Anthropic 仅公布了三个可直接对比其 Mythos 系列模型与 Claude Opus 4.8 的基准测试：SWE-Bench Pro（80.3% 对 69.2%）、Cognition 的 FrontierCode（29.3% 对 13.4%）以及 ExploitBench（78% 对 40%）。网上流传的所有其他与“Claude Mythos vs Claude Opus”相关的数字——Humanity's Last Exam 分数、GPQA、AIME，或除 4.8 之外的 Opus 版本——都不在 Anthropic 的发布内容中。其中有些是完全编造的；有些则是把当前的 Mythos 模型与落后整整一代的 Opus 版本进行对比。
还有第二个复杂之处：几乎没有人在并排比较 Mythos 和 Opus 4.8 时实际运行的是 Mythos。大多数人调用 Mythos 级 API 时得到的模型是 Fable 5，而一旦请求涉及网络安全、生物学或其他少数被标记的领域，它就会静默重定向到 Opus 4.8。因此，很多“Mythos vs Opus”的正面比较，作者并未意识到，其实是在拿 Opus 4.8 和它自己比。
Anthropic 实际发布的三个基准测试
Anthropic 于 2026 年 6 月 9 日发布的 Fable 5 和 Mythos 5 包含一张基准测试表，将底层的 Mythos 系列模型与 Claude Opus 4.8 进行比较。Anthropic 自身的发布内容以及直接引用它的独立媒体中，持续出现了三个结果，包括 The Decoder 和 Vellum 对同一发布的解析：
| 基准 | Mythos-class | Claude Opus 4.8 |
|---|---|---|
| SWE-Bench Pro（真实 GitHub 问题修复） | 80.3% | 69.2% |
| Cognition 的 FrontierCode | 29.3% | 13.4% |
| ExploitBench（进攻性安全任务） | 78% | 40% |
SWE-Bench Pro 的差距为 11.1 分，如果你正在决定是否值得为编码工作追逐 Mythos 级推理，这个数字最值得引用。ExploitBench 分数对普通买家来说最不重要：它衡量的是在 Fable 5 的安全分类器介入之前底层模型的原始能力，而在生产环境中，Fable 5 在网络安全任务上的得分接近 0%，因为分类器会在这种能力真正暴露出来之前将其重定向到 Opus 4.8。
Anthropic 发布的任何数字都没有将 Mythos-class 和 Opus 4.8 在 Humanity's Last Exam、GPQA Diamond、AIME 或 Terminal-Bench 上相互对比。如果你看到一个表格把这些基准都填上了，并且两个模型都有数据，请问它的来源——截至撰写本文时，这并不是来自 Anthropic。
Anthropic 未发布的重复评分
搜索“Claude Mythos vs Claude Opus”会找到几个包含这场对比详细基准测试表格的网站。将它们与 Anthropic 的发布内容交叉核对后，发现有两个独立的问题，而不是一个：
没有可追溯来源的数字。 Benchlm 对 Mythos 5 与 Opus 4.6 的比较列出了 Mythos 的 Math 基准分数为 97.6%，而 Opus 为 36.3%——在一个两种模型的公开材料都未以该名称提及的基准上，相差 61 分。Anthropic 的公告、The Decoder 或 Vellum 对其的独立解读，以及任何 Opus 4.8 system card 中都没有出现这两个数字。
真实数字，错误的对手。 同一个 Benchlm 页面把 Mythos-class 自己的 SWE-Bench Pro 分数算对了，80.3%，与 Anthropic 的真实数据一致，但却把它与 Claude Opus 4.6 的 53.4% 配对，而不是 Opus 4.8 的 69.2%。Opus 4.6 早于 Fable 5/Mythos 5 的发布，跨越了多个发布周期，因此把它与更新的 Mythos 数值相配，会人为制造出 27 个百分点的差距，而当前一代的对比只显示 11 个百分点。
这两种说法都不会使其背后的主张——即 Mythos 级推理在编码和 agentic 任务上优于 Opus 4.8——变成错误。SWE-Bench Pro 的 11 分差距是真实存在的。但 11 分的差距和人为制造的 44 分差距，会导向关于 Mythos 实际到底好多少的不同结论，而这两个数字中只有一个来自 Anthropic。
为什么问这个问题的大多数人无法自己测试它
基准测试表格遗漏了这一点：Mythos 5 并不是你可以调用的模型。Anthropic 仅将其提供给 Project Glasswing 合作伙伴——美国政府网络防御者——并通过一个可信访问计划向网络安全组织，以及另外向生物医学研究人员开放。没有定价页面，没有注册表单，也没有你可以生成的 API key 来运行你自己的 SWE-Bench Pro 对比。
目前普遍可用的是 Fable 5：其底层仍是相同的 Mythos-class 权重，并配有安全分类器，会监控每个请求是否包含网络安全、生物/化学或模型蒸馏内容。当某个请求触发其中一个分类器时，Fable 5 会在对话过程中将其交给 Opus 4.8，告知你发生了切换，并按 Opus 4.8 更低的按 token 计费费率对重定向部分收费。Anthropic 自己的数据将触发率定在低于 5% 的会话中。对于其余 95% 以上的情况，你调用 Fable 5 得到的确实是上述 Mythos-class 基准表现；而对于被标记的少数情况，你实际上又是在让 Opus 4.8 与它自己对比测试。
这就是为什么那么多“Mythos vs Opus”的文章读起来都很模糊（“Mythos 在复杂的多步骤任务上显然更强”），而不是基于基准测试：大多数作者根本没有 Mythos 可供测试。他们要么在重复 Anthropic 自己发布的数字，要么在重复彼此没有来源的数字，要么是在描述 Fable 5 却把它称作 Mythos。
那么你到底应该使用哪一个
如果你的工作是通用软件工程、写作或分析，那么实际的选择并不是 Mythos vs Opus 4.8 ——而是 Fable 5 vs Opus 4.8，因为 Fable 5 是你实际上能获得的最接近 Mythos 级能力的东西。Fable 5 和 Opus 4.8 的定价不同（每百万 tokens 分别为 $10/$50 vs $5/$25），因此 11 分的 SWE-Bench Pro 差距需要大致值双倍成本，Fable 5 才能在对价格敏感的工作负载上算得过账。对于已经按任务难度在不同 Claude 级别之间路由的团队来说，这是一项按任务决定的选择，而不是一刀切的选择；这也是 API aggregator 自动处理的路由逻辑，而不是为所有事情都只选一个级别。
如果你的工作是安全研究、漏洞利用开发，或者是具有合法机构案例的生物医学研究，那么 ExploitBench 差距（78% 对 40%，测量的是未受阻止的模型）才是关键数字，而真正的下一步是申请 Anthropic 的可信访问计划——而不是去寻找声称转售 Mythos 访问权限的供应商，因为这并不存在可供购买的产品。
要全面了解 Fable 5 和 Mythos 5 之间的关系——同一模型、不同的安全配置，以及这在实际使用中会给你带来什么影响——请参见 Fable 5 vs Mythos 5。
常见问题
Claude Mythos 比 Claude Opus 4.8 更强大吗？
在 Anthropic 已发布的三项正面对比基准——SWE-Bench Pro、Cognition 的 FrontierCode 和 ExploitBench——上，确实，领先幅度为 11 到 38 分，具体取决于基准。除此之外的说法，包括这场对比中的 Humanity's Last Exam 或 GPQA 分数，都没有任何 Anthropic 发布内容作为来源。
我真的可以自己测试 Claude Mythos 与 Opus 4.8 的对比吗？
不能直接使用。Mythos 5 仅限于 Project Glasswing 政府网络防御合作伙伴以及一个小型受信任访问计划。你可以测试的是 Fable 5，它共享相同的底层权重，并在大约 95% 的会话中提供 Mythos 级输出，其余会话则会重定向到 Opus 4.8。
为什么有些网站显示的 Mythos 与 Opus 分数不同？
反复出现的两个原因是：没有可追溯来源的数字，这些数字并未出现在 Anthropic 的发布中；以及真实的 Mythos 级分数却与较旧的 Opus 版本（4.6 而不是 4.8）进行对比，这会夸大表面差距。
Fable 5 和 Mythos 5 的真正区别是什么？
它们是同一个模型。Fable 5 会运行安全分类器，将与网络安全、生物学以及蒸馏相关的请求重定向到 Opus 4.8；Mythos 5 则取消了这些防护措施，但仅限于经过审核的合作伙伴使用。有关完整说明，请参见 Fable 5 vs Mythos 5。
Opus 4.8 比 Mythos 系列模型更便宜吗？
是的。Opus 4.8 的价格为每百万输入/输出 tokens 5 美元/25 美元，而 Fable 5 和 Mythos 5 则为 10 美元/50 美元。对于不需要 SWE-Bench Pro 或 FrontierCode 提升的工作负载，Opus 4.8 是成本更低的选择，而且无需担心分类器重路由。
结论
Anthropic 发布的三个基准显示，Mythos 级推理以一个真实、适度的优势领先于 Opus 4.8。除这三个数字之外的所有内容——以及大多数推动“Mythos 碾压 Opus”标题的说法——要么没有来源，要么是在与过时的 Opus 版本比较。而且，除非你是经过审核的网络防御或生物医学合作伙伴，否则你实际会拿来与 Opus 4.8 进行测试的模型是 Fable 5，而不是 Mythos 5 本身。