Claude Mythos

以下为人工撰写风格、SEO友好型整理稿，已规避原文重复表达，强化逻辑连贯性、信息密度与搜索关键词布局（如“Claude Mythos”“循环语言模型”“字节Seed技术”“LLM架构创新”“图搜索能力”等高频搜索意图），同时优化段落节奏、小标题引导性与移动端可读性，符合百度/微信搜一搜/知乎/Bing等主流平台的优质偏好：

（由多段落组成）：

神秘新模型引爆AI圈：Claude Mythos真身或藏“循环架构”玄机？
近日，Anthropic悄然测试的下一代旗舰模型——Claude Mythos，虽未正式发布，却因一组反常的基准测试结果持续霸榜技术热搜。尤其在GraphWalks BFS（广度优先图遍历）任务中，Mythos以80.0%准确率碾压GPT-5.4（21.4%）和上一代Claude Opus，近4倍的断层式领先，远超Scaling Law所能解释的常规提升幅度。这一异常表现，正将业界目光引向一个被低估但潜力巨大的技术路径：循环语言模型（Looped Language Model, LoopLM）。

关键线索浮出水面：不是“更大”，而是“更会想”
传统Transformer模型依赖单次前向传播完成推理，而图搜索这类需多步状态迭代的任务，恰恰是其天然短板。Mythos的强势表现暗示：它可能突破了“token-by-token生成”的范式，在模型内部潜空间（latent space）中实现了自主可控的多轮计算循环——即对同一组中间表征反复加工、修正、深化，而非机械输出更多文字。这种能力，与字节跳动Seed团队联合蒙特利尔大学、清华大学等机构发表的论文《LoopLM： Iterative Reasoning in Latent Space》高度吻合。值得注意的是，深度学习先驱Yoshua Bengio教授亦为该研究重要作者之一。

LoopLM三大核心突破：让小模型跑出大模型效果
该论文提出的LoopLM架构，并非简单堆参数，而是重构了大模型的“思考方式”：
✅ 隐式迭代，不增输出：推理过程发生在潜空间内，无需生成冗余token，节省带宽与成本；
✅ 动态步数，按题分配：简单问题1–2步完成，复杂推理自动延长循环轮次，实现计算资源智能调度；
✅ 预训练即“学思考”：模型从初始阶段就学习如何在隐空间中执行知识操作（如组合、验证、回溯），而非仅优化下一个词预测。
实测数据极具说服力：仅1.4B参数的Ouro-1.4模型，性能媲美4B级标准Transformer；2.8B的Ouro-2.8更可对标8B–12B竞品——用不到1/3的参数量，达成2倍以上推理效能。

三重强证据链，指向Mythos采用Loop架构
除GraphWalks BFS外，还有两条独立线索形成交叉验证：
🔹 极低token消耗 + 极高延迟：Mythos单任务平均token用量仅为Opus 4.6的1/5，但响应速度反而更慢、服务定价贵5倍。这在传统架构下自相矛盾，却完美契合LoopLM“计算沉入潜空间”的特性；
🔹 网络安全能力断层领先：在CyberGym红队攻防测试中，Mythos得分83.1%，大幅超越Opus 4.6的66.6%；更在真实环境发现超千个零日漏洞。而漏洞挖掘本质正是对程序控制流图（CFG）的深度可达性分析——又一次精准命中循环模型最擅长的迭代图遍历场景。

架构创新的价值：不在“记多少”，而在“怎么用”
论文深刻指出：知识存储（Knowledge Storage）存在物理上限（约每参数2 bits），任何架构都难突破；但知识操作（Knowledge Manipulation）能力——如多跳逻辑推演、符号执行、图结构搜索——却能随循环步数与训练数据量呈指数级增长。Mythos的“尖峰性能”，恰是循环架构对特定任务归纳偏置（inductive bias）的胜利：当任务天然适配迭代机制，创新带来的收益便不再是线性微调，而是质变跃迁。Anthropic虽未官宣Mythos技术细节，但测试数据本身，已是最有力的“技术白皮书”。

本文来源： 量子位【阅读原文】