如果只看一個數字，Claude Mythos Preview 最容易被記住的是 SWE-bench Verified 93.9%。但這款模型的重點不只是「分數很高」，而是它並不是一般開發者可直接註冊、自由測試的公開 Claude 模型。Anthropic 在 Claude API 文件中把 Claude Mythos Preview 列為 Project Glasswing 之下、面向防禦性網路安全工作流程的獨立研究預覽模型；存取採邀請制，沒有 self-serve 自助註冊。^[13]

因此，以下分數更適合讀作「能力訊號」，而不是像一般公開模型排行榜那樣直接橫向比較。

先看主要分數

這批資料中，具體分數多半來自第三方整理，引用 Anthropic 資料、系統卡評估或各自的彙整。^{[6][9][25][27]}

類別	基準測試	報導的 Claude Mythos Preview 成績	怎麼解讀
程式能力	SWE-bench Verified	93.9%	W&B 同時列出 Claude Opus 4.6 為 80.8%。[6]
多語程式能力	SWE-bench Multilingual	87.3%	W&B 同時列出 Claude Opus 4.6 為 77.8%。[6]
多模態	內部多模態評測	59.0%	W&B 將此描述為內部評測，並列出 Claude Opus 4.6 為 27.1%。[6]
網路安全	Cybench	pass@1 = 1.00	Authmind 描述 Cybench 為包含 40 道 CTF 題目的公開基準，並列出 Claude Opus 4.6 為 0.89。[27]
網路安全	CyberGym	0.83	Authmind 稱 CyberGym 評估 AI 代理在 1,507 個真實開源任務中的目標式漏洞重現能力，並列出 Claude Opus 4.6 為 0.67。[27]
推理	GPQA Diamond	94.6%	llm-stats 列出 Claude Opus 4.6 為 91.3%。[25]
推理	Humanity’s Last Exam，未使用／使用工具	56.8%／64.7%	llm-stats 列出 Claude Opus 4.6 分別為 40.0% 與 53.1%。[25]
終端機代理	Terminal-Bench 配置	92.1%	llm-stats 將此成績連到 Terminus-2 harness、最高強度 adaptive thinking、每題 100 萬 token 預算、延長至 4 小時的 timeout，以及 Terminal-Bench 2.1 更新。[25]
多任務知識	MMMLU	92.7	R&D World 報導，這個數字與 Gemini 3.1 Pro 的 92.6–93.6 區間重疊，也是「18 項中 17 項領先」說法中的唯一例外。[9]

官方材料真正確認了什麼

目前最明確的官方資訊，是 Claude Mythos Preview 的定位與存取方式：Anthropic 文件稱它是 Project Glasswing 的一部分，作為防禦性網路安全工作流程的研究預覽模型提供，且採邀請制、沒有自助註冊。^[13]

Anthropic 的 Project Glasswing 頁面則把 Claude Mythos Preview 描述為通用型 frontier model，並稱它是 Anthropic 目前在 coding 與 agentic tasks 上最有能力的模型；該頁也把它的網路安全能力，連結到模型能深入理解、修改複雜軟體，進而找出並修補漏洞的能力。^[16]

系統卡來源則將 Claude Mythos Preview 描述為新的大型語言模型與 frontier AI model，能力涵蓋軟體工程、推理、電腦使用、知識工作與研究協助等領域。^[18]

換句話說：官方資料支撐的是模型定位、使用情境與能力範圍；這裡列出的許多精確分數，則主要透過第三方來源可見。^{[6][9][25][27]}

為什麼 SWE-bench 93.9% 會成為標題數字

對軟體團隊而言，SWE-bench Verified 是最直覺的關注點。W&B 報導 Claude Mythos Preview 在 SWE-bench Verified 達 93.9%，並將 Claude Opus 4.6 的比較值列為 80.8%。^[6] 對正在觀察 AI coding agent 的人來說，這類測試比單純聊天或知識問答更貼近「能不能修程式、處理實際 repo 問題」的期待。

多語程式能力也同樣突出：W&B 報導 Mythos Preview 在 SWE-bench Multilingual 達 87.3%，高於同文中列出的 Opus 4.6 的 77.8%。^[6] 這讓它看起來不像只在單一英文程式測試場景中表現亮眼。

不過，SWE-bench 高分不等於在每個公司內部 repo、每套 CI/CD、每種 code review 流程中都能有同樣效果。對 Claude Mythos Preview 來說，限制又更明顯：外部團隊無法像一般 API 模型那樣直接自助註冊測試。^[13]

網路安全分數很強，但場景很特殊

資安指標同樣醒目。Authmind 報導 Claude Mythos Preview 在 Cybench 達到 pass@1 = 1.00；該文將 Cybench 描述為由 40 道 CTF 題目組成的公開基準。CTF 通常指 Capture the Flag，是資安攻防與漏洞解題常見的競賽型任務。^[27]

CyberGym 的數字也很高：Authmind 報導 Mythos Preview 得分 0.83，並稱該評測測的是 AI 代理在 1,507 個真實開源軟體任務中的目標式漏洞重現能力。^[27]

這與 Anthropic 對 Mythos Preview 的官方定位相互呼應：API 文件明確將它放在 Project Glasswing 的防禦性網路安全工作流程中。^[13] Project Glasswing 頁面也指出，它的資安能力來自更廣泛的軟體理解與修改能力，包括找出及修補漏洞。^[16]

但這裡仍要分清楚：CTF 題目與漏洞重現是高度特定的測試形式。^[27] 它們能說明模型在安全分析與程式推理上的潛力，卻不能取代任何組織在自身權限控管、工具限制、合規責任與安全邊界下的實測。

推理、多模態與終端機代理：設定比數字更重要

推理類分數也很強。llm-stats 列出 Mythos Preview 在 GPQA Diamond 為 94.6%，在 Humanity’s Last Exam 未使用工具時為 56.8%，使用工具時為 64.7%。^[25] HLE 把有無工具分開列，是很重要的細節：工具存取會大幅影響模型表現，也會影響不同模型之間的可比性。

Terminal-Bench 更是如此。llm-stats 報導 Mythos Preview 可達 92.1%，但同時說明該設定包含 Terminus-2 harness、最高強度 adaptive thinking、每題 100 萬 token 預算、延長到 4 小時的 timeout，以及 Terminal-Bench 2.1 更新。^[25] 這不是附註小字，而是解讀成績的一部分：代理式基準常常非常依賴時間、上下文長度、工具權限與計算預算。

多模態分數也應謹慎看待。W&B 報導 Mythos Preview 在內部多模態評測達 59.0%，而 Opus 4.6 為 27.1%。^[6] 另一方面，llm-stats 也提醒，SWE-bench Multimodal 使用內部實作，分數不能直接與公開 leaderboard 結果比較。^[25]

為什麼不能把這些分數當一般排行榜

主要有四個原因：

1. 存取受限。 Claude Mythos Preview 依 Anthropic 文件是邀請制研究預覽模型，沒有 self-serve 自助註冊。^[13] 這讓一般開發團隊難以獨立重現成績。

2. 來源混合。 這批資料中的官方來源主要確認模型定位、存取方式與能力領域。^[13][16][18] 多數精確分數則來自第三方整理或報導。^{[6][9][25][27]}

3. 有內部或特殊測試配置。 多模態分數被描述為內部評測。^[6] Terminal-Bench 分數則綁定特定 harness、最高 adaptive thinking、大 token 預算與延長 timeout。^[25]

4. 任務類型很明確。 Cybench 是 40 道 CTF 題目，CyberGym 是 1,507 個真實開源任務中的漏洞重現評估。^[27] 這些都是重要訊號，但不等於涵蓋所有企業軟體工程或安全營運場景。

結論

從已報導分數看，Claude Mythos Preview 確實非常突出：SWE-bench Verified 93.9%、SWE-bench Multilingual 87.3%、內部多模態評測 59.0%、CyberGym 0.83，以及 Cybench pass@1 = 1.00。^[6][27]

但解讀這些數字時，最關鍵的不是「它是不是第一名」，而是「這些分數是在什麼存取條件與測試配置下產生」。Claude Mythos Preview 依 Anthropic 文件屬於 Project Glasswing 的邀請制研究預覽模型，並不是一般可自由使用的標準產品模型。^[13] 因此，它的基準成績可以視為對 coding、代理式任務與防禦資安能力的強烈訊號；但不應被簡化成完全公開、人人可重現的排行榜結果。