Claude Mythos Preview 能力评测全览

Claude Mythos Preview 与第二名模型的对比。

衡量 AI 解决真实软件工程问题的能力。题目来自开源代码仓库的真实 Bug，模型需生成可通过测试的代码补丁。

Mythos Preview 在所有四个变体上均大幅领先前代模型。去除疑似记忆题后，领先幅度最多仅收窄 3.5 pp，排名不变。

由斯坦福大学和 Laude Institute 开发，测试 AI 在终端与命令行环境中完成真实任务的能力，涵盖 89 种系统操作场景，每任务运行在独立 Kubernetes 容器中，对推理速度敏感。

使用 2.1 补丁并放宽至 4 小时超时后，Mythos Preview 从 82% 跃升至 92.1%，与 GPT-5.4（75.3%）差距进一步扩大。

"Google 防作弊"研究生级别科学选择题，198 道，涵盖物理、化学、生物等领域。领域专家能答对，但非专家即便借助搜索引擎也很难作答。

四款顶级模型成绩高度接近（差距 ≤ 3.2 pp），说明 GPQA Diamond 对当前最强模型的区分度趋于饱和。

跨 57 个学科、14 种非英语语言的综合知识与推理测试，检验模型在英语以外语言中的知识广度和推理一致性。

美国最顶级的高中数学竞赛，6 道开放性证明题。考试于 2026年3月21–22日举行（模型训练截止日之后），排除数据污染。由三个前沿模型组成评审团，取最低分为最终成绩。

差距最悬殊的一项：Opus 4.6 仅得 42.3%，Mythos Preview 达 97.6%，数学推理能力出现代际跳跃。Gemini 3.1 Pro 独立确认了 58/60 道题的评分。

测试模型在超长上下文（256K–1M tokens）下的多跳推理能力。上下文填充有向图，模型需执行广度优先搜索（BFS）或找出父节点，纯靠推理无任何捷径。

BFS 任务上 Mythos Preview 是 Opus 4.6 的两倍多、GPT-5.4 的近四倍。此项结果无法通过公开 API 复现（超出 1M token 限制）。

2500 道覆盖人类知识边界的多模态题目，号称"最难的 AI 基准"。分纯推理（无工具）与智能体（配备网搜、代码执行等工具）两种模式。

配备工具后成绩提升约 8 pp，Mythos Preview 在有工具模式下与竞争对手的差距更为明显，说明其更善于协调工具使用与推理。

测试智能体在开放网络中定位"极难找到的信息"的能力，考查多轮搜索、网页抓取与推理的综合协调能力，而非知识储备。

Figure 6.10.2.A — 准确率随 Token 预算增加而单调提升。Mythos Preview 用 226K tokens（Opus 4.6 的 1/4.9）达到更高准确率。

由 FutureHouse 开发，测试模型能否正确解读生物学研究论文中的复杂科学图表，属于 LAB-Bench 系列，评估 AI 辅助真实科研的能力。

Mythos Preview 无工具成绩（79.7%）已超越专家人类基线（77.0%），配备 Python 图像处理工具后进一步跃升至 89.0%。

由新加坡国立大学开发，测试模型能否在专业桌面软件高分辨率截图中精准定位界面元素，涵盖 23 种专业应用，目标元素平均占屏幕面积不到 0.1%。

配备 Python 工具后成绩从 79.5% 跃升至 92.8%，图像处理能力对高精度 GUI 定位至关重要。

来自 8 大科学领域 arXiv 论文的 2323 张真实图表，测试模型能否综合视觉信息进行多步推理，是最贴近真实科研阅读场景的多模态推理评测。

Mythos Preview 无工具（86.1%）比 Opus 4.6 有工具（78.9%）还高出 7.2 pp，代差极为明显。

让智能体在真实 Ubuntu 虚拟机中，通过鼠标和键盘完成实际电脑任务：编辑文档、浏览网页、管理文件。以 1080p 分辨率运行，每任务最多 100 步操作。