Claude最强模型Mythos在METR评测中"爆表"

一张趋势图，正在AI圈引发广泛讨论——唔系因为数据有幾驚人，而系因为评测機構坦言：現有工具已經跟唔上模型嘅進化速度。

METR畀出嘅結論：16小時，但置信間隔極寬

2026年3月，AI安全评测機構METR對Anthropic嘅Claude Mythos Preview早期版本進行咗風險评估，畀嘅"50%任務完成時間線"為至少16小時，95%置信間隔為8.5至55小時。

呢一指標嘅意思係：喺人類專家需要耗費X小時先至可以完成嘅任務上，模型有50%嘅機會可以獨立完成。METR嘅228個測試任務中，只有5個被劃分為16小時及以上，噉樣令到該間隔嘅測量結果"唔穩定同時缺乏意義"。

METR即刻喺佢哋嘅網站上注明：“16小時以上嘅測量結果，喺當前任務集下唔可靠。”換句話說，呢個數字本身嘅精準性存疑，但佢所揭示嘅方向性信號系真實嘅：現存嘅評測框架已經觸及上限。

能力逾越系真實嘅，但需要正確解讀

從歷史軌跡睇，GPT-4o喺2024年中嘅50%時間線約為7分鐘，Claude Opus 4.6同GPT-5.2聚集喺5至6小時區間，Mythos Preview就落在16小時以上，超過所有可公開比較嘅模型。前緣模型任務完成時間線嘅翻倍周期大約係105日，年增速超過1000%。

喺軟件工程基準SWE-bench Verified上，Mythos得分93.9%，領先其他公開模型逾13個百分點；喺難度更高嘅SWE-bench Pro上，領先GPT-5.4達20個百分點。

不過，認知科學家Gary Marcus提醒，呢個數字需要審慎解讀。50%嘅成功率係一個相對寬鬆嘅門檻——如果將要求提高至80%或者95%，現行評測集都仲有相當嘅區分空間。此外，METR嘅任務高度集中於軟件工程領域，同真實職場中涉及溝通協調、組織知識和模糊目標嘅工作存在本質差異。

安全領域：防守同進攻能力同步提升

網絡安全公司Palo Alto Networks喺獲得Mythos等前緣模型嘅早期訪問權限後發現，AI系統已經越來越能夠獨自識別軟件漏洞，並且將分散嘅低危漏洞串聯成完整嘅攻擊路徑。佢哋嘅測試顯示，AI輔助下三周完成嘅漏洞分析工作，相當於一支頂尖滲透測試團隊整個三年年嘅工作量。

防守端同樣有據可查。Mozilla使用Mythos Preview掃描Firefox瀏覽器，只2026年4月一個