宝玉：Claude Mythos Preview 跑分断崖式领先，SWE-bench 93.9%、USAMO 97.6%

核心要点

2026 年 4 月 7 日，Anthropic 发布 Claude Mythos Preview 并同步宣布 Project Glasswing 项目。在 SWE-bench 软件工程基准上从上代 Opus 的 80.8% 跃升至 93.9%（+13.1pp），在 USAMO 数学奥赛基准上从 42.3% 飙升至 97.6%（+55.3pp），在几乎所有评测维度以两位数优势碾压 GPT-5.4 和 Gemini 3.1 Pro，标志着 Anthropic 在 Agent 级推理能力上实现断崖式跨越。

原文 + 中文翻译

原文： "Anthropic releases Claude Mythos Preview with Project Glasswing. SWE-bench: 80.8% → 93.9%. USAMO: 42.3% → 97.6%. Leading GPT-5.4 and Gemini 3.1 Pro by double-digit margins across nearly all benchmarks."

翻译： "Anthropic 发布 Claude Mythos Preview 并推出 Project Glasswing。SWE-bench：80.8% → 93.9%。USAMO：42.3% → 97.6%。在几乎所有基准上以两位数优势领先 GPT-5.4 和 Gemini 3.1 Pro。"

深度解读

一、Agent 能力的关键一跃：数学推理 + 代码执行双突破

USAMO 基准从 42.3% 飙至 97.6% 是本次发布最惊人的数字。USAMO（USA Math Olympiad）代表极高难度的高中数学竞赛题，需要多步证明、构造性推理和严密逻辑——这是 AI 领域长期公认的"硬骨头"。此前大多数模型在该基准上徘徊在 30-50% 区间，97.6% 意味着 Claude Mythos Preview 几乎能完美解决此类问题，标志着 LLM 在数学证明领域的根本性突破。这与 Anthropic 此前在 o3 系列模型上展现的 ARC-AGI 突破一脉相承，暗示 Anthropic 正在将"推理时计算"（inference-time compute）技术系统化地迁移到生产级产品。

二、SWE-bench 93.9% 的工程含义：从"能写代码"到"能修生产级 Bug"

SWE-bench 是真实世界 GitHub Issue 修复基准，93.9% 的成绩意味着模型能够自动解决绝大多数真实软件工程问题。80.8% 到 93.9% 的跨越（+13.1pp）在如此高的基数上极为罕见，反映出 Claude Mythos Preview 在长程代码理解、多文件依赖推理和 Bug 定位能力上的质变。这对 AI 编程助手市场（Cursor、GitHub Copilot 等）将形成强力冲击——如果一个 AI 能独立解决 93.9% 的真实 Issue，企业内部 DevOps 工作流将被根本性改写。

三、"Project Glasswing"透露的战略意图：多模态 Agent 平台

Project Glasswing 的命名暗示这并非单次模型更新，而是一个持续性平台项目。Anthropic 此前已公开其 Agent 工具使用能力和 Computer Use 方向，Glasswing 可能代表其面向企业的 Agent 部署架构。结合 97.6% 的 USAMO 表现，Anthropic 似乎在构建一个"推理能力+代码执行+工具调用"三位一体的 Agent 平台，意图在 OpenAI 的 Agents SDK 和 Google 的 Agent2Agent 协议之外建立自己的生态护城河。

四、竞争格局：Anthropic 正在重置"顶级模型"的定义标准

若 GPT-5.4 确为 OpenAI 未来版本（截至 2025 年 Q1 尚未发布），Anthropic 在基准测试上的大幅领先意味着 AI 军备竞赛进入新阶段：OpenAI 的 GPT-5 系列尚未正式发布即面临被拉开差距的压力，而 Google Gemini 的多模态优势也遭到代码和推理能力的反向超越。这将加速各大厂发布紧急更新的节奏，同时让"SWE-bench 90%+"成为顶级模型的新准入门槛。

值得关注

• Claude Mythos 正式版时间窗口：Preview 通常在 4-8 周后发布正式版，需关注 Anthropic 官方博客是否跟进宣布Claude 4 系列更新或 Opus 继任者。
• Project Glasswing 的具体技术架构：是否支持 MCP（Model Context Protocol）协议、与现有 Claude Code / Claude Agent 工具链的整合方式，以及定价策略（企业版 vs 消费版）。
• OpenAI 的反制节奏：GPT-5 若已处于测试阶段，Anthropic 的领先窗口可能仅维持 2-3 个月；需关注 Sam Altman 近期动态和 OpenAI 发布日程。
• SWE-bench 93.9% 的实际工程验证：基准分数与真实企业场景仍有差距，建议等待 GitHub 上开源社区的独立实测（如 @sw一人、@evalplus 等评测账号）。
• Google Gemini 3.1 Ultra 的跟进策略：Gemini 团队是否会针对代码和推理专项优化，以及 Google DeepMind 是否有类似 Project Glasswing 的 Agent 平台计划。

信源行：原文链接 @dotey (X/Twitter)｜背景报道：Anthropic 2024 年 12 月 o3 模型发布公告、OpenAI GPT-5 进展追踪（The Verge）、SWE-bench 官方 Leaderboard（GitHub @princeton-nlp）