💡
原文中文，约2100字，阅读约需5分钟。
📝
内容提要
Mythos模型可能采用字节Seed团队的循环语言模型（LoopLM）架构，在图搜索任务中表现优异，广度优先搜索测试得分是GPT5.4的四倍。循环模型通过迭代计算提升了知识操作能力，尽管知识存储容量有限。此外，Mythos在网络安全测试中也表现突出，发现多个零日漏洞。
🎯
关键要点
-
Mythos模型可能采用字节Seed团队的循环语言模型（LoopLM）架构。
-
在图搜索任务中，Mythos的广度优先搜索测试得分是GPT5.4的四倍，显示出其在图遍历上的优势。
-
循环模型通过迭代计算提升了知识操作能力，尽管知识存储容量有限。
-
Mythos在网络安全测试中表现突出，发现多个零日漏洞，显示其在控制流图遍历方面的强项。
-
Anthropic尚未公开Mythos的架构信息，但测试数据表明其在图遍历任务上表现异常优秀。
❓
延伸问答
Mythos模型的架构是什么？
Mythos模型可能采用字节Seed团队的循环语言模型（LoopLM）架构。
Mythos在图搜索任务中的表现如何？
在图搜索任务中，Mythos的广度优先搜索测试得分是GPT5.4的四倍，显示出其在图遍历上的优势。
循环语言模型（LoopLM）有哪些特点？
LoopLM有三个特点：不写长文思考、简单题少想几步、难题多想几步，以及预训练时学习在潜空间思考。
Mythos在网络安全测试中的表现如何？
Mythos在网络安全测试中表现突出，发现多个零日漏洞，显示其在控制流图遍历方面的强项。
循环模型如何提升知识操作能力？
循环模型通过迭代计算提升知识操作能力，使得多跳推理和图结构搜索的能力随循环步数和训练tokens指数级增长。
为什么Mythos的推理速度较慢？
尽管Mythos每个任务使用的token数量是Opus4.6的1/5，但速度更慢，这可能是因为推理发生在潜空间而非token层面。
➡️
