Claude Mythos 5 对比 Grok 4.7：三个互不一致的独立数字

Artificial Analysis 对 Grok 4.7 在同一个下午评测了三次，却得到三个指向不同方向的答案：智能指数（Intelligence Index）46 分——比 Grok 4.6 高出两分；编码智能体指数（Coding Agent Index）56 分，领先九分；AA-Briefcase 上 1,657 Elo，领先 111 分。这种落差正是 SpaceXAI 于 2026 年 9 月 21 日发布的这款模型最耐人寻味之处，也正是这场与 Claude Mythos 5 的对决值得落笔记录、而非一笔带过的原因。Grok 4.7 是一个已然变成专才的通才：它的进步集中在长时程智能体编码与知识工作上，而在综合基准上几乎看不出来。Claude Mythos 5 则从 2026 年 6 月 9 日发布那天起就是专才——Anthropic 受限制的网络安全与生物领域旗舰模型，被归类为 ASL-3，9 月 1 日以 Claude Mythos 5.1 之名更新，定价为 Mythos 档位的每百万 token 输入 10.00 美元 / 输出 50.00 美元，且只能通过验证计划获取，而非按价目表购买。这两款模型，一个你可以直接买，另一个你得先申请。这场对比中的其余一切，都是这句话的下游推论。

每个模型是什么，以及谁会让你调用它

Grok 4.7 是 SpaceXAI 当前在编程、智能体任务和知识工作方面的旗舰模型，接替 Grok 4.6，价格相同，上下文窗口也相同。厂商在开发者文档和新闻页面上都将其名称写作 SpaceXAI，而 API 仍由 api.x.ai 提供，标识符也仍然是 grok 系列——这一点值得了解，因为用这两个名字搜索都会落到同一个产品上。它已在 Cursor 和公司自家的 Grok Build 终端智能体中实装上线，厂商将其定位为除音频、图像和视频工作之外一切场景的默认推荐。厂商给出的说法比通用型宣传更窄也更具体：它擅长长时间运行的软件工程，也擅长验证自己的工作。

Claude Mythos 5 是 Anthropic 于 6 月 9 日发布的前沿一代模型中的受限 SKU，与公开的 Claude Fable 5 共享底层权重，仅在防护级别上不同——即 Fable 模型中保持开启的网络与生物分类器。Anthropic 将其归类为 ASL-3，这是它为可能显著提升网络攻击能力的模型能力所保留的层级，并据此限量开放访问。它的声誉来自红队发现，而非公布的基准测试表：一个约 27 年未被发现的 OpenBSD 漏洞、一个在约 16 年及五百万次自动扫描命中后仍未被发现的 FFmpeg 漏洞、一个串联四个漏洞以逃逸渲染器与操作系统沙箱的浏览器漏洞利用程序，以及一个 Linux 内核提权漏洞。

• 上下文与输出 — Grok 4.7 为 500,000 token，最多可输出 450,000；C​laude M​ythos 5 则为 1M token，最大输出 128K。

• 每百万 token 价格——对于 Grok 4.7，输入 token 低于 200,000 时为 $2.00 输入 / $6.00 输出，超过该线后升至 $4.00 / $12.00；而 Mythos 档位则是固定的 $10.00 / $50.00。

• 缓存读取 — Grok 4.7 每百万 $0.50，超过 200,000 token 边界后翻倍至 $1.00；而 6 月的 Mythos 代模型为每百万 $1.00，9 月更新后为 $0.25。

• 模态——文本、图像和文件输入，两者均输出文本。

• 推理控制 —— Grok 4.7 在四个级别上可配置投入程度，而 C​laude M​ythos 5 的自适应思考则无法禁用。

• 访问权限——自助密钥加上供应商自有应用，对比通过Cyber Verification Program或Life Sciences Verification Program提交申请，并要求30天的数据保留期。

那两行价格正是常规解读容易出错的地方。按标价，Grok 4.7 是 Mythos 费率的五分之一。而在长提示词下，它只是略高于三分之一，因为档位分界线落在 20 万 token，而这是一款以 50 万 token 窗口为卖点的模型。

这三个独立的数字，要正确读取

先从最不受关注的那一项说起，因为它分量最重。在 AA-Briefcase 上——这是评测方为长周期知识工作设立的榜单——Grok 4.7 综合排名第四，位居三个 Claude 版本之后，领先于在 xhigh effort 下的 Claude Opus 5，而每任务成本大约只有 Claude Opus 5 的一半。无论这次发布还有哪些可说的，这都是一项性价比成果，而非能力差距，而且这是 Grok 模型首次在该榜单上取得这样的成绩。

Coding Agent Index 的分数属于同一个故事。在编码智能体轴上比 Grok 4.6 高出九分，而在通用指数上只高出两分，这不是噪声；它说明训练工作专门投入在了智能体行为和编码行为上，而无论改善了什么，都不会迁移到由十项评估构成的宽泛综合指标上。通用指数是排行榜印出来的那个数字。编码智能体数字，才是运行长工具循环的团队真正体验到的那个数字。

然后还有厂商和评测方在同一基准上的分歧，这正是每次你看到发布数据表时都值得记住的部分。S​paceXAI 自己给出的 Grok 4.7 在 Terminal-Bench 4.0 上的数字是 38%。Artificial Analysis 对同一基准的独立运行结果是 33%。同一个模型，在同一个维度上，相差五个百分点，而且方向一致——双方都没有撒谎。智能体基准测的是模型加脚手架，测试框架设置各不相同，重复运行也会有波动。这就是没人作弊时五个百分点差距的样子。把它和你看到的任何单个厂商数字放在一起看，包括 A​nthropic 的。

这也把问题引到了 Mythos 这一边，并说明了这项比较为何无法完成。Anthropic 并未发布 Claude Mythos 5 的基准测试表。与该名称一同流传的数字并不都来自厂商：

• ExploitBench，78.0% —— A​nthropic 自家 6 月发布时给出的数字，约为其为 Claude Opus 4.8 所引用的 40% 的两倍。厂商自报，未经复现。

• CyberGym 一级，83.8%——这个最常与该模型一同出现的数字，并非源自 Anthropic。它出现在竞争对手的对比材料中，而那些材料自有其叙事立场。

• Terminal-Bench 4.0 — 据 Anthropic 9 月更新材料，6 月版本为 42.0%，Claude Mythos 5.1 为 60.9%。

注意第三行给这场对比带来了什么。在两条路线都有数据的那个基准上，Claude Mythos 5.1 的 60.9% 远高于独立测得的 Grok 4.7 的 33%。这两个数字仍然不能相减：一个是厂商在自家测试框架上给出的数字，另一个来自第三方，而且它们是在不同时间、不同配置下运行的。但差距足够大，不太可能完全是测量偏差造成的，而且这也合理地警示我们：一个带有通用麦克风的模型，并没有在 Mythos 层级所针对的维度上竞争。

冗长是没人会打印出来的那行成本

Grok 4.7 的价目表是它最便宜的部分，而其冗长则是最昂贵的部分。Artificial Analysis 测得，其推理 token 用量相比 Grok 4.6 增加了 113%，每个智能体任务大约消耗 81,000 个输出 token。把这一点与一个重读上下文、而非重新推导上下文的模型放在一起对比，两种成本结构就完全不再相似了：Grok 4.7 在长时间智能体工作中每 token 便宜、每任务昂贵，而 Mythos 档位则每 token 昂贵，其经济性完全取决于缓存行为，这就是为什么 Anthropic 在九月的更新中将缓存读取费用从 $1.00 下调至 $0.25，并将其描述为在高度智能体化工作负载上最高可便宜约 45%。

在每百万 token 6.00 美元的费率下，一次 81,000 token 的输出，单个任务的输出费用约为 49 美分。在这个模型所售卖的 500,000 token 窗口上，一旦提示超过 200,000 token，输入费率就会翻倍，缓存费率也会随之翻倍。这两个数字都不是缺陷——思考更久正是推理模型变得更好的方式——但费率卡是按 token 计价，而你的账单是按任务计价，两者之间的倍数差异比费率差距本身还要大。

10月6日改变了什么，又没有改变什么

2026年10月6日，A​nthropic 将 Cyber Verification Program 重构为三个基于申请的层级，将 Project Glasswing 并入最高一层，并把 C​laude M​ythos 5.1 从仅限合作伙伴的分配转变为任何符合条件的安全组织均可申请的访问授权。C​laude O​pus 5.5 和 C​laude S​onnet 5.5 同时加入了所有层级。据 A​nthropic 称，Defense Access 申请会在几天内得到答复，Red Team Access 需要几周，而 M​ythos 访问本身则在批准后大约还需五个工作日。所有这些均为厂商声明且未经独立证实，而门槛仍然是验证标准，而非价格。

具体就与 Grok 4.7 的对比而言，这一点意义有限。对于获得授权的安全团队来说，这是 M​ythos 路线首次有了一个正门，而这一比较也在该模型历史上首次成为现实。对其他人——编程、知识工作、长工具循环，也就是 Grok 4.7 所为之打造的工作——而言，这场较量中 A​nthropic 这一侧仍然关闭，而公允的解读是，这从来就不是一个应当进行的比较。6 月 9 日那一代在发布两天后根据美国商务部命令在全球范围被暂停，直到 7 月初前后才仅对有限的一批经过审查的美国组织恢复；该模型的整个存在都受这一限制塑造，而无论看多少基准测试结果，都改变不了谁获准进入。

目前唯一可用的路由答案

Grok 4.7 已在 OrcaRouter 目录中，按 S​paceXAI 自己的费率提供——每百万输入 $2.00，输出 $6.00，缓存 $0.50，200,000-token 档位边界及其 $4.00 / $12.00 的跳档均完全按照供应商公布的方式沿用——以 0% 加价传递，因此费率变更在发布当天就会在这里生效。这种精确性在这个模型上比在大多数模型上更重要，因为 200,000 token 处的断崖是本次对比中最大的单一定价不连续点，而一个将其抹平为平均值的路由器会误导你对自己账单的判断。

路由层所做的第二件事，是让冗长度问题变得测试成本低廉，而不是靠高昂的假设去推断。81,000 个 token 的平均输出只是一个平均值，你的流量可能远高于或远低于它。针对你自己的实际工作负载运行 Grok 4.7，是唯一能回答它对你而言究竟便宜还是昂贵的测量方式，而在无需第二次集成的情况下完成这件事，意味着答案只需花费一个下午。跨提供商的自动故障转移覆盖了另外一半——一个在高负载下思考更久的推理模型，恰恰是最可能触发超时的那个，而将请求转交给另一个后端、而非返回错误的路由，在这里的价值要高于在快速模型上的价值。

如果你想要从 Claude Mythos 5 获得的能力是 Mythos 级别，而非被降低的防护等级，那么这个受限模型无法向公众开放路由，任何平台改动都改变不了这一点。它的非受限孪生版本则可以：Claude Fable 5.1 是相同的底层权重，只是防护措施保持开启，位于同一份目录中，按 Anthropic 标价 $10.00 / $50.00 计价，并采用九月更新后的 $0.25 缓存读取价格，而在它与 Grok 4.7 之间切换只需更改模型字符串。

裁决比标题所暗示的更窄，而且值得直说。对于通用智能体工作，Grok 4.7 是这两者中你唯一能调用的一个，而独立证据表明，它相对前代的优势恰好集中在你会用到它的地方——这比指数整体提升两个点更能说明问题。Claude Mythos 5 在人们拿来衡量它的那一个维度上更强，而这个维度就是经过审查的项目内部的安全工作。如果你的工作不是那个，那么有趣的问题就不是 Mythos 对 Grok，而是 Grok 4.7 在你自己的流量上的单任务成本，是否比你现在运行的模型的成本更低。

这一切都并非假设：像本次这样的发布背后那些有据可查的 AI 故障与智能体事件，均收录于 OrcaRouter AI 事件档案库中，其中每条记录都附有自己的来源、严重程度、置信度评级和存疑标记。