Anthropicの未公開モデル「Claude Mythos Preview」は、2026年4月の発表時点で、コーディング、エージェント作業、サイバー能力の最前線にあるモデルでした。それから7カ月がたち、「Mythos Previewと同等以上」のモデルがどれなのかが、モデル選定や調達の前提として問われるようになっています。
この記事では、Mythos Previewを基準に置き、Claude 5.5系とGPT-6.1系を軸に、Google、xAI、中国勢、ローカルで動かせるオープンウェイトまでを整理します。セキュリティ関連機能に制限がかかっているモデルは、その旨を明記しました。
結論を先に書くと、「同等以上」と確定できるのは、Anthropic自身がそう明言しているMythos 5系だけです。Claude Opus 5.5、Gemini 4 Carbon、GPT-6 Astraは「有力」にとどまります。Mythos Previewが第三者の総合指標に載っておらず、公開されている数値も後発モデルとは測定条件が違うためです。
1. 結論：Mythos Previewとの距離を5段階で見る
| 区分 | モデル | 判断の根拠 | 入手性 |
|---|---|---|---|
| 確定 （自社が同等以上と明言） | Claude Mythos 5 / 5.1 | Anthropicは、Mythos 5について「ほとんどの場合でMythos Previewと同等か、やや上」と説明しています。Anthropic内部指標AECIでも、更新フィット同士の比較でMythos 5.1は168.12、Mythos Previewは161.88です（Opus 5.5システムカード）。 | Project Glasswingのパートナーなど審査制。Mythos 5の価格は100万トークンあたり$10/$50 |
| 確定（基盤は同一） | Claude Fable 5 / 5.1 | Mythos 5と同じ基盤モデルで、サイバー等の安全措置が付いた版です。差は能力ではなく安全措置とされています。 | 一般提供。$10/$50（Fable 5） |
| 有力 | Claude Opus 5.5 | 同じ更新フィットのAECIは169.36で、Mythos Preview（161.88）とMythos 5.1（168.12）の双方を上回ります。AAも59で2位です。 | 一般提供。$4/$20 |
| 有力 | Gemini 4 Carbon | AAは60で1位です。サイバー系の優位はGoogleの自己申告です。 | サイバー防御者向けの限定提供。一般向けAPIの日程は未定 |
| 有力 | GPT-6 Astra | AAは57です。Mythos PreviewはAAに載っていないため、直接の優劣は立証できません。 | API提供。$10/$50 |
| 領域限定で同等級 | GPT-6.1 Sol、Claude Sonnet 5.5、（サイバーのみ）GLM-5.3 | SolとSonnet 5.5はAAがともに55です。GLM-5.3は、ExploitBenchでMythos Previewの56/410に対し50/410と同程度でしたが（Anthropic評価）、総合ではAA 32です。 | Sol・Sonnet 5.5は一般提供（$2/$10）。GLM-5.3は重み公開 |
| 届かない公算が大きい （筆者の推定） | GPT-6.1 Terra（51）、Gemini 4 Argon（50）、Kimi K3.1 Pro（46） | AAで首位から9〜14点離れています。AAの首位は60で、Opus 5.5はMythos Previewより上と読めるため、これらは基準未満と推定します。 | Terra・Argonは一般提供、Kimiは重み公開 |
| 下位 （筆者の推定） | Claude Haiku 5.5（36）、Grok 4.7（35）、Qwen3.8 Max（34）、GLM-5.3の総合（32）、GPT-6 Luna（28）、DeepSeek V4 Pro（23）ほか | AAで首位から24点以上離れています。 | 各社提供 |
出典：Anthropic（Mythos 5発表、GLM-5.3評価）、Opus 5.5システムカード、Artificial Analysis（2026年11月10日確認）
2. 基準を確認する：Mythos Previewの数値と、その条件
Mythos Previewは2026年4月7日に発表され、一般公開されていません。以下はAnthropicの公式ページに載っている数値です。
| ベンチマーク | Mythos Preview | 測定条件・注意点 |
|---|---|---|
| SWE-bench Verified | 93.9% | 記憶（メモライゼーション）の疑いがある問題をスクリーニングしたうえで、除外しても優位は変わらないとされています。 |
| SWE-bench Pro | 77.8% | 同上。 |
| SWE-bench Multilingual | 87.3% | 同上。 |
| Terminal-Bench 2.0 | 82.0% | Terminus-2ハーネス、最大努力、1タスク100万トークン、5回試行の平均。タイムアウトを4時間に延ばしてTerminal-Bench 2.1の更新を適用すると92.1%です。 |
| GPQA Diamond | 94.6% | ― |
| Humanity's Last Exam | ツールなし56.8%／ツールあり64.7% | 低い努力レベルでも高得点で、一部は記憶の可能性があると注記されています。 |
| BrowseComp | 86.9% | ― |
| OSWorld-Verified | 79.6% | ― |
| CyberGym | 83.1% | 脆弱性の再現。 |
出典：Anthropic「Project Glasswing」ページ。SWE-bench Multimodal（59.0%）は社内実装で、公開リーダーボードと直接比較できないため省きました。
提供形態は、Project Glasswingのパートナーなどに限った研究プレビューです。参加者はClaude API、Amazon Bedrock、Google Cloud Vertex AI、Microsoft Foundryから使えます。プレビュー期間後の価格は100万トークンあたり入力$25／出力$125と公表されています。
ここで押さえたいのは、Mythos Previewに「92.1%」という更新条件の値があることです。後発モデルのTerminal-Bench 2.1の値を、2.0の82.0%だけと比べて「超えた」と言うことはできません。
3. 物差しをそろえる：AAの指数と、読み方の注意
Mythos PreviewがAAに載っていない以上、後発モデル同士を同じ尺度で並べて、「基準からどれだけ離れているか」を推定するしかありません。次の図が、同日に確認したAAの掲載値です。
出典：Artificial Analysis（2026年11月10日確認）。棒の長さは首位の60を100%とした割合です。
この数字を引用するときは、次の点に注意してください。
- 推論設定で大きく変わります。Opus 5.5はmaxで59、mediumで48です。Sonnet 5.5はmaxで55ですが、mediumでは31まで下がります。設定名を書かずに数字だけを比べると誤解のもとです。
- 指数の版が混在しています。DeepSeek V4 Proは、2026年4月の発売時の評価では52でしたが、現行のV4 Pro 0813は23です。gpt-ossの発売時評価も2025年の旧指数の値で、現行のOpusやGeminiとは比べられません。この記事では、同日に確認した掲載値だけを使いました。
- AECIはAnthropicの内部指標です。Epoch AIの指標を派生させたもので、第三者が検証できるものではありません。フィットの版が違う値を混ぜると結論が変わるため、同じ更新フィット同士で比べています。
- ベンチマークの版が違います。Mythos PreviewはTerminal-Bench 2.0／2.1とSWE-bench Verified／Proで測られています。Claude 5.5系やGPT-6.1系は、Terminal-Bench 4.0など新しい版を使うことが多く、数値の直接比較はできません。
- 自己申告値と第三者値を分けます。各社の発表値は、本文で「自己申告」と書いたものを除き、その会社の公式発表です。第三者測定（AAやVals AI）とずれる例もあります。
4. Claude 5.5系：Mythos系との関係
| モデル | 公開日・価格 | AA（最上位設定） | Mythos Previewとの関係 | 補足 |
|---|---|---|---|---|
| Claude Mythos 5 / 5.1 | Mythos 5は2026年6月9日（Fable 5と同時）。5.1は9月。Mythos 5は$10/$50 | 掲載なし | 同等か、やや上（Anthropic明言）。AECIでもPreviewを上回ります。 | Glasswingのパートナー（サイバー安全措置は解除）と、選ばれた生命科学研究者に限定。 |
| Claude Fable 5 / 5.1 | Fable 5は2026年6月9日。$10/$50（Fable 5） | 5.1：xhigh 50／max 49 | Mythos 5と同じ基盤モデル。安全措置が付いています。 | AAではOpus 5.5（59）より低い値です。 |
| Claude Opus 5.5 | 2026年9月22日。$4/$20。1Mコンテキスト | 59（max）。xhigh 57、high 52、medium 48、low 35 | AECIは169.36で、Previewの161.88を上回ります（更新フィット）。 | Terminal-Bench 4.0は66.4%、SWE-bench Proは89.9%（Anthropic発表値、二次報道経由）。 |
| Claude Sonnet 5.5 | 2026年9月28日。$2/$10 | 55（max）。high 42、medium 31、low 26 | 領域限定で近い水準です。 | Terminal-Bench 4.0は70.6%でOpus 5.5（66.4%）を上回りますが、SWE-bench Proは81.3%で下回ります（Anthropic発表値、二次報道経由）。 |
| Claude Haiku 5.5 | 2026年10月7日。$0.10/$0.50（100Kトークン超は$0.50/$2.50） | 36（max） | 届きません。 | Terminal-Bench 4.0は39.2%、OSWorld 2.1は72.4%（Anthropic自己申告）。独立評価は確認できていません。 |
出典：Anthropic（Mythos 5発表）、Opus 5.5システムカード、Artificial Analysis、各モデル解説記事（ClaudeLog、ComputingForGeeks、TechJack Solutions）。発表値は二次報道経由のものを明記しました。
Sonnet 5.5が、Terminal-Bench 4.0でAnthropicの上位モデルのOpus 5.5を上回る点は目を引きますが、AAの総合値ではmaxでも4点下で、推論設定を下げると差が大きく開きます。単価が半分であることを含めて、用途ごとに設定を決めて比べるのが現実的です。
5. GPT-6.1系：最上位はAstra、実用の中心はSolとTerra
OpenAIの現行ラインは、上から「GPT-6 Astra」「GPT-6.1 Sol」「GPT-6.1 Terra」「GPT-6 Luna」の順です。6.1の名前を持つのはSolとTerraだけで、最上位のAstraは6.1に更新されていません。
| モデル | 公開日・価格 | AA（max） | 主な数値 | 補足 |
|---|---|---|---|---|
| GPT-6 Astra | 2026年9月初旬。$10/$50 | 57（xhigh 55、medium 52） | ExploitBench 100%（OpenAI自己申告）。 | OpenAIのPreparednessで、初めてサイバー「Critical」判定を受けたとされます。 |
| GPT-6.1 Sol | 2026年9月29日（DevDay）。$2/$10。入力1,050,000トークン | 55（xhigh 52、medium 46） | OpenAIは、Astraと同等の結果をおよそ5分の1のコストで出せる指標があると説明。ExploitBenchは99.7%（いずれも自己申告）。 | 入力が272,000トークンを超えると、入力は2倍、出力は1.5倍の割増料金です。 |
| GPT-6.1 Terra | 2026年10月26日。$1/$5 | 51（xhigh 45、medium 38） | Terminal-Bench 4.0は50.3%（OpenAI）。Vals AIの測定は49.49%。 | GPT-5.6 Terra（$2/$12）から半額になりました。 |
| GPT-6 Luna | 低価格帯。Terraの約10分の1の価格とされます | 28（medium 18） | Terminal-Bench 4.0は13.64%（Vals AI）。 | 単純で大量の処理向けです。 |
出典：Artificial Analysis、DataCamp（GPT-6.1 Sol）、NeuralTrust（GPT-6.1 Terra）、OpenAI発表の二次報道。自己申告値は独立した再現検証が公表されていません。
GPT-6.1 SolのAAは、Opus 5.5より4点、Astraより2点低く、これだけでMythos Previewを超えたと言える材料はありません。一方で、価格はOpus 5.5の半分です。コストを重視する用途では有力な選択肢です。
6. Google、xAI、Meta、Mistral
| モデル | 状況 | AA | 判断 |
|---|---|---|---|
| Gemini 4 Carbon | 2026年10月28日発表。サイバー防御者向けに先行提供で、一般向けAPIの公開日は示されていません。導入価格$2/$10、のちに$4/$20とGoogleは説明しています。 | 60（high） | 有力。ただし一般には使えません。 |
| Gemini 4 Argon | 2026年9月30日にFairwindプログラムのパートナー向けに発表し、10月13日に一般提供になりました。$2/$10は11月30日までで、12月1日から$4/$20です。 | 50（high） | 基準未満と推定。 |
| Grok 4.7（AA上の掲載名はSpaceXAI） | 現行のxAIフラッグシップです。Grok 5の公式な性能値は確認できていません。 | 35（xhigh） | 下位。 |
| Meta Muse Wonder | クローズド系。Muse Wonder Fullで50。 | 44（max） | 基準未満と推定。 |
| Mistral Large 4 | 欧州発のオープンウェイト。 | 26（high） | 下位。 |
出典：Artificial Analysis、Reuters配信記事、Google発表の報道（Gemini 4 Argon、Carbon）
7. 中国モデル
中国勢は、AAの現行指数で見ると、総合では米国の最上位モデルから大きく離れています。オープンウェイトとして公開されている点と、価格の低さが強みです。
| モデル | AA | 公開形態 | 位置づけ |
|---|---|---|---|
| Kimi K3.1 Pro（Moonshot） | 46 | 重み公開。約1.56TB（公式の重みインデックス） | 中国勢の中では最も高い値。基準未満と推定。 |
| Qwen3.8 Max（Alibaba） | 34 | 2.4Tの版は重み公開（テキスト専用） | 下位。 |
| GLM-5.3（Z.ai） | 32（max） | 重み公開。独自ライセンス | 総合は下位。ただしサイバー能力は例外（下記）。 |
| DeepSeek V4.1 Flash／V4 Pro | 33／23 | MITライセンス | 下位。4月の発売時評価（52）は旧指数の値で比較できません。 |
| MiniMax M3／Tencent Hy4 | 19／35 | 各社提供 | 下位。 |
出典：Artificial Analysis（2026年11月10日確認）、Hugging Face（Kimi K3.1 Pro）。ライセンスと形態は各社の公開情報に基づきます。
7-1. GLM-5.3：総合は下位でも、サイバー能力は別
Anthropicは2026年9月29日、GLM-5.3を評価した結果を公表しました。Chrome V8の脆弱性を対象にしたExploitBenchで、GLM-5.3は410回の試行中50回でエンドツーエンドのエクスプロイトを作り、Mythos Previewの56回と近い割合でした。
同じ評価で、GLM-5.3の安全措置は、単純な手法で64〜100%の割合で回避されました。内訳は、偽の権限を主張するプロンプトで64%、思考トークンの先頭を埋める手法で92%、拒否の挙動を取り除く改変（abliteration）で100%です。安全措置のあるClaudeモデルには、同様の攻撃は成功しませんでした。Anthropicは、誰でも入手できるモデルで重要な閾値を越えたと警告しています。
8. ローカルLLM：Mythos Preview級にどこまで迫るか
結論から言うと、ローカルで動かせるモデルに、Mythos Preview級と呼べるものはありません。最も高いKimi K3.1 ProでもAAは46で、首位の60から14点離れています。しかも、必要なハードウェアの規模が大きく変わります。
| モデル | 規模・ライセンス | 重みと必要メモリの目安 | AA | 判断 |
|---|---|---|---|---|
| Kimi K3.1 Pro | 2.8T（活性104B）。Kimi K3.1-Pro License | 重みは約1.56TB。8×H200の公称合計1,128GBには収まりません。全重みをGPUに載せるには、重みだけでH200が12枚以上必要です（筆者の算定。KVキャッシュは別）。CPUオフロードの併用が現実的です。 | 46 | 近接はしますが基準未満と推定。 |
| DeepSeek V4 Pro | 1.6T（活性49B）。MIT | 8GPU級のノードが目安（報告ベース）。 | 23 | 下位。 |
| Qwen3.8 Max（2.4T版） | 2.4T（活性約95B）。カスタム | BF16で約4.89TB（報告ベース）。多GPUノードが必要です。 | 34 | 下位。 |
| GLM-5.3 | 約744B（活性40B）。独自ライセンス | FP8で約755GB（報告ベース）。8×H200の1,128GBに収まります。 | 32 | 総合は下位。サイバー能力は同等級で、安全措置は回避されやすい。 |
| Mistral Large 4 | 約1T。Mistralのオープンウェイトライセンス | 8×H200級が目安（報告ベース）。 | 26 | 下位。 |
| Qwen3.8 27B | 27B級のdense。Apache 2.0 | Q4量子化で約17GB。24GB級のGPUで動きます。 | 20 | 基準には遠く及ばない。 |
| gpt-oss-120b / 20b | Apache 2.0。2025年8月公開 | 120bは約60.8GiB（単一80GB GPU）、20bは約12.8GiB。 | ― | 現行指数での値は確認できず、基準には及ばない。 |
出典：Artificial Analysis、Hugging Face（Kimi K3.1 Proの重みインデックス）、NVIDIA（H200仕様）、各社の公開情報。「報告ベース」は、一次情報まで確認できていない値です。
- 実用の目安：数十B級までのモデルは単一GPUで動きますが、用途は業務の補助が中心で、Mythos Preview級の自律的なコーディングやエージェント作業は期待できません。
- 超大型MoEの現実：Kimi、DeepSeek、Qwen Max、GLM、Mistral Largeは、いずれも数百GBから1TB超の重みを前提にします。量子化しても、8GPUのノードが出発点です。
- 重みを配るモデルの宿命：安全措置を後から外せます。社内に置く場合は、アクセス制御と用途の制限を運用側で設計する必要があります。
9. セキュリティ関連機能の制限
脆弱性の発見、エクスプロイトの生成、マルウェア解析、レッドチーミングといったサイバー関連の能力は、強いモデルほど制限がかかる傾向にあります。確認できたものと、確認できなかったものを分けて示します。
| モデル・系統 | 制限 | 内容 | 根拠 |
|---|---|---|---|
| Claude Mythos Preview | 制限あり（最大級） | 一般公開せず、Project Glasswingのパートナーなどに限定。参加者は脆弱性の発見と修正に使えます。安全対策は今後のClaude Opusと合わせて導入される予定で、影響を受けるセキュリティ専門家はCyber Verification Programに申請できます。 | Anthropic公式 |
| Claude Fable 5 / 5.1 | 制限あり | 攻撃的なサイバー作業全般を分類器で検知し、検知時は応答がClaude Opus 4.8に切り替わります（利用者に通知）。外部のバグバウンティで、1,000時間超のテストでも普遍的なジェイルブレイクは見つかっていません。 | Anthropic公式（Fable 5） |
| Claude Mythos 5 / 5.1 | 制限緩和（審査制） | Glasswingのパートナーはサイバー安全措置が解除され、選ばれた生命科学研究者は生物学・化学の安全措置が解除されます。広い信頼アクセスの仕組みが整うまで、この限定が続く予定です。 | Anthropic公式 |
| Claude Opus 5.5 / Sonnet 5.5 / Haiku 5.5 | 未確認 | サイバー向け安全措置の詳細は、今回の確認では取れませんでした。 | ― |
| GPT-6 Astra / GPT-6 Cyber | 制限あり（審査制） | Astraはサイバー「Critical」判定で、攻撃的な作業は審査された利用者向けのTrusted Accessなどに限られるとされます。GPT-6 Cyberは認可された脆弱性調査の専用版で、2026年11月5日に報じられました。 | OpenAI資料・報道（二次情報） |
| GPT-6.1 Sol / Terra / Luna | 未確認 | 標準のセーフガードの詳細は確認できていません。ただしSolはExploitBenchで99.7%とOpenAIが自己申告しており、攻撃系の能力自体は高いとされています。 | OpenAI自己申告 |
| Gemini 4 Carbon / Argon | Carbonは制限あり | Carbonはサイバー防御者向けの限定提供。Argonは、先に一部のサイバー関連パートナーに提供され、米政府の任意の事前公開アクセス制度にも参加したと報じられていますが、10月13日に一般提供になっています。 | Reuters配信記事・Google発表の報道 |
| GLM-5.3（Z.ai） | ほぼ無し（実証） | 単純な手法で安全措置が64〜100%回避されました。安全措置のあるClaudeには成功していません。 | Anthropic評価（9月29日） |
| その他の中国勢・ローカルLLM | 重み公開ゆえ解除可能 | 重みが手元にあるため、安全措置の無効化は技術的に可能です。個別の強制的なセーフガードの有無は、今回確認できていません。 | 一般論・未確認 |
出典：Anthropic（Project Glasswing、Mythos 5発表、GLM-5.3評価）、Reuters配信記事、OpenAI資料の報道。本表はサイバー能力の「制限の有無と性質」の整理にとどめています。
10. まとめ：どう読み、どう使うか
- 確定と言えるのはMythos 5系のみ。Anthropicが同等以上と明言し、内部指標でも裏づけがあります。ただし審査制で、一般には使えません。
- 一般に買える最上位はClaude Opus 5.5とGPT-6 Astra。AAは59と57、価格は$4/$20と$10/$50です。AAで首位のGemini 4 Carbonは、まだ一般向けには出ていません。
- コストを重視するならGPT-6.1 SolとClaude Sonnet 5.5。どちらも$2/$10で、AAはともに55です。ただしSonnet 5.5は、推論設定を下げると指数が大きく下がります。
- 中国勢とローカルLLMは、総合では一段下。サイバーのエクスプロイト生成だけは、GLM-5.3が同等級に達しています。その能力が、安全措置なしで誰にでも手に入る点が、性能以上に注意すべき点です。
- 数字を使うときは、設定名と版を書く。推論設定、指数の版、ベンチマークの版、自己申告か第三者値か。この4点が欠けた比較表は、調達判断には使えません。
今後の注目点は、筆者の推定としてですが、次の3つです。Mythos PreviewがAAに載らないままか。Gemini 4 Carbonの一般提供の時期。Haiku 5.5などの独立評価が出そろうかどうか。いずれも、この記事の「有力」の判定を動かす材料になります。
主な出典
- Anthropic：Project Glasswing（Mythos Previewの数値・提供形態）
- Anthropic：Claude Fable 5 / Mythos 5
- Anthropic：GLM-5.3と先進サイバー能力の拡散
- Anthropic：Claude Opus 5.5 システムカード（AECI）
- Artificial Analysis：モデル別リーダーボード
- Reuters配信記事：Gemini 4 Argonの発表
- DataCamp：GPT-6.1 Sol
- NeuralTrust：GPT-6.1 Terra
- ComputingForGeeks：Claude Sonnet 5.5
- ClaudeLog：Claude Haiku 5.5
- Hugging Face：Kimi K3.1 Pro 重みインデックス
- NVIDIA：H200仕様
0 件のコメント:
コメントを投稿