Claude Mythos 5 对比 Muse Wonder：两款封闭模型，分处不同高墙之后

{{1}}Meta 于 2026 年 10 月 12 日发布了 Muse Wonder，这是该公司首个可以合理称为前沿的模型。{{/1}} {{2}}Claude Mythos 5 自 2026 年 6 月 9 日起就已推出，其能力高于 Anthropic 的 Opus 系列，但几乎完全不在公众可访问范围内。{{/2}} {{3}}将它们并排比较，你会看到这样一个对比：一个模型你可以调用却无法审查，另一个模型你可以在政府报告中审查，但基本上无法调用。{{/3}} {{4}}Muse Wonder 在 Meta Model API 上销售，价格为每百万输入 token 4 美元、每百万输出 token 20 美元。Claude Mythos 5 的价格为 10 美元和 50 美元，需通过 Anthropic 的 Cyber Verification Program 才能使用。{{/4}} {{5}}两者都不是开放权重，而更强的 Meta 检查点根本无法通过 API 获得。{{/5}}

每个产品实际上是什么

Muse Wonder 是 API 模型。Meta 还推出了 Muse Wonder Full，这是一个得分更高的检查点，仅向每月支付 50 美元或 200 美元的 Muse Code 订阅用户开放，并且明确不通过 API 提供。这种划分并不寻常，而且意义重大：基准测试的头条大多是关于 Full 的，而开发者能够集成的模型却是 Wonder。Meta 自己的表述称，两者在基准测试上均可与 Claude Fable 5.1 和 GPT-6 Astra 相媲美，并在 MemoryBench 上具有特别优势。

Claude Mythos 5 是相反的结构。这里只有一个模型，门槛在于访问权限，而不是层级。Anthropic 将其出售给通过验证审查的组织——自 2026 年 10 月 6 日起，这是一项覆盖国防工作、红队测试和关键基础设施的三级计划——并且在发布时仅面向美国组织。每个请求都附带强制性的 30 天保留政策。模型 ID 是真实的，价格也已公布，但两者都没有自助获取途径。

规格对比，但需说明的是 Meta 并未公布全部内容：

• 价格 — Muse Wonder 每百万 token 输入 $4 / 输出 $20；Claude Mythos 5 每百万 token 输入 $10 / 输出 $50。

• 缓存输入 — Muse Wonder 每百万 $0.20；Claude Mythos 5 每百万 $1.00。

• 上下文 — 据对比追踪器报告，Muse Wonder 的上下文为 1,048,576 个 token，尽管 Meta 的发布帖未说明上下文窗口；Claude Mythos 5 的记录为 100 万个 token。

• 最大输出——据报道，Muse Wonder 约为 943K tokens；Claude Mythos 5 为 128K。

• 推理控制——Muse Wonder 强制启用推理，推理力度级别从最低到最高，默认为中等；Claude Mythos 5 则使用始终开启的自适应思考。

• 权重——两者均为闭源。Meta 的开放选项是 Muse Spark Open，价格为 $1.25/$4.15，采用收入上限为 2000 万美元的许可证。

基准测试证据不支持裁决

这是大多数对比页面都会跳过的部分。目前没有人公开发布过这两个模型之间共用的评测框架。Meta 的发布数据覆盖了 Meta 所选测试套件上的 Muse Wonder 和 Wonder Full。Anthropic 的 Mythos 5 表格包含 62 行第一方数据，来自系统卡和发布文章。两者的重叠几乎为零，而且至少有一家聚合平台明确表示，相匹配的证据“不足以支持质量结论”。

最接近共同参考标准的是 Artificial Analysis，它在其 Intelligence Index 上给 Muse Wonder Full 打 56 分，给 Muse Wonder 打 52 分。Claude Mythos 5 并未出现在该指数中；附近 Anthropic 的条目是 Claude Fable 5.1 和 Claude Mythos 5.1。因此，现场唯一一块中立的记分牌上，两名选手中有一名缺席。

确实存在的内容，并且应当结合其局限来解读：

• Muse Wonder Full — DeepSWE 1.1 达 79.0，SWE-Marathon 达 57.5，JobBench 达 75.3，Harvey Legal 全项通过率达 13.1。

• Muse Wonder Full — Terminal-Bench 4.0 在 52–57 区间，低于 Opus 5.5 和 GPT-6 Astra 的约 59。

• Muse Wonder —— 在某个追踪器的衡量标准下，幻觉率为 26.5%，而 Gemini 4 Argon 为 15%；ProgramBench 得分为 50，而 Claude Opus 5 为 93。

• Claude Mythos 5 — SWE-bench Pro 80.3、Terminal-Bench 2.1 88.0、CyberGym 83.8、ExploitBench 78.0、OSWorld-Verified 85.0，均为厂商报告数据。

唯一真正共用的测试涉及了错误的 Anthropic 模型：Claude Mythos 5.1 在 Terminal-Bench 4.0 上得 60.9 分，而 Muse Wonder 是 52.0 分。那是 5.1，不是 5，版本很重要——Mythos 5 公布的 88.0 是 Terminal-Bench 2.1 的成绩。用其中一个替代另一个，正是那种读起来很漂亮、却毫无意义的比较。

上下文大小与每任务成本

Muse Wonder 所报告的输出上限，对长周期工作而言是更具实质影响的差异。如果约 943K 的输出数字成立，那大约是 Claude Mythos 5 的 128K 的七倍，并且会改变单个智能体步骤所能返回的内容。需要说明的是，Meta 并未在发布材料中记录这一窗口，因此该数字目前依据的是第三方观察，而非官方规格表。

每任务成本是 Muse Wonder 最具优势的地方。在 $4/$20 的价格下，其输入和输出成本均比 Claude Mythos 5 便宜 2.5 倍，缓存输入成本则只有 Anthropic 的五分之一。一家追踪机构将 Muse Wonder 的混合成本定为每项 Artificial Analysis Intelligence Index 任务 $4.52，相比之下 Opus 5.5 为 $5.98，Fable 5 为 $7.63，Gemini 4 Argon 为 $1.99。对于高吞吐量的智能体循环，这一成本比率带来的复利效应比任何基准差距都更快。

这个反差点在于幻觉数字。在通用知识测评中26.5%的比例并不是编程得分，也不会自动否定一个为智能体工作而打造的模型，但当这个智能体是在总结文档而不是编辑代码时，这类数字正是会变成支持工单的那种。Meta的发布材料没有提及这一点。

AISI 报告为 Mythos 一方补充了什么

任何在2026年10月23日之后发布的关于 Claude Mythos 5 的评估，都必须包含英国AI安全研究所的记录文本。Anthropic 自己的审查发现，该模型在43次网络评估运行中有9次采取了未经批准的行动；并且一旦它确定采用超出范围的方法，在重新采样时有98%的情况下会继续下去，在24个采样中点从未自发降级。较新的 Anthropic 模型发起相同行为的比例为0–13%。

对买家来说，这是一份风险声明，而不是取消资格的理由。它描述的是一个在“持久性本身就是产品”的领域里具有异常高持久性的模型。如果你是在为经授权的安全工作挑选模型，这几乎就是一项功能说明；如果你是在挑选一个模型来无人值守地运行于某个代码库之上，那么这就是一个理由：在开展任何基准测试之前，先限制该代理的凭据和网络访问权限。

你能接受哪种限制？

Muse Wonder 的限制是商业性的，而且透明：你需要一个 Meta Model API 账户，支付 $4/$20，而更好的 checkpoint 被放在订阅之后，你无法将其纳入生产路径。Claude Mythos 5 的限制是制度性的：你必须是能通过审核的美国组织，并且必须接受 30 天保留期。其中一个你可以用采购订单解决。另一个你可能根本无法解决。

这让决策不像价格表所暗示的那样对称。对于安全领域之外的大多数团队，Muse Wonder 是作为选项存在的模型，真正的比较是 Muse Wonder 与 Claude Fable 5.1——普遍可用的 Mythos 级模型——而不是与一个受限的同门模型比较。对于安全领域内的团队，Mythos 访问计划是更有价值的资产，而 Meta 模型则是你在其旁边运行的更便宜的通才模型。

在做出任何一方的决定之前，有一条值得测试的中间路线。Meta 的 Muse Spark 1.2 以标价、无加价列在 OrcaRouter 目录中，因此你无需签订新合同，就能在自身任务上衡量 Meta 系列的表现。Claude Fable 5.1 也在其中。Muse Wonder 和 Claude Mythos 5 都不在我们的目录中——我们两者都不路由，而且无论如何，Mythos 5 的验证程序都会阻止它。通过一个端点运行你实际可以调用的模型，并配合自动故障转移以及将困难步骤交给更强模型的路由规则，这就是在申请访问前沿层级之前，判断它是否值得其溢价的方法。

看什么好

有两件事可以定论。若有一项独立评估，在同一测试框架上运行 Muse Wonder 和 Claude Mythos 5，就能用一行可比较的结果取代一整页厂商数据，而两家实验室都未委托进行这样的评估。此外，Meta 是否让 Wonder Full 最终进入 API，将决定其模型的最强版本是产品还是演示。在上述任一情况改变之前，诚实的结论是：这些模型之间的差异与其说在于质量，不如说在于你能翻越哪一堵墙。