Anthropicは、自社のMythosクラスモデルをClaude Opus 4.8と直接比較したベンチマークを、ちょうど3つ公表しています。SWE-Bench Pro（80.3%対69.2%）、CognitionのFrontierCode（29.3%対13.4%）、およびExploitBench（78%対40%）です。オンラインで出回っている「Claude Mythos vs Claude Opus」に付随するそれ以外の数値、つまりHumanity's Last Examのスコア、GPQA、AIME、または4.8以外のOpus版は、Anthropicのリリースには含まれていません。その一部は完全な捏造であり、また一部は現行のMythosモデルを、その1世代前のOpus版と比較しています。
2つ目の厄介な点があります。Mythos と Opus 4.8 を並べて比較している人のほとんどは、実際には Mythos を動かしていません。多くの人が Mythos-class API を呼び出したときに得るモデルは Fable 5 であり、これはリクエストがサイバーセキュリティ、生物学、またはその他いくつかのフラグ付きドメインに触れた瞬間、密かに Opus 4.8 に切り替わります。つまり、多くの「Mythos vs Opus」の直接比較は、筆者が気づかないまま、Opus 4.8 対 自身になっているのです。
Anthropicが実際に公開した3つのベンチマーク
Anthropicによる2026年6月9日のFable 5とMythos 5の発表には、基盤となるMythosクラスのモデルとClaude Opus 4.8を比較したベンチマーク表が含まれていました。Anthropic自身のリリースと、それを直接引用している独立系メディアの双方で、一貫して3つの結果が見られます。これには、The Decoderのものや、Vellumの同じ発表に関する解説も含まれます:
| ベンチマーク | Mythos-class | Claude Opus 4.8 |
|---|---|---|
| SWE-Bench Pro（実際のGitHub issue解決） | 80.3% | 69.2% |
| CognitionのFrontierCode | 29.3% | 13.4% |
| ExploitBench（攻撃的セキュリティタスク） | 78% | 40% |
SWE-Bench Pro の差、11.1ポイントは、コーディング作業に Mythos クラスの推論を追い求める価値があるかを判断する際に、最も引用しやすい数値です。ExploitBench のスコアは、一般的な購入者にとって最も重要性が低い指標です。これは、Fable 5 の安全分類器が関与する前のベースモデルの生の能力を測定するものであり、本番環境では、分類器がその能力が表に出る前にそれらを Opus 4.8 に振り分けるため、Fable 5 のサイバータスクでのスコアはほぼ 0% になります。
Anthropicが公表したどの数値にも、Mythos-classとOpus 4.8を Humanity's Last Exam、GPQA Diamond、AIME、またはTerminal-Benchで互いに比較したものはありません。もし両モデルについてそれらのベンチマークが埋められた表を見かけたら、出典を尋ねてください — 現時点では、それはAnthropic由来ではありません。
Anthropicが公開しなかった、繰り返し言及されているスコア
「Claude Mythos vs Claude Opus」を検索すると、この対決について詳細なベンチマーク表を掲載した複数のサイトが見つかります。これらをAnthropicのリリースと照合すると、問題は1つではなく2つあることがわかります:
出典を追跡できない数値。 BenchlmのMythos 5とOpus 4.6の比較では、MathベンチマークのスコアとしてMythosが97.6%、Opusが36.3%と記載されているが、この名称のベンチマークはどちらのモデルの公開資料にも見当たらないため、61ポイントの差となっている。これらの数値は、Anthropicの発表にも、The DecoderやVellumによる独自の解説にも、またOpus 4.8のいずれのsystem cardにも掲載されていない。
実数値、対戦相手が違う。 同じBenchlmのページは、Mythos-class自身のSWE-Bench Proスコア80.3%を正しく示しており、Anthropicの実際の数値と一致しているが、Claude Opus 4.6の53.4%と比較しており、本来のOpus 4.8の69.2%ではない。Opus 4.6はFable 5/Mythos 5の発表より複数のリリースサイクル前のものであり、これを新しいMythosの数値と並べることで、現行世代同士の比較では11ポイントしかない差を、27ポイントの差として作り出している。
どちらのパターンも、根本的な主張――Mythos-class の推論が coding と agentic tasks において Opus 4.8 を上回る――を偽りにはしません。11ポイントの SWE-Bench Pro の差は事実です。しかし、11ポイントの差と、作り出された44ポイントの差とでは、Mythos が実際にどれほど優れているのかについて導かれる結論が異なります。そして、その数字のうち Anthropic から出たのは1つだけです。
なぜこの質問をするほとんどの人が自分で試せないのか
ベンチマーク表では省かれている部分があります。Mythos 5 は、呼び出せるモデルではありません。Anthropic はこれを Project Glasswing のパートナー、つまり米国政府のサイバー防衛担当者にのみ提供しており、信頼されたアクセスプログラムはサイバーセキュリティ組織向けに、さらに別枠で生物医学研究者向けにも開放されます。価格ページも、登録フォームも、自分で SWE-Bench Pro の比較を実行するために生成できる API key もありません。
一般提供されているのは Fable 5 です。これは、同じ基盤となる Mythos-class の重みを持ち、各リクエストをサイバーセキュリティ、生物学/化学、または model-distillation の内容について監視する safety classifiers を備えています。リクエストがこれらの classifier のいずれかに引っかかると、Fable 5 は会話の途中でそれを Opus 4.8 に引き渡し、その旨を知らせ、迂回された部分には Opus 4.8 のより低い per-token rate を適用して課金します。Anthropic の自社データでは、そのトリガー率はセッションの 5% 未満です。残りの 95% 以上については、Fable 5 を呼び出したときに得られるものは、まさに上記の Mythos-class ベンチマークそのものです。フラグが付いた少数派については、Opus 4.8 をそれ自体と比較テストしている状態に戻ります。
これが、"Mythos vs Opus" に関する多くの記事が、ベンチマークに基づくものではなく、曖昧な表現（「Mythos は複雑な多段階タスクで明らかに優れている」）になっている理由です。ほとんどの著者は、そもそも Mythos を試す機会がありませんでした。彼らは Anthropic 自身の公開数値を繰り返しているか、互いの出典不明の数値を繰り返しているか、あるいは Fable 5 を説明してそれを Mythos と呼んでいるだけです。
では、実際にどちらを使うべきでしょうか
もしあなたの仕事が一般的なソフトウェアエンジニアリング、執筆、または分析であれば、実際の選択肢は Mythos 対 Opus 4.8 ではなく、Fable 5 対 Opus 4.8 です。というのも、Fable 5 は実際に入手できる中で Mythos 級の能力に最も近いものだからです。Fable 5 と Opus 4.8 は価格が異なり（100万トークンあたり $10/$50 対 $5/$25）、そのため 11ポイントの SWE-Bench Pro の差は、価格に敏感なワークロードで Fable 5 を選ぶには、ほぼ2倍のコストに見合う価値がある必要があります。すでにタスクの難易度に応じて Claude の各ティアを使い分けているチームにとっては、これは一律の判断ではなくタスクごとの判断であり、すべてに対して1つのティアを選ぶのではなく、API aggregator が自動的に処理するのと同じルーティングロジックです。
もしあなたの仕事がセキュリティ研究、エクスプロイト開発、または正当な機関案件を伴う生物医学研究であるなら、ExploitBench のギャップ（78% 対 40%、ブロックされていないモデルを測定したもの）が重要な数値であり、次の本当のステップは、購入可能な製品としては存在しない Mythos アクセスを再販すると主張するベンダーを探すことではなく、Anthropic の trusted-access プログラムに申し込むことです。
Fable 5 と Mythos 5 がどのように関係しているのか、つまり同一モデルでありながら安全性の設定が異なること、そしてそれが実際にどのようなコストにつながるのかを詳しく知りたい場合は、Fable 5 vs Mythos 5 をご覧ください。
よくある質問
Claude MythosはClaude Opus 4.8よりも高性能ですか？
Anthropicが公開した3つのベンチマーク、つまりSWE-Bench Pro、CognitionのFrontierCode、そしてExploitBenchにおける直接比較では、はい、ベンチマークによって11〜38ポイントの差があります。Humanity's Last Examや、この対決におけるGPQAスコアを含む、これら3つのベンチマークを超える主張については、Anthropicが公開したいかなるものにも出典がありません。
Claude Mythos を Opus 4.8 と実際に自分でテストできますか？
直接ではありません。Mythos 5 は、Project Glasswing の政府サイバー防衛パートナーと、少数の信頼済みアクセスプログラムに限定されています。テストできるのは Fable 5 で、これは同じ基盤ウェイトを共有しており、セッションの約 95% では Mythos 級の出力を提供し、残りは Opus 4.8 に切り替わります。
なぜ一部のサイトでは Mythos と Opus のスコアが異なって表示されるのですか？
繰り返し現れる理由は2つあります。追跡可能な出典のない数値で、Anthropicのリリースには見当たらないもの、そして古いOpusバージョン（4.8ではなく4.6）に対して実際のMythosクラスのスコアを比較しているため、見かけ上の差が水増しされていることです。
Fable 5 と Mythos 5 の本当の違いは何ですか?
それらは同じモデルです。Fable 5 は安全性分類器を実行し、サイバーセキュリティ、バイオロジー、蒸留関連のリクエストを Opus 4.8 に振り分けます。Mythos 5 はそれらの保護措置が解除されていますが、検証済みのパートナーに限定されています。詳細は Fable 5 vs Mythos 5 をご覧ください。
Opus 4.8 は Mythos クラスのモデルより安いですか?
はい。Opus 4.8 は、100万 input/output tokens あたり $5/$25 で、Fable 5 と Mythos 5 の $10/$50 と比べて安価です。SWE-Bench Pro や FrontierCode の向上を必要としないワークロードでは、Opus 4.8 は、classifier reroutes を気にする必要がない、より低コストの選択肢です。
結論
Anthropicが公開した3つのベンチマークでは、Mythosクラスの推論がOpus 4.8を実際にかなりの差で上回っています。これら3つの数値を超える部分――そして「MythosがOpusを圧倒する」という見出しを押し上げているものの大半――は、出典が示されていないか、古いOpusのバージョンと比較しているにすぎません。さらに、あなたが認定済みのサイバー防衛またはバイオメディカルのパートナーでない限り、Opus 4.8に対して実際にテストすることになるモデルはMythos 5そのものではなく、Fable 5です。