，都係特定評測場景。佢哋係重要訊號，尤其對安全分析同 code review 有參考價值；但唔等於已經覆蓋某間機構實際生產環境入面嘅權限規則、工具限制、審批流程同責任邊界。

Reasoning、multimodal 同 terminal agent：設定好關鍵

除咗 coding 同 cybersecurity，第三方資料亦報告 Mythos Preview 有強 reasoning 分數。llm-stats 列出 GPQA Diamond 為 94.6%，Humanity’s Last Exam 無工具為 56.8%，有工具為 64.7%。^[25]

Humanity’s Last Exam 分開「有工具」同「無工具」列出，其實好重要。模型可唔可以用工具，會直接影響評測結果；如果兩個模型喺工具權限、時間、上下文長度上唔一樣，分數就唔應該硬碰硬比較。

Terminal-Bench 更加係一個例子。llm-stats 報告 92.1% 這個分數時，同時提到相關設定包括 Terminus-2 harness、最高 adaptive thinking、每題 1M token budget、延長至 4 小時 timeout，以及 Terminal-Bench 2.1 更新。^[25] 對 agent benchmark 嚟講，呢啲唔係小字註腳，而係評測本身嘅一部分。

Multimodal 分數亦要咁睇。W&B 報告 Mythos Preview 在一個內部 multimodal evaluation 中達 59.0%，Claude Opus 4.6 則為 27.1%。^[6] 另外，llm-stats 亦提醒，SWE-bench Multimodal 使用內部實作，分數不能直接同公開 leaderboard 結果比較。^[25]

點解唔應該當成普通 leaderboard 分數？

最少有四個限制要記住：

1. 存取受限。 Anthropic 文件列明 Claude Mythos Preview 係邀請制 research-preview 模型，而且沒有自助登記。^[13] 一般開發者或安全團隊好難自行重現完整測試。

2. 來源混合。 目前官方來源主要支持模型身份、定位同能力範圍。^[13][16][18] 具體分數多數係透過 W&B、R&D World、llm-stats、Authmind 等第三方資料見到。^{[6][9][25][27]}

3. 部分評測係內部或特殊設定。 Multimodal 分數被描述為內部評測；Terminal-Bench 分數則涉及特定 harness、最高 thinking、巨大 token budget 同延長 timeout。^[6][25]

4. 任務類型有邊界。 Cybench 係 40 個 CTF challenge；CyberGym 係 1,507 個真實開源任務中的指定漏洞重現。^[27] 呢啲任務有代表性，但唔等於涵蓋所有企業安全場景。

結論：好強，但唔好當成完全公開可複現排名

Claude Mythos Preview 在目前報告出嚟嘅 benchmark 入面，確實非常突出：SWE-bench Verified 93.9%、SWE-bench Multilingual 87.3%、內部 multimodal evaluation 59.0%、CyberGym 0.83，以及 Cybench pass@1 = 1.00。^[6][27]

但最重要嘅解讀唔係「佢係咪榜首」，而係「呢啲分數喺咩條件下產生」。Claude Mythos Preview 係 Anthropic 放入 Project Glasswing 的邀請制 research preview，唔係一般人可以即時自助開通嘅標準產品模型。^[13]

如果你係開發或安全團隊，較穩陣嘅睇法係：把 Mythos Preview 當成下一代 coding agent、terminal agent 同防守型網絡安全模型能力嘅強烈訊號；但唔好將任何單一 benchmark 分數，直接等同你自己 repo、工具鏈同審批流程入面嘅實際表現。