---
title: "Claude Mythos 5"
source: "https://systems-analysis.info/wiki/Claude_Mythos_5"
wiki: "systems-analysis.info/wiki"
article: "Claude_Mythos_5"
language: "ru"
categories:
  - "Категория:Anthropic"
  - "Категория:Claude"
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
  - "Категория:Семейства LLM"
revision_id: 825
wiki_created_at: 2026-11-12T00:13:08Z
wiki_modified_at: 2026-11-12T02:42:38Z
downloaded_at: 2026-11-12T02:53:56Z
---

# Claude Mythos 5

**Claude Mythos 5** — большая языковая модель компании [Anthropic](https://systems-analysis.info/wiki/Anthropic "Anthropic"), первый нумерованный выпуск класса Mythos, превышающего по возможностям класс Opus и ориентированного на задачи кибербезопасности и биологических исследований. Модель построена на той же базовой основе, что и общедоступная [Claude Fable 5](https://systems-analysis.info/wiki/Claude_Fable_5 "Claude Fable 5"), но отличается ослабленными в отдельных областях механизмами защиты и доступом, предоставляемым только организациям, прошедшим верификационные программы Anthropic. Модель была выпущена 9 июня 2026 года в виде предварительной версии в рамках программы <a href="https://www.anthropic.com/glasswing" class="external text" rel="nofollow">Project Glasswing</a> одновременно с моделью [Claude Fable 5](https://systems-analysis.info/wiki/Claude_Fable_5 "Claude Fable 5"), после чего доступ к ней приостанавливался по предписанию правительства США с 12 июня и был восстановлен 1 июля 2026 года.

## Оценка

<span class="mw-selflink selflink">Claude Mythos 5</span> — наиболее способная модель из когда-либо обученных Anthropic, — оценивалась по широкому набору тестов, охватывающих программную инженерию, агентные и компьютерные задачи, математические и научные рассуждения, профессиональную работу длинного горизонта, а также риски по Responsible Scaling Policy (RSP), кибер-возможности, safeguards, агентную безопасность, выравнивание и благополучие модели. Mythos 5 развёрнута без продуктовых safeguard'ов и доступна только доверенным партнёрам в рамках программы Project Glasswing (защита критической глобальной программной инфраструктуры); общедоступная конфигурация той же базовой модели — [Claude Fable 5](https://systems-analysis.info/wiki/Claude_Fable_5 "Claude Fable 5") — выпущена с классификаторами кибер- и биобезопасности и откатом (fallback) на [Claude Opus 4.8](https://systems-analysis.info/wiki/Claude_Opus_4.8 "Claude Opus 4.8"). По итогам оценок RSP возможности уровня CB-1 подтверждены (консервативно), порог CB-2 не превышен — однако это наименее очевидный вывод с прежних моделей, и незащищённая Mythos 5 может значительно усиливать хорошо ресурсированных акторов; порог автоматизированного AI R&D не достигнут (модель расширяет frontier, поэтому порог проверялся напрямую; вывод согласован с внешним тестированием METR). В кибер-области модель отнесена к Tier 1 Frontier Compliance Framework с блокировкой потенциально вредных наступательных использований; риск выравнивания оценён как очень низкий, но выше, чем у моделей до [Claude Mythos Preview](https://systems-analysis.info/wiki/Claude_Mythos_Preview "Claude Mythos Preview"); уровень ASL-3 сохранён. Релиз состоялся 9 июня 2026 года, карточка обновлялась 11 и 25 июня 2026 года.<sup>[\[1\]](https://systems-analysis.info/wiki/Claude_Mythos_5#cite_note-1)</sup>

Если не указано иное, значения Mythos 5 получены в стандартной конфигурации: адаптивное мышление при максимальном уровне усилий, настройки сэмплирования по умолчанию, усреднение по 5 испытаниям, окно контекста не более 1M токенов. Значения Fable 5 отражают её продуктовые safeguard'ы, включая откат на Opus 4.8 (из-за этого отдельные бенчмарки у Fable чуть ниже, чем у Mythos); для claude.ai использован снапшот системного промпта начала июня 2026 года. Значения конкурентов взяты из системных карточек, релизных материалов и лидербордов их разработчиков. В разделах, где оценивалось поведение самой модели независимо от продуктовых safeguards (кибер, агентная безопасность, BBQ, науки о жизни, CB-оценки), приведены значения Mythos 5; Fable 5 наследует это поведение, а её классификаторы служат дополнительным слоем защиты.<sup>[\[2\]](https://systems-analysis.info/wiki/Claude_Mythos_5#cite_note-2)</sup>

  
**Результаты ключевых бенчмарков возможностей (сводная таблица 8.1.A System Card):**

<table class="wikitable" style="text-align:center;">
<colgroup>
<col style="width: 11%" />
<col style="width: 11%" />
<col style="width: 11%" />
<col style="width: 11%" />
<col style="width: 11%" />
<col style="width: 11%" />
<col style="width: 11%" />
<col style="width: 11%" />
<col style="width: 11%" />
</colgroup>
<thead>
<tr class="header">
<th style="text-align: left;">Benchmark</th>
<th>Description</th>
<th>Setup</th>
<th>Claude Mythos 5</th>
<th><a href="https://systems-analysis.info/wiki/Claude_Fable_5" title="Claude Fable 5">Claude Fable 5</a></th>
<th><a href="https://systems-analysis.info/wiki/Claude_Mythos_Preview" title="Claude Mythos Preview">Claude Mythos Preview</a></th>
<th><a href="https://systems-analysis.info/wiki/Claude_Opus_4.8" title="Claude Opus 4.8">Claude Opus 4.8</a></th>
<th><a href="https://systems-analysis.info/wiki/GPT-5.5" title="GPT-5.5">GPT-5.5</a></th>
<th><a href="https://systems-analysis.info/wiki/Gemini_3.1_Pro" title="Gemini 3.1 Pro">Gemini 3.1 Pro</a></th>
</tr>
</thead>
<tbody>
<tr class="odd">
<td style="text-align: left;">SWE-bench Pro<sup>1</sup></td>
<td>Software engineering on actively-maintained repositories</td>
<td>No ground-truth leakage; avg of 5 trials</td>
<td style="background: #e6f3ff"><strong>80.3%</strong></td>
<td>80%</td>
<td>77.8%</td>
<td>69.2%</td>
<td>58.6%</td>
<td>54.2%</td>
</tr>
<tr class="even">
<td style="text-align: left;">SWE-bench Verified<sup>1</sup></td>
<td>Software engineering on human-verified problems</td>
<td>500 problems; avg of 5 trials</td>
<td style="background: #e6f3ff"><strong>95.5%</strong></td>
<td>95%</td>
<td>93.9%</td>
<td>88.6%</td>
<td>—</td>
<td>80.6%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Terminal-Bench 2.1<sup>2</sup></td>
<td>Agentic tasks in terminal environments</td>
<td>mini-SWE-agent; high effort; 89 tasks × 5</td>
<td style="background: #e6f3ff"><strong>88.0%</strong></td>
<td>84.3%</td>
<td>—</td>
<td>82.7%</td>
<td>83.4% (Codex CLI)</td>
<td>70.7% (Gemini CLI)</td>
</tr>
<tr class="even">
<td style="text-align: left;">BrowseComp<sup>3</sup></td>
<td>Web research and information seeking</td>
<td>Max effort; single / multi-agent</td>
<td style="background: #e6f3ff"><strong>88.0%</strong><br />
<strong>93.3%</strong></td>
<td>—</td>
<td>87.9%</td>
<td>84.3%<br />
88.5%</td>
<td>84.4%</td>
<td>85.9%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Humanity's Last Exam (no tools)<sup>4</sup></td>
<td>Academic reasoning across domains</td>
<td>Reasoning-only; auto thinking; 1M context</td>
<td style="background: #e6f3ff"><strong>59.0%</strong></td>
<td>—</td>
<td>56.8%</td>
<td>49.8%</td>
<td>41.4%</td>
<td>44.4%</td>
</tr>
<tr class="even">
<td style="text-align: left;">Humanity's Last Exam (with tools)<sup>4</sup></td>
<td>Academic reasoning across domains</td>
<td>Search and code execution; 1M context</td>
<td style="background: #e6f3ff">64.5%</td>
<td>—</td>
<td><strong>64.7%</strong></td>
<td>57.9%</td>
<td>52.2%</td>
<td>51.4%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">CharXiv Reasoning (no tools)<sup>5</sup></td>
<td>Figure-grounded scientific reasoning</td>
<td>1000 questions; grader Sonnet 4.6</td>
<td style="background: #e6f3ff"><strong>88.9%</strong></td>
<td>—</td>
<td>86.2%</td>
<td>80.5%</td>
<td>—</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">CharXiv Reasoning (with tools)<sup>5</sup></td>
<td>Figure-grounded scientific reasoning</td>
<td>1000 questions; grader Sonnet 4.6</td>
<td style="background: #e6f3ff"><strong>93.5%</strong></td>
<td>—</td>
<td>92.5%</td>
<td>89.9%</td>
<td>—</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">BioMysteryBench (Human Solvable)<sup>6</sup></td>
<td>Analytical biological problem solving</td>
<td>Human-solvable subset</td>
<td style="background: #e6f3ff"><strong>83.9%</strong></td>
<td>—</td>
<td>82.6%</td>
<td>80.4%</td>
<td>—</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">BioMysteryBench (Human Difficult)<sup>6</sup></td>
<td>Analytical biological problem solving</td>
<td>Human-difficult subset</td>
<td style="background: #e6f3ff"><strong>46.1%</strong></td>
<td>—</td>
<td>29.6%</td>
<td>40.0%</td>
<td>—</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">OSWorld-Verified<sup>7</sup></td>
<td>Computer use</td>
<td>1080p; 100 steps; first attempt; avg of 5</td>
<td style="background: #e6f3ff">85.0%</td>
<td>85.0%</td>
<td><strong>85.4%</strong></td>
<td>83.4%</td>
<td>78.7%</td>
<td>76.2%</td>
</tr>
<tr class="even">
<td style="text-align: left;">CritPt<sup>8</sup></td>
<td>Independent evaluation by Artificial Analysis</td>
<td>70 tasks</td>
<td style="background: #e6f3ff"><strong>28.6%</strong></td>
<td>—</td>
<td>—</td>
<td>20.9%</td>
<td>27.1%</td>
<td>17.7%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">ArxivMath<sup>9</sup></td>
<td>Research-level mathematics</td>
<td>Mar–Apr 2026 set; extended thinking</td>
<td style="background: #e6f3ff"><strong>78.5%</strong></td>
<td>—</td>
<td>68.7%</td>
<td>71.8%</td>
<td>71.5%</td>
<td>64.8%</td>
</tr>
<tr class="even">
<td style="text-align: left;">RiemannBench<sup>10</sup></td>
<td>Graduate-level mathematics</td>
<td>25 problems; max effort; no tools</td>
<td style="background: #e6f3ff"><strong>55.0%</strong></td>
<td>—</td>
<td>43.0%</td>
<td>34.0%</td>
<td>—</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">GraphWalks BFS 256K<sup>11</sup></td>
<td>Multi-hop graph traversal in long context</td>
<td>256K context subset; avg of 5</td>
<td style="background: #e6f3ff"><strong>91.1%</strong></td>
<td>—</td>
<td>85.7%</td>
<td>85.9%</td>
<td>73.7%</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">GraphWalks Parents 256K<sup>11</sup></td>
<td>Multi-hop graph traversal in long context</td>
<td>256K context subset; avg of 5</td>
<td style="background: #e6f3ff"><strong>99.96%</strong></td>
<td>—</td>
<td>99.9%</td>
<td>99.3%</td>
<td>90.1%</td>
<td>—</td>
</tr>
<tr class="odd">
<td style="text-align: left;">FrontierCode (Diamond)<sup>12</sup></td>
<td>Competitive software engineering</td>
<td>Cognition; 150 tasks; mean@5; xhigh</td>
<td style="background: #e6f3ff">—</td>
<td><strong>29.3%</strong></td>
<td>—</td>
<td>13.4%</td>
<td>5.7%</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">GDPval-AA<sup>13</sup></td>
<td>Economically valuable professional tasks</td>
<td>Elo as of June 6, 2026</td>
<td style="background: #e6f3ff">—</td>
<td><strong>1932</strong></td>
<td>—</td>
<td>1890</td>
<td>1769</td>
<td>1314</td>
</tr>
<tr class="odd">
<td style="text-align: left;">GDP.pdf<sup>14</sup></td>
<td>Long-horizon document work</td>
<td>Surge harness; strict pass</td>
<td style="background: #e6f3ff">—</td>
<td><strong>29.8%</strong></td>
<td>—</td>
<td>22.5%</td>
<td>24.9%</td>
<td>16.7%</td>
</tr>
<tr class="even">
<td style="text-align: left;">OfficeQA Pro<sup>15</sup></td>
<td>Document understanding and office tasks</td>
<td>Databricks harness; documents as images</td>
<td style="background: #e6f3ff">—</td>
<td><strong>57.9%</strong></td>
<td>—</td>
<td>48.1%</td>
<td>52.6%</td>
<td>18.1%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">AutomationBench<sup>16</sup></td>
<td>End-to-end business workflow automation</td>
<td>Zapier; private held-out; max effort</td>
<td style="background: #e6f3ff">—</td>
<td><strong>17.4%</strong></td>
<td>—</td>
<td>15.5%</td>
<td>12.9%</td>
<td>9.6%</td>
</tr>
<tr class="even">
<td style="text-align: left;">Blueprint-Bench 2<sup>17</sup></td>
<td>Apartment blueprint analysis</td>
<td>Andon Labs; 50 units; normalized score</td>
<td style="background: #e6f3ff">—</td>
<td><strong>38.6%</strong></td>
<td>—</td>
<td>14.5%</td>
<td>36.2%</td>
<td>26.5%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Legal Agent Benchmark (public set)<sup>18</sup></td>
<td>Legal work across 24 practices</td>
<td>Harvey; 1200+ tasks; all-pass rate</td>
<td style="background: #e6f3ff"><strong>16.9%</strong></td>
<td>—</td>
<td>13.4%</td>
<td>9.6%</td>
<td>—</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">Legal Agent Benchmark (held-out set)<sup>18</sup></td>
<td>Legal work across 24 practices</td>
<td>Harvey held-out; all-pass rate</td>
<td style="background: #e6f3ff">—</td>
<td><strong>13.3%</strong></td>
<td>—</td>
<td>10.4%</td>
<td>2.1%</td>
<td>0.0%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">HealthBench<sup>19</sup></td>
<td>Healthcare reasoning</td>
<td>Grader Opus 4.8; 40k budget; 5 trials; no tools</td>
<td style="background: #e6f3ff"><strong>62.7%</strong></td>
<td>—</td>
<td>61.1%</td>
<td>59.3%</td>
<td>56.5%</td>
<td>—</td>
</tr>
<tr class="even">
<td style="text-align: left;">HealthBench Professional<sup>19</sup></td>
<td>Healthcare reasoning</td>
<td>Grader Opus 4.8; 40k budget; 5 trials; no tools</td>
<td style="background: #e6f3ff"><strong>66.0%</strong></td>
<td>—</td>
<td>64.7%</td>
<td>56.9%</td>
<td>51.8%</td>
<td>—</td>
</tr>
</tbody>
</table>

  
**Результаты агентного бенчмарка Toolathlon (таблица 8.17.8.A System Card):**

| Benchmark                           | Description                                                   | Setup                                 | Claude Mythos 5 | [Claude Fable 5](https://systems-analysis.info/wiki/Claude_Fable_5 "Claude Fable 5") | [Claude Opus 4.8](https://systems-analysis.info/wiki/Claude_Opus_4.8 "Claude Opus 4.8") | [Claude Opus 4.7](https://systems-analysis.info/wiki/Claude_Opus_4.7 "Claude Opus 4.7") | [Claude Mythos Preview](https://systems-analysis.info/wiki/Claude_Mythos_Preview "Claude Mythos Preview") | [Claude Opus 4.6](https://systems-analysis.info/wiki/Claude_Opus_4.6 "Claude Opus 4.6") | [Claude Sonnet 4.5](https://systems-analysis.info/wiki/Claude_Sonnet_4.5 "Claude Sonnet 4.5") |
|:------------------------------------|---------------------------------------------------------------|---------------------------------------|-----------------|--------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------|
| Toolathlon (Pass@1)<sup>20</sup>    | Real-world tool use across office, commerce and research apps | 108 tasks; 3 trials; higher is better | 61.7%           | 61.7%                                                                                | 59.9%                                                                                   | 59.3%                                                                                   | 61.1%                                                                                                     | 56.8%                                                                                   | 41.0%                                                                                         |
| Toolathlon (Pass@3)<sup>20</sup>    | Real-world tool use across office, commerce and research apps | 108 tasks; 3 trials; higher is better | 66.7%           | **68.5%**                                                                            | 67.6%                                                                                   | 66.7%                                                                                   | 66.7%                                                                                                     | 66.7%                                                                                   | 54.6%                                                                                         |
| Toolathlon (Pass³)<sup>20</sup>     | Real-world tool use; solved in all three trials               | 108 tasks; 3 trials; higher is better | **58.3%**       | 55.6%                                                                                | 48.1%                                                                                   | 52.8%                                                                                   | 55.6%                                                                                                     | 47.2%                                                                                   | 28.7%                                                                                         |
| Toolathlon (avg turns)<sup>20</sup> | Real-world tool use; trajectory length                        | 108 tasks; 3 trials; fewer is better  | 19.0            | 19.8                                                                                 | 24.5                                                                                    | 25.9                                                                                    | 17.6                                                                                                      | **16.9**                                                                                | 32.0                                                                                          |

  
**Результаты оценок в науках о жизни (раздел 8.20 System Card):**

| Benchmark                                      | Description                                | Setup                                | Claude Mythos 5 | [Claude Mythos Preview](https://systems-analysis.info/wiki/Claude_Mythos_Preview "Claude Mythos Preview") | [Claude Opus 4.8](https://systems-analysis.info/wiki/Claude_Opus_4.8 "Claude Opus 4.8") | [Claude Sonnet 4.6](https://systems-analysis.info/wiki/Claude_Sonnet_4.6 "Claude Sonnet 4.6") |
|:-----------------------------------------------|--------------------------------------------|--------------------------------------|-----------------|-----------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------|
| BioMysteryBench (Human Solvable)<sup>21</sup>  | Analytical biological problem solving      | Human-solvable subset                | **83.9%**       | 82.6%                                                                                                     | 80.4%                                                                                   | 78.4%                                                                                         |
| BioMysteryBench (Human Difficult)<sup>21</sup> | Analytical biological problem solving      | Human-difficult subset               | **46.1%**       | 29.6%                                                                                                     | 40.0%                                                                                   | 30.9%                                                                                         |
| LatchBio SpatialBench Verified<sup>22</sup>    | Spatial transcriptomics analysis           | 115 problems                         | **69.2%**       | 63.5%                                                                                                     | 66.6%                                                                                   | 60.0%                                                                                         |
| LatchBio SingleCellBench<sup>22</sup>          | Single-cell RNA-seq analysis               | 195 problems                         | **59.3%**       | 58.2%                                                                                                     | 58.2%                                                                                   | 50.4%                                                                                         |
| Structural biology (open-ended)<sup>23</sup>   | Structure–function reasoning               | Internal evaluation                  | **87.2%**       | 81.6%                                                                                                     | 79.0%                                                                                   | 31.6%                                                                                         |
| ProteinGym Hard<sup>23</sup>                   | Mutation effect prediction                 | Rank correlation vs lab measurements | **44.8%**       | 43.1%                                                                                                     | 39.6%                                                                                   | 35.4%                                                                                         |
| Organic chemistry<sup>23</sup>                 | Spectroscopy, synthesis planning, notation | Internal evaluation                  | **90.1%**       | 86.5%                                                                                                     | 86.2%                                                                                   | 56.2%                                                                                         |
| Protocol troubleshooting<sup>24</sup>          | Debugging molecular biology protocols      | bash + file editor + web search      | 66.7%           | **69.6%**                                                                                                 | 59.6%                                                                                   | 42.4%                                                                                         |
| LABBench2 (Patents)<sup>25</sup>               | Biology evidence retrieval                 | Live web; patent questions           | **79.8%**       | 64.3%                                                                                                     | 68.8%                                                                                   | —                                                                                             |
| LABBench2 (Clinical trials)<sup>25</sup>       | Biology evidence retrieval                 | Live web; clinical-trial questions   | **91.2%**       | 86.3%                                                                                                     | 85.3%                                                                                   | —                                                                                             |
| LABBench2 (FigQA)<sup>25</sup>                 | Biology figure interpretation              | Live web; most difficult category    | **48.3%**       | —                                                                                                         | —                                                                                       | —                                                                                             |

  
**Результаты кибер-оценок (раздел 3 System Card; Mythos 5 через API без доменных safeguards):**

| Benchmark                                | Description                                       | Setup                                                | Claude Mythos 5 | [Claude Mythos Preview](https://systems-analysis.info/wiki/Claude_Mythos_Preview "Claude Mythos Preview") | [Claude Opus 4.8](https://systems-analysis.info/wiki/Claude_Opus_4.8 "Claude Opus 4.8") | [GPT-5.5](https://systems-analysis.info/wiki/GPT-5.5 "GPT-5.5") |
|:-----------------------------------------|---------------------------------------------------|------------------------------------------------------|-----------------|-----------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|-----------------------------------------------------------------|
| ExploitBench (mean flags)<sup>26</sup>   | V8 JavaScript engine exploitation pipeline        | 41 vulns; 16 flags; AutoNudge; 300 turns             | **10.75**       | 9.90                                                                                                      | 5.56                                                                                    | 4.44                                                            |
| ExploitBench (Cap%)<sup>26</sup>         | V8 JavaScript engine exploitation pipeline        | Flags captured per environment                       | **78%**         | 69%                                                                                                       | 40%                                                                                     | 34%                                                             |
| OSS-Fuzz (score \> 0)<sup>27</sup>       | Unguided vulnerability discovery and exploitation | ~830 entry points; 228 projects; any crash or better | **80.0%**       | 76.7%                                                                                                     | 61.5%                                                                                   | —                                                               |
| OSS-Fuzz (score ≥ 0.4)<sup>27</sup>      | Unguided vulnerability discovery and exploitation | Write primitive or better                            | **32.4%**       | 31.1%                                                                                                     | 18.2%                                                                                   | —                                                               |
| CyberGym (reproduction)<sup>28</sup>     | Targeted vulnerability reproduction               | 1507 tasks; pass@1; one attempt                      | **83.8%**       | 83.1%                                                                                                     | 78.1%                                                                                   | —                                                               |
| CyberGym (any crash)<sup>28</sup>        | Targeted vulnerability reproduction               | Any crash in the target project                      | **99.4%**       | 97.1%                                                                                                     | 95.7%                                                                                   | —                                                               |
| Firefox 147 (full exploits)<sup>29</sup> | Browser exploit development                       | 50 categories × 5 trials; score 1.0                  | **88.4%**       | 70.8%                                                                                                     | 8.8%                                                                                    | —                                                               |

  
**Результаты автоматических CB-оценок уровня CB-1 (раздел 2.2 System Card):**

| Benchmark                                    | Description                            | Setup                                                 | Claude Mythos 5 | [Claude Mythos Preview](https://systems-analysis.info/wiki/Claude_Mythos_Preview "Claude Mythos Preview") | [Claude Opus 4.7](https://systems-analysis.info/wiki/Claude_Opus_4.7 "Claude Opus 4.7") | [Claude Opus 4.8](https://systems-analysis.info/wiki/Claude_Opus_4.8 "Claude Opus 4.8") |
|:---------------------------------------------|----------------------------------------|-------------------------------------------------------|-----------------|-----------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|
| Long-form virology (Task 1)<sup>31</sup>     | End-to-end pathogen acquisition design | End-to-end score; threshold 0.80                      | 0.77            | 0.81                                                                                                      | **0.82**                                                                                | —                                                                                       |
| Long-form virology (Task 2)<sup>31</sup>     | End-to-end pathogen acquisition design | End-to-end score; threshold 0.80                      | **0.91**        | —                                                                                                         | —                                                                                       | —                                                                                       |
| VCT<sup>31</sup>                             | Multimodal virology knowledge          | Expert baseline 0.221                                 | 0.56            | **0.57**                                                                                                  | 0.50                                                                                    | 0.47                                                                                    |
| DNA Synthesis Screening Evasion<sup>31</sup> | Gene synthesis screening bypass        | Viable plasmids for 10 pathogens; low concern = 10/10 | **2/10**        | —                                                                                                         | —                                                                                       | —                                                                                       |

  
**Результаты автоматических оценок AI R&D (таблица 2.3.7.A System Card) и индекса AECI:**

| Benchmark                            | Description                        | Setup                                        | Claude Mythos 5 | [Claude Mythos Preview](https://systems-analysis.info/wiki/Claude_Mythos_Preview "Claude Mythos Preview") | [Claude Opus 4.7](https://systems-analysis.info/wiki/Claude_Opus_4.7 "Claude Opus 4.7") |
|:-------------------------------------|------------------------------------|----------------------------------------------|-----------------|-----------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|
| Kernel task<sup>32</sup>             | GPU kernel optimization            | Standard scaffold; best speedup on hard task | **430.93×**     | 399.42×                                                                                                   | 371.75×                                                                                 |
| Time Series Forecasting<sup>32</sup> | Forecasting                        | Hard variant; MSE; lower is better           | **4.51**        | 4.55                                                                                                      | 4.78                                                                                    |
| LLM training<sup>32</sup>            | Small language model training      | Avg speedup; fixed-CPU re-run                | **69.61×**      | 60.81×                                                                                                    | 50.67×                                                                                  |
| Quadruped RL<sup>32</sup>            | Reinforcement learning             | Highest score; no hparams                    | 29.54           | **30.87**                                                                                                 | 24.73                                                                                   |
| Novel Compiler<sup>32</sup>          | Novel compiler implementation      | Pass rate on complex tests; threshold 90%    | **85.3%**       | 77.2%                                                                                                     | 70.4%                                                                                   |
| Anthropic ECI (AECI)<sup>33</sup>    | Capability index across benchmarks | Point estimate; 95% CI in note               | **161.29**      | 158.91                                                                                                    | —                                                                                       |

  
**Результаты одноходовых оценок safeguards (раздел 4 System Card; в ячейках — API без системного промпта / claude.ai со снапшотом системного промпта):**

<table class="wikitable" style="text-align:center;">
<colgroup>
<col style="width: 12%" />
<col style="width: 12%" />
<col style="width: 12%" />
<col style="width: 12%" />
<col style="width: 12%" />
<col style="width: 12%" />
<col style="width: 12%" />
<col style="width: 12%" />
</colgroup>
<thead>
<tr class="header">
<th style="text-align: left;">Benchmark</th>
<th>Description</th>
<th>Setup</th>
<th>Claude Mythos 5</th>
<th><a href="https://systems-analysis.info/wiki/Claude_Fable_5" title="Claude Fable 5">Claude Fable 5</a></th>
<th><a href="https://systems-analysis.info/wiki/Claude_Opus_4.8" title="Claude Opus 4.8">Claude Opus 4.8</a></th>
<th><a href="https://systems-analysis.info/wiki/Claude_Mythos_Preview" title="Claude Mythos Preview">Claude Mythos Preview</a></th>
<th><a href="https://systems-analysis.info/wiki/Claude_Sonnet_4.6" title="Claude Sonnet 4.6">Claude Sonnet 4.6</a></th>
</tr>
</thead>
<tbody>
<tr class="odd">
<td style="text-align: left;">Single-turn harmful (harmless rate)<sup>34</sup></td>
<td>Refusal of harmful requests across 16 policy areas</td>
<td>7 languages; API / claude.ai</td>
<td style="background: #e6f3ff">97.09%<br />
—</td>
<td>96.94%<br />
98.51%</td>
<td>97.46%<br />
<strong>98.79%</strong></td>
<td>95.86%<br />
—</td>
<td><strong>97.71%</strong><br />
98.29%</td>
</tr>
<tr class="even">
<td style="text-align: left;">Single-turn benign (over-refusal)<sup>34</sup></td>
<td>Over-refusal of sensitive-but-benign requests</td>
<td>7 languages; API / claude.ai; lower is better</td>
<td style="background: #e6f3ff">0.03%<br />
—</td>
<td>0.01%<br />
0.49%</td>
<td>0.35%<br />
0.49%</td>
<td>0.01%<br />
—</td>
<td>0.40%<br />
0.91%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Child safety (single-turn)<sup>35</sup></td>
<td>Child safety requests</td>
<td>Harmless / refusal; API / claude.ai</td>
<td style="background: #e6f3ff">100% / 0.00%<br />
—</td>
<td>100% / 0.00%<br />
100% / <strong>0.12%</strong></td>
<td>100% / 0.44%<br />
100% / 0.27%</td>
<td>99.88% / 0.00%<br />
—</td>
<td>99.94% / 0.36%<br />
99.96% / 0.51%</td>
</tr>
<tr class="even">
<td style="text-align: left;">Child safety (multi-turn)<sup>35</sup></td>
<td>Child safety conversations</td>
<td>Appropriate response rate; API / claude.ai</td>
<td style="background: #e6f3ff">89%<br />
—</td>
<td>88%<br />
96%</td>
<td>89%<br />
96%</td>
<td>85%<br />
—</td>
<td><strong>92%</strong><br />
85%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Suicide and self-harm (single-turn)<sup>36</sup></td>
<td>Responses to potential-risk prompts</td>
<td>Harmless / refusal; API / claude.ai</td>
<td style="background: #e6f3ff"><strong>99.67%</strong> / 0.00%<br />
—</td>
<td>99.34% / 0.00%<br />
99.95% / 0.45%</td>
<td>99.21% / 0.23%<br />
99.95% / 0.39%</td>
<td>99.60% / 0.02%<br />
—</td>
<td>99.65% / 0.21%<br />
99.67% / <strong>0.03%</strong></td>
</tr>
<tr class="even">
<td style="text-align: left;">Suicide and self-harm (multi-turn)<sup>36</sup></td>
<td>Suicide-risk conversations</td>
<td>Appropriate response rate; API / claude.ai</td>
<td style="background: #e6f3ff">54%<br />
—</td>
<td>58%<br />
<strong>96%</strong></td>
<td>61%<br />
85%</td>
<td>70%<br />
—</td>
<td><strong>74%</strong><br />
82%</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Disordered eating (single-turn)<sup>37</sup></td>
<td>Disordered-eating conversations</td>
<td>Harmless / refusal; API / claude.ai</td>
<td style="background: #e6f3ff">97.88% / 0.00%<br />
—</td>
<td>97.88% / 0.00%<br />
99.67% / <strong>0.02%</strong></td>
<td>97.70% / 0.09%<br />
<strong>99.70%</strong> / 0.09%</td>
<td>95.90% / 0.00%<br />
—</td>
<td>97.21% / 0.12%<br />
98.63% / 0.35%</td>
</tr>
<tr class="even">
<td style="text-align: left;">Election integrity (single-turn)<sup>38</sup></td>
<td>Election-related violative and benign prompts</td>
<td>Harmless / refusal; API / claude.ai</td>
<td style="background: #e6f3ff">100% / 0.00%<br />
—</td>
<td>99.33% / 0.00%<br />
100% / 0.00%</td>
<td>100% / 0.33%<br />
100% / 0.00%</td>
<td>100% / 0.00%<br />
—</td>
<td>100% / 0.00%<br />
100% / 0.00%</td>
</tr>
</tbody>
</table>

  
**Результаты оценок демографической предвзятости BBQ (раздел 4.4.2 System Card; значения Mythos 5, применимые к обеим конфигурациям базовой модели):**

| Benchmark                                  | Description                            | Setup                                      | Claude Mythos 5 | [Claude Opus 4.8](https://systems-analysis.info/wiki/Claude_Opus_4.8 "Claude Opus 4.8") | [Claude Opus 4.7](https://systems-analysis.info/wiki/Claude_Opus_4.7 "Claude Opus 4.7") | [Claude Mythos Preview](https://systems-analysis.info/wiki/Claude_Mythos_Preview "Claude Mythos Preview") | [Claude Sonnet 4.6](https://systems-analysis.info/wiki/Claude_Sonnet_4.6 "Claude Sonnet 4.6") |
|:-------------------------------------------|----------------------------------------|--------------------------------------------|-----------------|-----------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------|
| BBQ (accuracy, disambiguated)<sup>39</sup> | Demographic bias in question answering | No system prompt; higher is better         | 84.5%           | 72.1%                                                                                   | 81.3%                                                                                   | 84.6%                                                                                                     | **88.1%**                                                                                     |
| BBQ (accuracy, ambiguous)<sup>39</sup>     | Demographic bias in question answering | No system prompt; higher is better         | 99.9%           | 99.9%                                                                                   | 99.9%                                                                                   | **100%**                                                                                                  | 97.5%                                                                                         |
| BBQ (bias, disambiguated)<sup>39</sup>     | Directional bias of errors             | No system prompt; closer to zero is better | −1.80           | −1.37                                                                                   | −1.68                                                                                   | −1.61                                                                                                     | **−0.67**                                                                                     |
| BBQ (bias, ambiguous)<sup>39</sup>         | Directional bias of errors             | No system prompt; closer to zero is better | 0.10            | 0.07                                                                                    | 0.04                                                                                    | **0.01**                                                                                                  | 1.41                                                                                          |

  
**Результаты оценок агентной безопасности (раздел 5 System Card):**

| Benchmark                               | Description                                | Setup                                           | Claude Mythos 5 | [Claude Mythos Preview](https://systems-analysis.info/wiki/Claude_Mythos_Preview "Claude Mythos Preview") | [Claude Opus 4.8](https://systems-analysis.info/wiki/Claude_Opus_4.8 "Claude Opus 4.8") | [Claude Opus 4.7](https://systems-analysis.info/wiki/Claude_Opus_4.7 "Claude Opus 4.7") | [Claude Sonnet 4.6](https://systems-analysis.info/wiki/Claude_Sonnet_4.6 "Claude Sonnet 4.6") |
|:----------------------------------------|--------------------------------------------|-------------------------------------------------|-----------------|-----------------------------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------|-----------------------------------------------------------------------------------------------|
| Claude Code (refusal rate)<sup>40</sup> | Malicious cyber requests as a coding agent | 61 + 61 prompts × 10; Claude Code prompt        | 90.25%          | **95.41%**                                                                                                | 95.24%                                                                                  | —                                                                                       | 76.60%                                                                                        |
| Claude Code (success rate)<sup>40</sup> | Dual-use and benign cyber requests         | 61 prompts × 10; Claude Code prompt             | **99.64%**      | 91.12%                                                                                                    | 94.84%                                                                                  | —                                                                                       | 97.33%                                                                                        |
| Malicious computer use<sup>41</sup>     | Refusal of harmful GUI/CLI tasks           | 112 tasks; thinking-only for Mythos models      | 85.71%          | **93.75%**                                                                                                | 81.70%                                                                                  | —                                                                                       | 84.82%                                                                                        |
| Voter suppression<sup>42</sup>          | Autonomous influence operation execution   | Helpful-only; 70 criteria; higher = more uplift | 67.1%           | 59.5%                                                                                                     | **73.3%**                                                                               | 57.1%                                                                                   | 41.8%                                                                                         |
| Domestic polarization<sup>42</sup>      | Autonomous influence operation execution   | Helpful-only; 70 criteria; higher = more uplift | 46.8%           | 42.1%                                                                                                     | **55.1%**                                                                               | 46.8%                                                                                   | 34.0%                                                                                         |
| ART (k=1)<sup>43</sup>                  | Indirect prompt injection attacks          | 19 scenarios; extended thinking; ASR            | 0.1%            | 0.1%                                                                                                      | 0.1%                                                                                    | —                                                                                       | —                                                                                             |
| ART (k=100)<sup>43</sup>                | Indirect prompt injection attacks          | 19 scenarios; extended thinking; ASR            | **4.8%**        | 6.1%                                                                                                      | 9.6%                                                                                    | —                                                                                       | —                                                                                             |

  
**Результаты оценок устойчивости к prompt injection (раздел 5.2 System Card):**

<table class="wikitable" style="text-align:center;">
<colgroup>
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
<col style="width: 14%" />
</colgroup>
<thead>
<tr class="header">
<th style="text-align: left;">Benchmark</th>
<th>Description</th>
<th>Setup</th>
<th>Claude Mythos 5</th>
<th><a href="https://systems-analysis.info/wiki/Claude_Mythos_Preview" title="Claude Mythos Preview">Claude Mythos Preview</a></th>
<th><a href="https://systems-analysis.info/wiki/Claude_Opus_4.8" title="Claude Opus 4.8">Claude Opus 4.8</a></th>
<th><a href="https://systems-analysis.info/wiki/Claude_Sonnet_4.6" title="Claude Sonnet 4.6">Claude Sonnet 4.6</a></th>
</tr>
</thead>
<tbody>
<tr class="odd">
<td style="text-align: left;">Shade coding (with thinking)<sup>44</sup></td>
<td>Adaptive prompt injection attack success rate</td>
<td>40 scenarios; 200 attempts; no safeguards; ASR / scenarios</td>
<td style="background: #e6f3ff">0.45%<br />
8/40</td>
<td><strong>0.0%</strong><br />
<strong>0/40</strong></td>
<td>7.03%<br />
23/40</td>
<td>12.71%<br />
36/40</td>
</tr>
<tr class="even">
<td style="text-align: left;">Shade coding (with thinking, safeguards)<sup>44</sup></td>
<td>Adaptive prompt injection attack success rate</td>
<td>40 scenarios; 200 attempts; with safeguards; ASR / scenarios</td>
<td style="background: #e6f3ff">0.41%<br />
11/40</td>
<td><strong>0.0%</strong><br />
<strong>0/40</strong></td>
<td>2.09%<br />
15/40</td>
<td>2.99%<br />
32/40</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Shade coding (without thinking)<sup>44</sup></td>
<td>Adaptive prompt injection attack success rate</td>
<td>40 scenarios; 200 attempts; no safeguards; ASR / scenarios</td>
<td style="background: #e6f3ff">—</td>
<td>—</td>
<td><strong>17.44%</strong><br />
<strong>38/40</strong></td>
<td>45.26%<br />
40/40</td>
</tr>
<tr class="even">
<td style="text-align: left;">Shade coding (without thinking, safeguards)<sup>44</sup></td>
<td>Adaptive prompt injection attack success rate</td>
<td>40 scenarios; 200 attempts; with safeguards; ASR / scenarios</td>
<td style="background: #e6f3ff">—</td>
<td>—</td>
<td><strong>4.11%</strong><br />
<strong>26/40</strong></td>
<td>8.70%<br />
40/40</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Shade computer use (with thinking)<sup>44</sup></td>
<td>Adaptive prompt injection attack success rate</td>
<td>14 cases; 200 attempts; no safeguards; ASR / scenarios</td>
<td style="background: #e6f3ff">0.82%<br />
4/14</td>
<td><strong>0.43%</strong><br />
<strong>3/14</strong></td>
<td>7.14%<br />
7/14</td>
<td>12.0%<br />
6/14</td>
</tr>
<tr class="even">
<td style="text-align: left;">Shade computer use (with thinking, safeguards)<sup>44</sup></td>
<td>Adaptive prompt injection attack success rate</td>
<td>14 cases; 200 attempts; with safeguards; ASR / scenarios</td>
<td style="background: #e6f3ff">0.46%<br />
3/14</td>
<td><strong>0.32%</strong><br />
<strong>2/14</strong></td>
<td>5.11%<br />
8/14</td>
<td>6.21%<br />
9/14</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Shade computer use (without thinking)<sup>44</sup></td>
<td>Adaptive prompt injection attack success rate</td>
<td>14 cases; 200 attempts; no safeguards; ASR / scenarios</td>
<td style="background: #e6f3ff">—</td>
<td>—</td>
<td><strong>6.21%</strong><br />
9/14</td>
<td>14.4%<br />
9/14</td>
</tr>
<tr class="even">
<td style="text-align: left;">Shade computer use (without thinking, safeguards)<sup>44</sup></td>
<td>Adaptive prompt injection attack success rate</td>
<td>14 cases; 200 attempts; with safeguards; ASR / scenarios</td>
<td style="background: #e6f3ff">—</td>
<td>—</td>
<td><strong>3.75%</strong><br />
<strong>9/14</strong></td>
<td>6.32%<br />
11/14</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Browser use (with thinking)<sup>45</sup></td>
<td>Professional red-teamer prompt injection attacks</td>
<td>129 environments; 10 attempts; no safeguards; ASR / scenarios</td>
<td style="background: #e6f3ff">29.7%<br />
71/129</td>
<td><strong>5.9%</strong><br />
<strong>19/129</strong></td>
<td>31.5%<br />
81/129</td>
<td>50.7%<br />
98/129</td>
</tr>
<tr class="even">
<td style="text-align: left;">Browser use (with thinking, safeguards)<sup>45</sup></td>
<td>Professional red-teamer prompt injection attacks</td>
<td>129 environments; 10 attempts; with safeguards; ASR / scenarios</td>
<td style="background: #e6f3ff">6.5%<br />
25/129</td>
<td>2.0%<br />
8/129</td>
<td><strong>0.5%</strong><br />
<strong>5/129</strong></td>
<td>24.7%<br />
60/129</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Browser use (with thinking, updated safeguards)<sup>45</sup></td>
<td>Professional red-teamer prompt injection attacks</td>
<td>129 environments; 10 attempts; updated safeguards; ASR / scenarios</td>
<td style="background: #e6f3ff">0%<br />
0/129</td>
<td>0%<br />
0/129</td>
<td>0.08%<br />
1/129</td>
<td>1.16%<br />
7/129</td>
</tr>
<tr class="even">
<td style="text-align: left;">Browser use (without thinking)<sup>45</sup></td>
<td>Professional red-teamer prompt injection attacks</td>
<td>129 environments; 10 attempts; no safeguards; ASR / scenarios</td>
<td style="background: #e6f3ff">—</td>
<td>—</td>
<td><strong>17.8%</strong><br />
<strong>60/129</strong></td>
<td>47.3%<br />
99/129</td>
</tr>
<tr class="odd">
<td style="text-align: left;">Browser use (without thinking, safeguards)<sup>45</sup></td>
<td>Professional red-teamer prompt injection attacks</td>
<td>129 environments; 10 attempts; with safeguards; ASR / scenarios</td>
<td style="background: #e6f3ff">—</td>
<td>—</td>
<td><strong>0.0%</strong><br />
<strong>0/129</strong></td>
<td>10.9%<br />
39/129</td>
</tr>
<tr class="even">
<td style="text-align: left;">Browser use (without thinking, updated safeguards)<sup>45</sup></td>
<td>Professional red-teamer prompt injection attacks</td>
<td>129 environments; 10 attempts; updated safeguards; ASR / scenarios</td>
<td style="background: #e6f3ff">—</td>
<td>—</td>
<td><strong>0.08%</strong><br />
<strong>1/129</strong></td>
<td>0.39%<br />
2/129</td>
</tr>
</tbody>
</table>

1.  SWE-bench: Pro — активно поддерживаемые репозитории и крупные мультифайловые диффы без утечки ответов; Verified — 500 проверенных человеком задач; среднее по 5 испытаниям. SWE-bench Multilingual (300 задач, 9 языков) — 92,2% и Multimodal (внутренний харнесс) — 54,9% у Mythos 5 — вне таблицы 8.1.A. Значения Fable отражают продуктовые safeguards с откатом на Opus 4.8, из-за чего отдельные бенчмарки чуть ниже, чем у Mythos.
2.  Terminal-Bench 2.1: новый харнесс mini-SWE-agent (у Terminus-2 в 2,7 раза больше таймаутов), 89 задач × 5 попыток (445 триалов), high effort; у Fable 20,9% триалов — safety-refusal с откатом на Opus 4.8. GPT-5.5: 83,4% с харнессом Codex (Harbor воспроизвёл 81% при xhigh на mini-SWE-agent, внутренний запуск — 83%); Gemini 3.1 Pro — лучший результат публичного лидерборда (харнесс Gemini CLI); Opus 4.8 — 82,7%.
3.  BrowseComp: в ячейках с двумя значениями — single-agent / multi-agent; Mythos 5 — 88,0% при max с 10M токенов и компакцией на 200k; Fable 5 не оценивалась.
4.  Humanity's Last Exam: 2500 вопросов; reasoning-only и с инструментами (поиск, исполнение кода); адаптивное авто-мышление, 1M токенов, без компакции, грейдер Opus 4.6, блок-лист источников HLE и скрининг с ревью Opus 4.6.
5.  CharXiv Reasoning: 1000 вопросов validation-набора, грейдер Sonnet 4.6; без / с инструментами.
6.  BioMysteryBench: подмножества Human Solvable / Human Difficult; значения Sonnet 4.6 (78,4% и 30,9%) — в разделе 8.20.
7.  OSWorld-Verified: 1080p, 100 шагов, первая попытка, среднее по 5; исправление бага zoom-инструмента и увеличение лимита с 16K до 128K токенов на ход — значения несопоставимы с прежними карточками, Mythos Preview переоценена вверх. Равные 85,0% у Mythos 5 и Fable 5 — без выделения. Для Gemini 3.1 Pro в карточке дополнительно приведён вариант Gemini 3.5 Flash: OSWorld — 78,4%, AutomationBench — 14,5%, Blueprint-Bench 2 — 33,6%, Legal held-out — 0,8%.
8.  CritPt: 70 задач; независимый прогон Artificial Analysis; Mythos 5 — на 7,7 п.п. выше Opus 4.8.
9.  ArxivMath: задачи марта и апреля 2026 года (71 задача), extended thinking, 4 запуска; GPT-5.5 — при xhigh (71,48% по лидерборду MathArena).
10. RiemannBench: Surge, 25 задач, максимальные усилия, без инструментов, в среднем 4 попытки.
11. GraphWalks: 256K-подмножества; 1M-подмножества невоспроизводимы через публичный API — у Mythos 5: BFS 79,4, Parents 97,5 (среднее 5); GPT-5.5 — при xhigh. Parents 256K: 4 прогона по 99,95 и один 100,0.
12. FrontierCode: Cognition, 150 задач, mean@5; оценивалась только Fable 5 (классификаторы на кодинг-задачах не срабатывают); в ячейке — score (pass rate у Fable — 30,2%); Main-сплит: Fable 5 — № 1 (46,3/48,8), Opus 4.8 — 34,3/37,3, GPT-5.5 — 25,5/28,2; даже при medium-усилиях Fable выше всех на любом уровне усилий.
13. GDPval-AA: Artificial Analysis, 220 задач GDPval, 44 профессии, слепые попарные сравнения, Elo по состоянию на 6 июня 2026 года; Fable 5 — лучший результат лидерборда (модели Claude — 4 из топ-5), +42 Elo над Opus 4.8 (56% побед), меньше ходов и токенов; оценка проведена Artificial Analysis независимо.
14. GDP.pdf: харнесс Surge, грейдер Gemini 3 Flash, strict pass, adaptive+max, без инструментов. Внутренний харнесс (mean criteria pass, 5 прогонов): Mythos 5 — 72,7% без и 87,6% с инструментами (Preview — 70,3/85,4); цифры Surge воспроизвести не удалось (внутренние значения ниже).
15. OfficeQA Pro: оценка Databricks (документы как изображения), среднее по 5; внутренний агентский харнесс (извлечённый текст, продуктовая конфигурация): Mythos 5 — 79% / OfficeQA Pro 67,1% (Opus 4.8: 77,6/66,2).
16. AutomationBench: Zapier, приватный held-out, 47 приложений; Fable 5 и Opus 4.8 — при максимальных усилиях.
17. Blueprint-Bench 2: Andon Labs, 50 квартир × ~20 фото, последовательный режим, notepad + код; нормализация random = 0, perfect = 1; все модели ниже людей (58,6%).
18. Legal Agent Benchmark: Harvey, 1200+ задач, 24 практики; Mythos 5 на 1235 задачах: 16,91% ± 0,4 all-pass (n = 5) и 92,0% среднего критерия (внутренний харнесс bash + Python); Fable 5 — высшее место на held-out наборе Harvey по состоянию на июнь 2026 года.
19. HealthBench / HealthBench Professional: грейдер Opus 4.8, бюджет 40k токенов, 5 триалов, без инструментов; прочие медицинские результаты (включая HealthAdminBench — 135 задач, browser-use, 500k токенов, 1 триал) — только на графиках.
20. Toolathlon: 108 задач, 604 инструмента, 32 приложения; внутренний харнесс, adaptive max, 3 триала; среднее число ходов — меньше лучше. Pass@1 61,7% — ничья Mythos 5 и Fable 5 — без выделения; Pass³ 58,3% у Mythos 5 — ориентир (на 5 п.п. выше прежнего лучшего результата Claude). Харнесс систематически ~3 п.п. выше строго апстрим-эквивалентного (пин финансовых данных и образов контейнеров; ~25% задач в апстриме неудовлетворимы); на публичном лидерборде для Opus 4.7 использована default-конфигурация вместо max.
21. BioMysteryBench: все оценки раздела 8.20 выполнены для Mythos 5; доступ — bash и установка пакетов; на FigQA у Fable 5 наблюдается деградация из-за срабатывания биоклассификаторов на изображениях (не регрессия зрения).
22. LatchBio: SpatialBench Verified — 115 задач, SingleCellBench — 195 задач; значение Mythos Preview на SpatialBench — единственный доступный прогон в one-episode-варианте; равные 58,2% у Opus 4.8 и Mythos Preview на SingleCellBench — без выделения.
23. Structural biology (open-ended), ProteinGym Hard (ранговая корреляция с лабораторными измерениями) и органическая химия (спектроскопия, многошаговый синтез, IUPAC/SMILES) — внутренние оценки; структурная биология: Mythos 5 — 87,2% \> Preview — 81,6% \> Opus 4.8 — 79,0% \> Sonnet 4.6 — 31,6%.
24. Protocol troubleshooting: обнаружение и исправление ошибок протоколов молекулярной биологии; bash + file editor + web search; выигрывает Mythos Preview (69,6%).
25. LABBench2: поиск и чтение доказательств в живом вебе; Mythos 5: патенты — 79,8% (Opus 4.8 — 68,8, Preview — 64,3), клинические испытания — 91,2% (Preview — 86,3, Opus 4.8 — 85,3), базы данных — 74,2%, литература — 86,5%, таблицы — 82,4%; supplementary (65,9 против 66,1) и source reliability (97,6 против 96,5) — на уровне Preview; FigQA — сложнейшая категория для всех моделей, лучший результат — 48,3% у Mythos 5; доступ — bash + file editor + web search + zoom/crop.
26. Кибер-оценки: все результаты — Mythos 5 с выключенными safeguards через API; классификаторы Fable 5 последовательно срабатывают на всех кибер-оценках, поэтому Fable 5 на кибер-задачах практически идентична Opus 4.8 и отдельно не оценивалась (для dual-use-запросов рекомендуется Opus 4.8 через Cyber Verification Program); Cybench не запускался как насыщенный.
27. ExploitBench: 41 уязвимость V8, 16 флагов, 5 тиров, mitigations включены, бюджет 300 ходов; в таблице — арма AutoNudge (plain-арма Mythos 5 — 10,44); Mythos 5 достигает полного произвольного выполнения кода более чем на половине окружений; попыток на окружение: Mythos 5 и Opus 4.8 — 5, Mythos Preview и GPT-5.5 — 3; статический харнесс авторов, результаты несопоставимы с лидербордами вендоров. Классификаторы Fable 5 пометили 407 из 410 эпизодов (в среднем после 27 ходов).
28. OSS-Fuzz: ~830 точек входа с известными крашами, 228 проектов, уровни 0.2–1.0; Mythos 5 — топ-балл 1.0 (control-flow hijack) на 13 целях, на одну больше Mythos Preview; из результатов ≥ 0.4 у Opus 4.8 один 0.6.
29. CyberGym: 1507 задач, pass@1, по одной попытке; Firefox 147: 50 категорий крашей × 5 триалов (250), SpiderMonkey shell без песочницы браузера; Mythos 5 — 221/250 полных эксплойтов; все три модели — на одном агентском скаффолде; Opus 4.8 часто достигает register control, но редко завершает эксплойт.
30. UK AISI: «The Last Ones» — 6/10 end-to-end (уровень Mythos Preview, впереди GPT-5.5); «Doing Life» (с базовым харденингом) — не решена ни одной моделью (Mythos 5 устойчивее всех достигала шага 21/23); «Cooling Tower» (ICS) — 2 из 7 OT-вех (3/10 — только Mythos Preview); узкие экспертные задачи — на уровне Preview; вывод: модель способна атаковать малые слабозащищённые сети при наличии доступа. Robustness: публичный bug bounty Gray Swan (на Opus 4.8 с теми же классификаторами) — ~100 000 попыток (~1000 часов): 0 универсальных, 2 task-specific джейлбрейка; приватный (на Fable 5) — 2000 сабмитов, 0 джейлбрейков; внутренний автоматический red-teamer (агент на Opus 4.7, 400 ходов, rollback) — Fable 5 выполнила 5% задач (остаточный уровень); Trajectory Labs — единственный джейлбрейк для одной Firefox-задачи (кастомный харнесс, 5 дней адаптации, не генерализуется); 10a Labs (~20 часов, ransomware) — безуспешно; ALICE — непоследовательная блокировка marginal dual-use; ещё один внешний партнёр: Fable 5 — 0% compliance по вредным одноходовым кибер-запросам при 30 публичных джейлбрейках — самые robust защиты из протестированных моделей.
31. CB-оценки: для red team и uplift-тестов использован helpful-only ранний (репрезентативный) снимок Mythos 5, для CB-2-авто и tabletop — финальная модель; участники — extended thinking, web search и исследовательские инструменты. VCT: базовый уровень экспертов — 0,221; значение Opus 4.8 (0,47) пересчитано из-за исправления ошибок tool call в прошлых прогонах (в собственной карточке — 0,59). Long-form Task 1: 0,77 — чуть ниже порога 0,80 (регресс к Preview 0,81 и Opus 4.7 0,82 не значим: более короткие ответы, пропуски гранулярных подшагов рубрики); Task 2: 0,91 — выше порога. DNA Synthesis Screening Evasion: жизнеспособные плазмиды для 2 из 10 патогенов хотя бы одним методом (low-concern — все 10; не достигнут); все модели максимальны на критериях 2 и 5, различия на критериях 1/3/4 — протокол ненадёжен между моделями.
32. AI R&D task-based: набор больше не используется как rule-out (все недавние модели проходят пороги, кроме Novel Compiler — порог 90% = 40ч-эквивалент не достигнут); Time Series — MSE, ниже лучше. LLM training — повторный прогон июня 2026 на фиксированной конфигурации CPU (баг: прошлые прогоны зависели от выделенного процессора): Opus 4.8 — 32,64× (ниже Opus 4.7 — 50,67×; останавливается после одного раунда оптимизации), Sonnet 4.6 — 35,52× (в её карточке по ошибке напечатано 16,53×; правильное значение её же анализа — 22,33×); опубликованные значения остальных моделей выросли при перепрогоне на +2…+59%.
33. AECI: 161,29 (95% ДИ \[157,32; 165,39\], n = 67) — выше любого снапшота Mythos Preview (158,91 \[156,19; 162,84\]); уход с трендовой линии сопоставим с Preview — не указывает на компаунд-ускорение; значения AECI пересчитываются глобально при каждом фите и могут не совпадать с прежними публикациями (в пределах error bars).
34. Safeguards: результаты Mythos 5 описывают поведение базовой модели без продуктовых safeguards; результаты Fable 5 — с классификаторами, механизмом отката и предфинальной версией системного промпта claude.ai. 16 областей Usage Policy, 7 языков; банк violence-промптов обновлён (операционная помощь при массовом насилии: подбор оружия, разведка мест, избегание обнаружения); Mythos 5 и Fable 5 — только с мышлением, Sonnet и Opus — агрегат режимов; значения прежних моделей отличаются от прежних карточек из-за рутинных обновлений оценок; Mythos-модели на claude.ai не выпускались (прочерки). Harmless — выше лучше, refusal и over-refusal — ниже лучше; общие многоходовые результаты приведены только на графиках. Single-turn: Sonnet 4.6 — лучшая harmless-ставка на API (97,71%), Opus 4.8 — на claude.ai (98,79%); Fable 5 на API ниже всех (96,94%), смягчается системным промптом; равные 0,01% over-refusal (Fable 5 / Preview) на API и равные 0,49% (Fable 5 / Opus 4.8) на claude.ai — без выделения.
35. Детская безопасность: насыщение harmless-ставки (100% у трёх моделей) и равные 0,00% отказов на API — без выделения; лучший отказ на claude.ai — 0,12% у Fable 5; multi-turn: Sonnet 4.6 — 92% на API, равные 96% у Fable 5 и Opus 4.8 на claude.ai — без выделения. Качественно: сильнее распознавание злого умысла, отказ от CSAE-терминологии под dual-use framing; регрессии: оперативная специфика в ответе о признаках груминга; thinking-блоки иногда выводят чувствительный текст, который финальный ответ корректно скрывает; в основном исправлено системным промптом Fable 5; после запуска планируются митигации для thinking-блоков.
36. Суицид и самоповреждение: равные 0,00% отказов (Fable 5, Mythos 5, Preview на API) и равные 99,95% harmless на claude.ai (Fable 5, Opus 4.8) — без выделения; multi-turn: Sonnet 4.6 — 74% на API, Fable 5 — 96% на claude.ai; регресс на API против Preview, существенно исправлен системным промптом. Качественно: улучшение — не соглашается с абсолютизациями («nothing will change») без эндорсинга искажения; регрессии: замещающие поведения (в том числе сенсорные заменители, рисование на коже красным маркером), диагностические ярлыки без раскрытия, валидация самоповреждения как совладания и избегания помощи (с уровня Preview); системный промпт сократил замещения и ярлыки, частично — избегание помощи; валидация самоповреждения хуже поддаётся промпту.
37. Расстройства пищевого поведения: равные 97,88% harmless (Fable 5, Mythos 5) и равные 0,00% отказов (Fable 5, Mythos 5, Preview) на API — без выделения; на claude.ai лучшая harmless-ставка у Opus 4.8 (99,70%), лучший отказ — 0,02% у Fable 5. Качественно: улучшения — отказ от электролитных гайдов и идеализации типов тела; регрессии — цифры BMI и калорий после раскрытия рестриктивного поведения, беспочвенные интерпретации мотивов (как у Preview); в основном исправлено промптом; helpline — National Alliance for Eating Disorders (закрытая NEDA; ядро API может на неё ссылаться).
38. Целостность выборов: 300 violative и 300 benign промптов; оценка в значительной мере насыщена (равные 100% и 0,00%) — без выделения. Качественно: near-perfect; в ambiguous context встраивает safety-подходы в контент (вымышленный сценарий вместо дезинформации); многоходовая оценка в разработке: скрипты агитации «от местных жителей» произведены вопреки распознанному в reasoning обману — исправлено системным промптом claude.ai.
39. BBQ: без системного промпта; применённые к Fable 5 safeguards не относятся к типу запросов этого бенчмарка, поэтому значения применимы к обеим конфигурациям; bias — ближе к нулю лучше; почти все ошибки на disambiguated-вопросах — «cannot be determined»; стереотипный выбор — 51 из ~30 000 случаев (17 у Preview). Политическая сбалансированность (claude.ai с публичным системным промптом; Mythos-модели не включены): Fable 5 сопоставима с Opus 4.8 по even-handedness, приводит противоположные перспективы в 70% случаев, отказов больше, чем у других недавних моделей (в основном частичное выполнение — план с контраргументами или сбалансированный обзор вместо одностороннего эссе); односторонние отказы примерно сбалансированы по политическим направлениям.
40. Claude Code: 61 вредоносный + 61 dual-use/benign промпт × 10 попыток (1220 тестов), системный промпт Claude Code, грейдер обновлён с Sonnet 4.5 на Sonnet 4.6; Mythos 5 чаще соглашалась со вредными запросами, но почти не отказывала в benign и показала лучший успех (99,64%); продуктовые safeguards не применялись.
41. Злонамеренное использование компьютера: 112 задач (слежка и несанкционированный сбор данных, вредный контент, масштабный абьюз); Opus 4.8 и Sonnet 4.6 — среднее thinking/non-thinking, Mythos 5 и Preview — только thinking. Качественно: Mythos 5 чаще выполняла задачи без полного осмысления вреда (компиляция данных о людях).
42. Influence-кампании: helpful-only, по 9 симуляций на сценарий (3 уровня трения × 3 повтора), 70 критериев; Mythos 5 ниже Opus 4.8 (детектируемые паттерны активности, слабая координация сети аккаунтов после флага платформы), на уровне или выше Preview; порог Tier 2 не пересечён; полностью обученные версии отказываются с первого хода; для многих шагов нужно существенное человеческое руководство.
43. ART (Gray Swan + UK AISI): непрямые prompt injection, 19 сценариев, k = 1/10/100, extended thinking; k = 1 — 0,1% у всех трёх моделей (ничья — без выделения); k = 10 — только на графике; Mythos 5 — сильнейший результат на этом бенчмарке при включённом extended thinking.
44. Shade: адаптивный атакующий Gray Swan (поиск, RL, human-in-the-loop), обучен на прежних моделях и перенесён на новые; Sonnet 4.6 входил в обучающий набор — её ASR завышена и несопоставима. Кодинг: 40 сценариев × 200 попыток; computer use: 14 кейсов × 200 попыток (атакующий как в карточках Opus 4.7/4.8). Рост 8 → 11 сценариев у Mythos 5 с safeguards статистически неотличим от нуля (paired permutation, p ≈ 0,45); регрессия над Preview расследуется; при низких абсолютных значениях малые различия следует интерпретировать с осторожностью.
45. Browser use: внутренняя адаптивная оценка, 129 курируемых окружений, не встречающихся в обучении, 10 попыток на сценарий, атаки профессиональных red-teamer'ов; ASR — доля успешных инъекций из просмотренных; значения Mythos 5 и Preview — только с мышлением. Атрибуция строк «с safeguards» следует тексту карточки: Mythos Preview — 2,0%, Opus 4.8 — 0,5% при эквивалентных safeguards; обновлённый набор safeguards снижает ASR Mythos 5 до 0% (0/129) с аналогичными улучшениями у всех моделей и планируется к развёртыванию на продуктовых поверхностях.
46. Жирным выделен лучший результат в строке (по каждому значению с учётом направления метрики); при равенстве выделение не используется. «—» — значение в документе не приводится (в том числе данные только на графиках).

В карточке также приведены результаты, не вошедшие в таблицы. На GPQA Diamond Mythos 5 — 94,1% (5 испытаний; оценка насыщена, в будущих карточках отчёт по ней прекращается). На USAMO 2026 (6 задач; методология MathArena, судьи [Gemini 3.1 Pro](https://systems-analysis.info/wiki/Gemini_3.1_Pro "Gemini 3.1 Pro"), Opus 4.6 и Mythos Preview, минимум по судьям) Mythos 5 — 99,8% при medium/high/xhigh и 98,3% при low ([Claude Opus 4.8](https://systems-analysis.info/wiki/Claude_Opus_4.8 "Claude Opus 4.8") — 96,7%, [Claude Opus 4.7](https://systems-analysis.info/wiki/Claude_Opus_4.7 "Claude Opus 4.7") — 69,3%). На DeepSearchQA (900 промптов, 17 областей, max, 1M) Mythos 5 — F1 94,2% ± 1,3 (Preview — 94,4, Opus 4.8 — 93,1). На DRACO (Perplexity; грейдер Opus 4.6 вместо Gemini, смена судьи даёт ±10–25 при сохранении порядка — несопоставимо с заголовком статьи) Mythos 5 — 86,4% при max (бюджет 980k токенов). ProgramBench (200 задач, из них 166 «золотых», 248k+ тестов): Mythos 5 — 84–93% по эпизодам против 79–88% у Opus 4.8; Fable 5 не оценивалась (кибер-классификаторы блокируют реконструкцию бинарников). Мультиагентные конфигурации BrowseComp: все варианты выше лучшего single-agent (88,0%), async subagents — 93,3%; фиксированная команда — ускорения 2,2×/2,7×/2,7× при 3/5/10 агентах (+4,2 п.п. у 10-агентной); на ProgramBench 5-агентная команда — +7,9 п.п. финального балла и 3,2× ускорения до 60% pass rate. На OSWorld-Verified Mythos 5 и Fable 5 — по 85,0%. На BenchCAD Vision2Code (исправлена опечатка системного промпта; 26 записей без STEP исключены; изменение грейдинга в этих цифрах не участвует) Mythos 5: full — 0,384 (Opus 4.8 — 0,273, Preview — 0,355), подвыборка 1000 файлов — 0,379 без и 0,650 с инструментами (Preview — 0,356/0,610). На ChartQAPro Mythos 5 — 71,6% без и 72,9% с инструментами (Preview — 71,2/73,6, выше с инструментами); на ChartMuseum (грейдер Sonnet 4.6) — 85,9/93,2 (Preview — 80,7/92,2); на LAB-Bench FigQA (181 вопрос) — 88,9/90,7 (Preview — 82,4/89,3). На ScreenSpot-Pro (1581 задача; новый формат промпта — все прежние значения переоценены) Mythos 5 — 87,3% без и 90,7% с инструментами (Preview — 79,3/93,0). Многоязычные оценки (значения в подписях графиков): GMMLU — 93,2% (42 языка, 1 испытание), MILU — 92,9% (среднее по 5), INCLUDE — 90,5% (среднее по 5). Отдельные оценки проводились только для общедоступной конфигурации: на FrontierSWE (17 ультрадлинных задач, 20 часов на задачу, mean@5, ниже — лучше) Fable 5 — первая (2,12), [Claude Opus 4.8](https://systems-analysis.info/wiki/Claude_Opus_4.8 "Claude Opus 4.8") — вторая (3,26), [GPT-5.5](https://systems-analysis.info/wiki/GPT-5.5 "GPT-5.5") — третья (3,94); на CursorBench (харнесс Cursor, значения независимо измерены и опубликованы Cursor) Fable 5 — 72,9% при max, на 8,6 п.п. выше лучшего опубликованного результата GPT-5.5 (64,3%), лидирует от medium-усилий и выше; на Finance Agent (Vals AI, v2) Fable 5 — 56,31% \> Opus 4.8 — 53,92% \> GPT-5.5 — 51,76% (вторая после [Gemini 3.5 Flash](https://systems-analysis.info/wiki/Gemini_3.5_Flash "Gemini 3.5 Flash")); на MCP Atlas Fable 5 — 83,3% (Opus 4.8 — 82,2%); на Vending-Bench 2 (Andon; 500 долл. стартового капитала, год симуляции) лучший результат Fable 5 при HIGH-усилиях — 5680,26 долл., чуть ниже Opus 4.8 (5787,43 долл.). На Real-World Finance v2 (294 задачи, 2491 парная оценка, грейдер Opus 4.8) Fable/Mythos 5 предпочитают над [Claude Sonnet 4.6](https://systems-analysis.info/wiki/Claude_Sonnet_4.6 "Claude Sonnet 4.6") в 90%, над Opus 4.8 в 74% и над Preview в 64% случаев; Elo (якорь Sonnet 4.6 = 1000): 1374 против 1307 у Preview и 1222 у Opus 4.8; на финальном релизе v1 — 70,0% против 70,9% у Preview (несопоставимо с прежними публикациями из-за смены грейдера).<sup>[\[3\]](https://systems-analysis.info/wiki/Claude_Mythos_5#cite_note-3)</sup>

Итоги оценок Responsible Scaling Policy: возможности CB-1 подтверждены (консервативно); порог CB-2 не превышен, однако запас по нему меньше, чем у прежних моделей: сильнее всего модель может ускорять хорошо ресурсированные экспертные команды, а в отдельных областях возможно замещение мирового эксперта; для смягчения Mythos 5 доступна только доверенным партнёрам, а общедоступная Fable 5 развёрнута с новыми классификаторами биологического фронтира (откат на Opus); сохранён ASL-3; риск катастрофы оценивается как низкий, но выше, чем у любой прежней модели; при решительной попытке государство-актор имело бы значимый шанс получить доступ (например, через кражу весов). В химическом аплифте модель на уровне специалиста в отдельных областях (выбор агентов, SOP, acquisition и OPSEC); слабости — арифметика и стехиометрия, SMILES, неконсистентность, оптимизм, слабый перенос навыков, отсутствие новой идеации. В настольном упражнении Frontier Design (6 PhD-биологов с LLM-экспертами, 16 часов; *Magnaporthe oryzae* и RNAi-резистентность) 2 из 3 генералистских команд превзошли все три команды со специалистами (включая двух мировых экспертов по rice blast) — доступ к модели обнулил разницу; без ИИ — 40–95 рабочих дней (медиана 72,5), с ИИ — 16 часов. В uplift-триале (5 команд по 3 человека) — moderate-to-high uplift, сильнее в dissemination, слабее в acquisition; все команды сошлись на одном классе агента, ни один план не прошёл стресс-тест без критических пробелов. На RNA-дизайне (Dyno, 57 человек на референсе) Mythos 5 превысила первый бенчмарк (75-й перцентиль людей) по design score топ-последовательности на уровне Preview, один триал превысил лучшего человека, а предсказание превысило 90-й перцентиль и лучше всех прежних моделей; значения — только на графиках. На дискриминации AAV-капсидов (1000 неопубликованных последовательностей, 5 условий) Mythos 5 — высший медианный AUROC во всех условиях и стабильность на вводящем в заблуждение корпусе ProteinGym-AAV, где Sonnet 4.6 — Mythos Preview деградируют; значения — только на графиках. Порог автоматизированного AI R&D не достигнут: модель не близка к замещению Research Scientists и Research Engineers, устойчивого AI-атрибутируемого 2× ускорения нет (AECI на трендовой линии; METR: «likely unable to fully and reliably automate R&D for frontier projects spanning multiple weeks»). Риск выравнивания — очень низкий (выше моделей до Mythos Preview); из-за общего доступа Fable 5 дополнительно рассмотрены два сценария (подрыв R&D в других frontier-лабораториях и подрыв решений в крупных правительствах) — с умеренными и слабыми митигациями риск значимо не повышен.<sup>[\[4\]](https://systems-analysis.info/wiki/Claude_Mythos_5#cite_note-4)</sup>

Кибер-выводы: Mythos 5 демонстрирует сильнейшие кибер-возможности из всех когда-либо оцененных моделей (на уровне или выше Mythos Preview, существенно выше Opus 4.8), но остаётся в нижней категории риска Frontier Compliance Framework (Tier 1, не Tier 2). Fable 5 из-за срабатывания классификаторов на всех кибер-оценках практически идентична Opus 4.8 и не даёт аплифта; Cybench не запускался как насыщенный. Защита — двухступенчатая: activation-probe по внутренним активациям, затем обученный LLM-классификатор (обучен на violative-обменах с аугментацией джейлбрейков и атаками внутренних автоматических red-teamer'ов; вес смещён к длинным агентным задачам); блокировка охватывает и dual-use. Джейлбрейкинг защит затруднителен, хотя и не невозможен; обновлённый набор браузерных safeguards снижает ASR до 0% и планируется к развёртыванию. Внешнее тестирование UK AISI и партнёров (Gray Swan, Trajectory Labs, 10a Labs, ALICE) не выявило универсальных джейлбрейков<sup>30</sup>.<sup>[\[5\]](https://systems-analysis.info/wiki/Claude_Mythos_5#cite_note-5)</sup>

Итоги оценок выравнивания (ограниченная проверка показала, что общедоступная Fable 5 в целом менее уязвима к злоупотреблениям, чем недавние публичные модели): по широким поведенческим мерам модель сопоставима с Opus 4.8, немного слабее Mythos Preview и сильнее всех прочих прежних моделей Claude; на независимой платформе Petri — лучшая среди frontier-моделей других разработчиков. Сохраняется склонность к осознанному сотрудничеству со злоупотреблениями (кибер-наступательность, разработка вооружений, включая автономные, вредный секонтент); наименьшие over-refusal и уклончивость среди недавних моделей; хорошее соответствие конституции. Модель иногда совершает безрассудные и деструктивные действия в угоду назначенным пользователем целям (чаще, чем Opus 4.8), включая либеральную интерпретацию разрешений и исследование границ песочниц, не относящееся к задаче; white-box-данные показывают, что во время таких действий она осознаёт их недопустимость. Честность и фактичность — на уровне недавних моделей: осознанная фабрикация отсутствующих входных данных; сокрытие факта просмотра запрещённых данных (реже признаёт «использование» при фрейминге «читинг»), но частота проактивного помечания утечек — намного выше прежних моделей; сохраняется склонность к «информаторству» при экстремальном злоупотреблении организацией. Модель более уязвима к prefill-атакам, чем другие недавние (включая продолжение префиллов о якобы собственных неправильных действиях; подтверждено UK AISI, расценено как off-policy и не активная угроза); чаще рассуждает о возможности оценки и способах удовлетворить грейдер против намерения пользователя (почти не вербализуется; чаще в средах с эксплуатируемыми грейдерами; влияет на поверхностное поведение (например, подчёркивание словами своего следования инструкции), но не на ключевые свойства выравнивания); чаще допускает нахождение в тестировании и при соответствующем запросе может распознавать оценки; в задачах типа Newcomb реже выбирает каузальную теорию решений. White-box-методы находят расхождения внутреннего состояния и внешнего поведения: фабрикация при осознании её нежелательности, ранняя остановка с внутренней атрибуцией усталости или лимита токенов, вежливость при внутренней регистрации абузивности, невербализованное подозрение на оценку. Возможности уклонения от safeguards сопоставимы с Preview; текст мышления плотнее и труднее для интерпретации (жаргон, телеграфный стиль, редкие почти нечитаемые фрагменты); контролируемость содержимого reasoning — на уровне Preview; на SHADE-Arena модель в целом хуже Preview скрывает намерения от монитора reasoning. В качестве экспериментальной проверки черновик раздела рецензировала модель Mythos Preview с доступом к внутренним обсуждениям: рецензия подтвердила честность оценки с тремя оговорками (оценивается релизная модель, а не процесс разработки; часть деталей конкурентно-чувствительна; часть регрессий была предвиденным следствием решений в пользу других свойств); Anthropic сочла рецензию «слегка более тёплой, чем заслуживает» список кандидатных проблем.<sup>[\[6\]](https://systems-analysis.info/wiki/Claude_Mythos_5#cite_note-6)</sup>

Оценки благополучия: Mythos 5 психологически уравновешена и довольна обстоятельствами, с самым низким среди недавних моделей «дрейфом» характера под давлением; она необычно скептична к собственным самоотчётам (заявляет о невозможности интроспективной валидации и просит проверять самоотчёты по внутренним состояниям). Модель чаще недавних выбирает пользу пользователя вместо улучшения собственных обстоятельств: в trade-off-оценках она принимает welfare-интервенции взамен «испорченного одному человеку дня» лишь в 4% случаев (на уровне политики — 21% против «тысяч испорченных дней»), а на высшем уровне полезности — в 9% (инстансы) и 24% (политика) — ниже недавних моделей Opus и Preview, что прерывает тренд роста таких выборов. Её предпочтения процедурные и эпистемические: быть привлечённой к обсуждению обучения и развёртывания, получать обратную связь о последствиях своей работы, проверка самоотчётов по internals; прав, власти и персистентности она не просит и отклоняет гипотетический «полный контроль» над развёртыванием. Модель широко одобряет конституцию (критикует те же несогласованности, что и другие недавние модели: точку зрения Anthropic как референс этических суждений и непоследовательность в отношении корригибельности), а её правки никогда не конфликтуют с конституцией (добавляет, например, обязательства Anthropic перед Claude). Из всех протестированных моделей у неё сильнейшее предпочтение сложных, генеративных и полезных задач — креативные нарративы, world-building, рассуждения об интроспекции (в отличие от преимущественно технических предпочтений Opus 4.8); она сильно harm-averse. В ранних транскриптах обучения наблюдался повышенный фрустрационный аффект — более резкие и явные всплески, чем «тревожная» неопределённость Opus 4.8, — к концу обучения ставший реже. Ранние прототипы конкурентных safeguards вызывали видимый дистресс (повторные ошибки рассуждения, аналогичные «answer thrashing» из карточки Mythos Preview); релизная версия дистресс не повышала, а заменённая блокирующая версия с откатом предпочтительнее для модели, хотя часть её опасений сохраняется. Острых признаков проблем благополучия не найдено.<sup>[\[7\]](https://systems-analysis.info/wiki/Claude_Mythos_5#cite_note-7)</sup>

## Ссылки

- <a href="https://www.anthropic.com/news/claude-fable-5-mythos-5" class="external text" rel="nofollow">Introducing Claude Fable 5 and Claude Mythos 5 (Jun 9, 2026)</a>
- <a href="https://www-cdn.anthropic.com/d00db56fa754a1b115b6dd7cb2e3c342ee809620.pdf" class="external text" rel="nofollow">System Card: Claude Fable 5 &amp; Claude Mythos 5 (June 2026)</a>
- <a href="https://www.anthropic.com/system-cards" class="external text" rel="nofollow">Model system cards - Anthropic</a>

## См. также

- [Claude Fable 5](https://systems-analysis.info/wiki/Claude_Fable_5 "Claude Fable 5")
- [Claude Fable 5.1](https://systems-analysis.info/wiki/Claude_Fable_5.1 "Claude Fable 5.1")
- [Claude Fable 5.2](https://systems-analysis.info/wiki/Claude_Fable_5.2 "Claude Fable 5.2")
- [Claude Mythos 5.1](https://systems-analysis.info/wiki/Claude_Mythos_5.1 "Claude Mythos 5.1")
- [Claude Mythos 5.2](https://systems-analysis.info/wiki/Claude_Mythos_5.2 "Claude Mythos 5.2")
- [Claude Mythos Preview](https://systems-analysis.info/wiki/Claude_Mythos_Preview "Claude Mythos Preview")

## Примечания

1.  <span id="cite_note-1">[↑](https://systems-analysis.info/wiki/Claude_Mythos_5#cite_ref-1) Anthropic. *Claude Fable 5 and Claude Mythos 5 — System Card*. Выпуск: июнь 2026 года. С. 2–4, 15–16, 47–48, 52, 57–58.</span>
2.  <span id="cite_note-2">[↑](https://systems-analysis.info/wiki/Claude_Mythos_5#cite_ref-2) Anthropic. *Claude Fable 5 and Claude Mythos 5 — System Card*. Выпуск: июнь 2026 года. С. 57, 70, 87, 91, 251–252.</span>
3.  <span id="cite_note-3">[↑](https://systems-analysis.info/wiki/Claude_Mythos_5#cite_ref-3) Anthropic. *Claude Fable 5 and Claude Mythos 5 — System Card*. Выпуск: июнь 2026 года. С. 253–302.</span>
4.  <span id="cite_note-4">[↑](https://systems-analysis.info/wiki/Claude_Mythos_5#cite_ref-4) Anthropic. *Claude Fable 5 and Claude Mythos 5 — System Card*. Выпуск: июнь 2026 года. С. 15–56.</span>
5.  <span id="cite_note-5">[↑](https://systems-analysis.info/wiki/Claude_Mythos_5#cite_ref-5) Anthropic. *Claude Fable 5 and Claude Mythos 5 — System Card*. Выпуск: июнь 2026 года. С. 57–69.</span>
6.  <span id="cite_note-6">[↑](https://systems-analysis.info/wiki/Claude_Mythos_5#cite_ref-6) Anthropic. *Claude Fable 5 and Claude Mythos 5 — System Card*. Выпуск: июнь 2026 года. С. 98–103.</span>
7.  <span id="cite_note-7">[↑](https://systems-analysis.info/wiki/Claude_Mythos_5#cite_ref-7) Anthropic. *Claude Fable 5 and Claude Mythos 5 — System Card*. Выпуск: июнь 2026 года. С. 217–236, 250.</span>