A Anthropic tem duas linhas de fronteira: a série pública Claude Opus — agora liderada pelo Claude Opus 4.8 (lançado em 28 de maio de 2026) — e o Claude Mythos Preview, um modelo tão poderoso que a Anthropic decidiu não liberar publicamente por causa de possíveis riscos de cibersegurança.
O Mythos só pode ser acessado pelo Project Glasswing até o momento em que escrevemos isto, e apenas 52 organizações convidadas podem usá-lo.
Mesmo assim, graças a vazamentos e comunicados oficiais, temos os benchmarks do Mythos. Então, neste artigo, vamos compará-lo com o Opus 4.7, o Opus 4.6 e o GPT 5.4 — os modelos de ponta públicos na época do vazamento — para tentar imaginar como deve ser a próxima geração de IA.
O Mythos vence em todos os benchmarks que compartilham, mas a margem é irregular. Em programação, a diferença é de 6 a 13 pontos, enquanto em raciocínio científico a diferença às vezes é de 0,4 ponto — praticamente um empate.
O Mythos provavelmente é a base do próximo modelo de ponta da Claude. A Anthropic afirmou que o Opus 4.7 é um campo de provas para as proteções que, no futuro, vão permitir lançar modelos do nível do Mythos de forma mais ampla — possivelmente com o nome de Claude 5.
A maior diferença está em cibersegurança. Segundo o CyberGym, um benchmark de IA voltado para cibersegurança, o Mythos é cerca de 24,8% mais capaz que o Opus 4.6 — ele descobriu milhares de vulnerabilidades de dia zero, incluindo uma falha de 27 anos no OpenBSD.
Mas os números brutos dos benchmarks não contam a história toda, então vamos destrinchá-los e ver o que eles significam na prática.
SWE-bench Verified
O que ele mede: quantos bugs, de um total de 500, o modelo consegue resolver com sucesso, a partir de um conjunto selecionado de issues do GitHub validadas por humanos e tiradas de repositórios Python populares.
O que o modelo precisa fazer para concluir: ler a base de código, entender o relato do bug ou o pedido de funcionalidade e implementar uma correção que funcione.
Pontuação do Mythos: 93,9%
Pontuação do Opus 4.7: 86,6%
Pontuação do Opus 4.6: 80,8%
O Opus 4.7 já dava conta de mais de 85% dos bugs sem falhar, mas o Mythos empurra esse número para quase 94%. Em outras palavras, ele consegue resolver praticamente qualquer bug do mundo real logo na primeira tentativa — e, na prática, isso faz uma enorme diferença.
Por exemplo, se corrigir um bug costumava exigir 3 tentativas de cerca de 2 mil tokens cada (cerca de 6 mil no total), o Mythos muitas vezes resolve em uma única passada (cerca de 2 mil tokens). Isso representa uma redução de cerca de 65% a 70% no uso de tokens.
SWE-bench Pro
O que ele mede: variante mais difícil do SWE-bench — bases de código com várias linguagens (Python, JavaScript, Go, Rust, Java), pipelines completos de engenharia e menos ajuda no caminho.
O que o modelo precisa fazer para concluir: navegar por bases de código poliglotas, trabalhar atravessando as fronteiras entre linguagens e lidar com dependências complexas.
Pontuação do Mythos: 77,8%
Pontuação do Opus 4.7: 64,3%
Pontuação do Opus 4.6: 53,4%
Pontuação do GPT-5.4: 57,7%
Na época dessa comparação vazada, os melhores modelos disponíveis publicamente raramente passavam de 60% aqui, e isso é instável demais para o mundo real. (O modelo de ponta atual da Anthropic, o Opus 4.8, já elevou esse número para 69,2%.) O Mythos vai conseguir lidar com bases de código onde os modelos anteriores falhavam: serviços complicados em Kotlin e Rust, backends bancários em Java e COBOL. Vamos ver uma adoção empresarial ainda mais ampla de código gerado por IA em lugares onde, talvez, as empresas tivessem receio de usá-lo.
Terminal-Bench 2.0
O que ele mede: domínio de linha de comando e de administração de sistemas. Instalação de pacotes, configuração de serviços, depuração de CI/CD e automação de devops.
O que o modelo precisa fazer para concluir: operar dentro de um terminal como faria um engenheiro humano, encadeando comandos e depurando saídas com base nas mensagens de erro.
Pontuação do Mythos: 82,0% (92,1% com timeouts de 4 horas)
Pontuação do Opus 4.7: 69,4%
Pontuação do Opus 4.6: 65,4%
Pontuação do GPT-5.4: 75,1%
Esse é o único benchmark de programação em que o Opus 4.7 fica atrás do GPT-5.4 — por quase 6 pontos. Para agentes que vivem no terminal — depuração de Kubernetes, provisionamento de servidores, análise de logs — o GPT-5.4 era a melhor ferramenta na época dessa comparação vazada. A Anthropic posicionou a linha Opus mais acima na cadeia: geração de código, revisão e orquestração de múltiplas ferramentas. O modelo de ponta atual da OpenAI agora é o GPT-5.5 (lançado em abril de 2026), que lidera o trabalho de terminal/CLI entre os modelos já disponíveis.
OSWorld-Verified
O que ele mede: operação autônoma de interfaces gráficas em desktop. Clicar em botões, navegar por menus, preencher formulários e ler telas.
O que o modelo precisa fazer para concluir: interpretar o que está na tela, decidir onde clicar e lidar com uma interface que muda à medida que a tarefa avança.
Pontuação do Mythos: 79,6%
Pontuação do Opus 4.7: 78,0%
Pontuação do GPT-5.4: 75,0%
O Mythos está à frente por 1,6 ponto, mas é pouco provável que isso tenha um impacto perceptível na prática. Mais interessante é que o motivo de o Opus 4.7 ter ganhado pontos neste benchmark em relação ao Opus 4.6 é que a resolução da sua visão foi aumentada em 3×. Como não estamos vendo nenhum ganho relevante entre o Mythos e o Opus 4.6, será que os dois modelos compartilham a mesma arquitetura de visão?
BrowseComp
O que ele mede: pesquisa e síntese agêntica na web. O modelo busca, lê, cruza fontes e produz um resumo.
O que o modelo precisa fazer para concluir: montar uma estratégia de pesquisa, executar buscas, ler e avaliar fontes e sintetizar informações que se contradizem.
Pontuação do GPT-5.4: 89,3%
Pontuação do Mythos: 86,9%
Pontuação do Opus 4.6: 83,7%
Pontuação do Opus 4.7: 79,3%
O ponto fora da curva nesta comparação. O Opus 4.7 na verdade regride 4,4 pontos em relação ao Opus 4.6, e o GPT-5.4 lidera tudo — incluindo o Mythos. A Anthropic não explicou publicamente essa regressão, mas o system card do Opus 4.7 menciona que o MRCR (o benchmark de contexto longo) está sendo descontinuado em favor do Graphwalks, o que pode refletir um compromisso mais amplo na forma como o modelo lida com contextos de pesquisa muito longos.
GPQA Diamond
O que ele mede: questões científicas de nível de pós-graduação em física, química e biologia. Escritas por especialistas com doutorado.
O que o modelo precisa fazer para concluir: responder a questões que a maioria das pessoas com formação universitária, mas sem especialização, erraria.
Pontuação do Mythos: 94,6%
Pontuação do Opus 4.7: 94,2%
Pontuação do Opus 4.6: 91,3%
Pontuação do GPT-5.4: 94,4%
O benchmark está se aproximando da saturação. Para qualquer tarefa real de raciocínio científico, os quatro modelos são praticamente equivalentes.
CharXiv Reasoning
O que ele mede: interpretação de figuras e gráficos científicos.
O que o modelo precisa fazer para concluir: ler gráficos, tabelas e diagramas de artigos do arXiv e responder a perguntas sobre o que a figura mostra.
Pontuação do Mythos: 93,2%
Pontuação do Opus 4.7: 91,0%
Pontuação do Opus 4.6: 84,7%
O salto de 6,3 pontos do Opus 4.7 em relação ao 4.6 vem do suporte à resolução 3× — o modelo agora consegue ler anotações em gráficos que eram pequenas demais para o 4.6 enxergar.
Humanity's Last Exam
O que ele mede: como uma IA lida com perguntas que estão no limite do conhecimento humano. São 3.000 perguntas escritas por especialistas de cada área — professores, pesquisadores, treinadores de olimpíadas — projetadas especificamente para serem impossíveis de resolver pelos modelos de IA atuais
O que o modelo precisa fazer para concluir: há duas versões do teste. Sem ferramentas, o modelo precisa responder apenas com o que aprendeu durante o treinamento. Com ferramentas, o modelo pode pesquisar na web, rodar código e consultar dados — do jeito que um especialista humano faria diante de um problema difícil.
Pontuação do Mythos (com ferramentas): 64,7%
Pontuação do Mythos (sem ferramentas): 56,8%
Pontuação do GPT-5.4 (com ferramentas): 58,7%
Pontuação do Opus 4.7 (com ferramentas): 54,7%
Pontuação do Opus 4.6 (com ferramentas): 53,3%
O Mythos sem ferramentas (56,8%) fica apenas 2 pontos abaixo do GPT-5.4 com ferramentas (58,7%) — o que significa que o Mythos raciocina quase tão bem apenas com a memória quanto o GPT-5.4 com a internet inteira à disposição.
Vale entender uma ressalva: as perguntas do HLE estão disponíveis publicamente na internet, o que significa que os dados de treinamento da IA provavelmente incluem algumas delas. A Anthropic sinalizou isso diretamente — eles notaram que o Mythos vai surpreendentemente bem no HLE mesmo quando roda em "baixo esforço" (gastando menos computação por resposta), o que é um sinal de alerta de memorização, e não de raciocínio genuíno.
Na prática, para trabalhos que exigem raciocínio de nível especializado em áreas específicas — pesquisa jurídica, redação acadêmica, due diligence técnica — o Mythos será mensuravelmente melhor que qualquer outra opção do mercado, até o momento em que escrevemos isto.
Perguntas frequentes
O que é o Claude Mythos?
O Claude Mythos é o modelo de fronteira ainda não lançado da Anthropic, confirmado em abril de 2026. Ele é mais capaz que o Claude Opus 4.7 e fica em um novo nível interno que a Anthropic chama de Capybara — um degrau acima da linha Opus.
Quem pode acessar o Claude Mythos?
No momento em que escrevemos isto, o Mythos só pode ser acessado pelos participantes do Project Glasswing — AWS, Apple, Broadcom, Cisco, CrowdStrike, Google, JPMorganChase, a Linux Foundation, Microsoft, NVIDIA, Palo Alto Networks ou uma das mais de 40 organizações adicionais que foram convidadas para testar infraestrutura crítica de software.
O que é o Project Glasswing?
O Project Glasswing é a iniciativa da Anthropic para dar a organizações selecionadas acesso antecipado ao Claude Mythos para trabalhos de cibersegurança defensiva. Entre os parceiros de lançamento estão AWS, Apple, Broadcom, Cisco, CrowdStrike, Google, JPMorganChase, a Linux Foundation, Microsoft, NVIDIA e Palo Alto Networks. Outras mais de 40 organizações que mantêm infraestrutura crítica de software também têm acesso. A Anthropic comprometeu US$ 100 milhões em créditos de uso e US$ 4 milhões em doações a grupos de segurança de código aberto. Os participantes pagam US$ 25 / US$ 125 por milhão de tokens de entrada/saída após a prévia de pesquisa inicial.
O Mythos vai acabar sendo lançado publicamente?
A Anthropic não se comprometeu com um prazo, mas declarou a intenção de lançar amplamente capacidades do nível do Mythos assim que as proteções estiverem em vigor. Com base no ritmo de lançamentos da Anthropic e nas probabilidades do Polymarket, um modelo de ponta público derivado do Mythos é mais provável no 2º ou 3º trimestre de 2026.
Qual é melhor, o Claude Mythos ou o Claude Opus 4.7?
O Claude Mythos é melhor que o Claude Opus 4.7 por uma margem considerável. O novo modelo supera o Opus 4.7 em quase todos os benchmarks, em alguns casos, como programação, por 20% a 25%.
Conclusão
Sem saber no que as grandes empresas de IA estão trabalhando a portas fechadas, é difícil afirmar com certeza, mas é bem possível que o Mythos seja, no momento, o modelo de IA de geração de texto mais avançado — tivemos uma rara oportunidade de ver o que ele consegue fazer ainda cedo, graças a vários vazamentos da Claude, o que nos permitiu compará-lo diretamente com o modelo de ponta público da época, o Opus 4.7. Sem surpresa, o Mythos o supera por uma margem perceptível.
Desde então, a Anthropic lançou o Claude Opus 4.8 (lançado em 28 de maio de 2026), que agora é o melhor modelo disponível publicamente da Anthropic e seu modelo de ponta atual — ele lidera o Artificial Analysis Intelligence Index com 61,4, marca 88,6% no SWE-bench Verified e 69,2% no SWE-bench Pro, e é o modelo de programação mais forte do mercado. O Mythos ainda lidera os benchmarks vazados acima, mas o Opus 4.8 reduziu boa parte dessa diferença entre os modelos já disponíveis.
Principais conclusões
Comparamos o Claude Mythos com o Opus 4.7, e o Mythos lidera todos os benchmarks que compartilham por uma margem considerável, especialmente em programação e cibersegurança.
No entanto, o Mythos está atualmente restrito a 52 organizações por causa das suas capacidades de cibersegurança, então é impossível testá-los lado a lado no mundo real por enquanto.
O Opus 4.8 (lançado em 28 de maio de 2026) agora é o melhor modelo disponível publicamente da Anthropic e seu modelo de ponta atual — nº 1 no Artificial Analysis Intelligence Index com 61,4, com 88,6% no SWE-bench Verified e 69,2% no SWE-bench Pro.
Um modelo com capacidades do nível do Mythos provavelmente será lançado no 2º ou 3º trimestre de 2026.
.webp)