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——不是因为数据有多惊人，而是因为评测机构坦承：现有工具已经跟不上模型的进化速度。

METR给出的结论：16小时，但置信区间极宽

2026年3月，AI安全评测机构METR对Anthropic的Claude Mythos Preview早期版本进行了风险评估，给出的"50%任务完成时间线"为至少16小时，95%置信区间为8.5至55小时。

这一指标的含义是：在人类专家需要耗费X小时才能完成的任务上，模型有50%的概率能够独立完成。METR的228个测试任务中，仅有5个被归类为16小时及以上，这使得该区间的测量结果"不稳定且缺乏意义"。

METR随即在其网站上注明："16小时以上的测量结果，在当前任务集下不可靠。"换句话说，这个数字本身的精确性存疑，但它所揭示的方向性信号是真实的：现有评测框架已触及上限。

能力跃升是真实的，但需要正确解读

从历史轨迹看，GPT-4o在2024年中的50%时间线约为7分钟，Claude Opus 4.6和GPT-5.2聚集在5至6小时区间，Mythos Preview则落在16小时以上，超过所有可公开比较的模型。前沿模型任务完成时间线的翻倍周期约为105天，年增速超过1000%。

在软件工程基准SWE-bench Verified上，Mythos得分93.9%，领先其他公开模型逾13个百分点；在难度更高的SWE-bench Pro上，领先GPT-5.4达20个百分点。

不过，认知科学家Gary Marcus提醒，这一数字需要审慎解读。50%的成功率是一个相对宽松的门槛——若将要求提高至80%或95%，当前评测集仍有相当的区分空间。此外，METR的任务高度集中于软件工程领域，与真实职场中涉及沟通协调、组织知识和模糊目标的工作存在本质差异。

安全领域：防守与进攻能力同步提升

网络安全公司Palo Alto Networks在获得Mythos等前沿模型的早期访问权限后发现，AI系统已越来越能够自主识别软件漏洞，并将分散的低危漏洞串联成完整的攻击路径。其测试显示，AI辅助下三周完成的漏洞分析工作，相当于一支顶级渗透测试团队整整一年的工作量。

防御端同样有据可查。Mozilla使用Mythos Preview扫描Firefox浏览器，仅2026年4月一个月就修复了423个安全漏洞，远超此前每月17至31个的平均水平，其中包括一个存在20年的XSLT漏洞和一个可能导致沙盒逃逸的竞争条件。

评测基础设施的滞后，才是更深层的问题

METR本次评测更大的意义，或许不在于Mythos本身能力有多强，而在于它揭示了一个系统性问题：前沿模型的进化速度，已经开始超过第三方评测工具的建设速度。METR表示正在开发包含更长周期任务的新评测方法，但目前尚未完成。

能力在加速，尺子却还没造好——这或许是当前AI发展阶段最值得关注的现实。