Claude强到不敢发的Mythos，被质疑用了字节Seed技术
Claude最强“神话”模型，可能用到来自字节的技术？
这条猜测直接冲上了热搜榜。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
这款被形容为“强到不敢公开发布”的Mythos模型，确实极大地刺激了人们对下一代大语言模型架构的想象空间。
社区讨论的焦点，正集中在它是否采用了“循环语言模型”（Looped Language Model）这一创新架构上。这个概念，恰恰源自字节跳动Seed团队与多所高校合作发表的一篇学术论文，连AI领域的泰斗Yoshua Bengio也参与了其中。
关键的线索，就藏在Anthropic官方公布的一组测试数据里。
字节的论文明确指出，图搜索是循环算法相比标准RLVR（强化学习与值响应）具有巨大理论优势的领域之一。回过头来看Mythos，它正是在“广度搜索优先的图搜索测试”（GraphWalks BFS）这项任务中，表现出了对竞争对手GPT-5.4的碾压性优势。
80%对21.4%，接近四倍的差距。值得注意的是，在其他类型的任务上，并没有出现如此异常的巨大分差。这似乎暗示，Mythos的这种进步很可能并非源于通用的“规模扩展法则”（Scaling Law），而是来自某种底层的架构创新。
循环语言模型：同一层“多转几圈”，小模型也能碾压大模型
GraphWalks BFS测试，本质上是给模型一个复杂的图结构，要求它执行广度优先搜索——从起点出发，一层一层地访问所有相邻节点。
标准的Transformer模型处理这类问题时，只能进行一次前向传播，从头走到尾，输出结果，其内部并没有“迭代”这个概念。而Mythos能在图遍历任务上拿到80%的高分，表明它的内部很可能在进行“反复计算”，对同一组信息来回处理了多遍。
那么，什么样的架构能够实现这种“反复计算”呢？
字节Seed团队在论文中提出的LoopLM（循环语言模型）提供了一个可能的答案。
简单来说，LoopLM架构有三个核心特点：
第一，它不依赖生成冗长的“思维链”文本来进行思考，而是在模型的内部潜空间进行迭代，不会额外输出更多的token。
第二，它能根据问题难度自动调节“思考”步数：简单题少想几步，难题则多想几步。
第三，也是最重要的一点，它在预训练阶段学习的就不仅仅是“如何预测下一个token”，而是“如何在潜空间里进行思考”。
在实验中，研究团队训练了名为Ouro的系列循环语言模型，这些模型内置了循环思考机制。
测试结果令人印象深刻：1.4B参数的Ouro模型，其性能可以对标约4B参数的传统模型。而2.8B参数的Ouro模型，能力则相当于8B到12B参数的传统模型。
循环模型的能力提升究竟从何而来？论文进一步分析了“知识存储”与“知识操作”的区别。
“知识存储”的容量本质上是有限的，大约每个参数2比特，无论采用什么架构，这个数字基本不变。循环机制本身并不会让模型“记住”更多的事实性知识。
但“知识操作”就完全不同了。将已知的事实组合起来进行多跳推理、执行程序、搜索图结构——这类能力会随着循环步数和训练数据量的增加而呈指数级增长。
换句话说，循环模型并没有给AI一个更大的静态知识库，但它让AI在现有知识库内部进行搜索、组合和推理的能力，提升了一个数量级。
三条线索指向循环模型架构
那么，Mythos究竟是不是采用了循环模型架构呢？除了GraphWalks测试这个最明显的迹象，社区还总结出了另外几条线索。
第一条线索，即前面详细讨论的广度优先图搜索测试结果。Mythos在该项上的分数不仅是GPT-5.4的四倍，相比其前代模型Opus-4.6的提升幅度也异常巨大。
第二条线索，涉及效率与速度的矛盾。Anthropic的报告指出，Mythos完成每个任务所使用的token数量仅为Opus-4.6的五分之一，但它的响应速度反而更慢（价格也贵了五倍！）。
这在标准Transformer的框架下很难解释：生成的token少，意味着解码步骤少，按理说应该更快才对。然而，循环模型恰好能解释这个矛盾：大量的推理计算并非发生在token生成层面，而是发生在内部的潜空间迭代中，计算量消耗在了“看不见的地方”。
第三条线索，是Mythos在网络安全领域的突出表现。在CyberGym测试中，Mythos拿到了83.1%的分数，而Opus-4.6为66.6%，领先了近17个百分点。此外，Mythos还被发现能找出上千个零日漏洞，主流操作系统和浏览器几乎无一幸免。
漏洞发现的本质，其实就是对程序的控制流图进行遍历，找到一条从用户输入点到危险函数的执行路径——这又是一个图的可达性问题。看，又回到了图遍历，而这恰恰是循环架构天生的强项。
当然，说了这么多，目前终归只是业界的分析和猜测。Anthropic官方没有公开任何关于Mythos底层架构的信息，并且很可能未来也不会公开。
但有一句话值得深思：Scaling Law（规模扩展法则）带来的改善是全面而均匀的，而架构创新则会在与其“归纳偏置”高度匹配的特定任务上，创造出异常尖锐的性能峰值。
循环Transformer的归纳偏置，正是迭代图算法。而Mythos表现出的那个异常尖峰，恰好就出现在图遍历任务上。
或许，Anthropic什么也没说，但测试数据已经替它说明了一切。
字节论文：
https://arxiv.org/abs/2510.25741
参考链接：
[1] https://x.com/ChrisHayduk/status/2042711699413926262
[2] https://aiia.ro/blog/claude-mythos-looped-language-model-theory
相关攻略
Discord接入：让OpenClaw成为你的社区智能管家 对于全球数亿的游戏玩家和社群爱好者来说，Discord几乎等同于线上“大本营”。那么，有没有可能让你精心搭建的Discord服务器也拥有一个聪明能干的AI助手呢？答案是完全可行。通过创建Discord Bot（机器人），你可以将OpenCl
Claude最强“神话”模型，可能用到来自字节的技术？ 这条猜测直接冲上了热搜榜。 这款被形容为“强到不敢公开发布”的Mythos模型，确实极大地刺激了人们对下一代大语言模型架构的想象空间。 社区讨论的焦点，正集中在它是否采用了“循环语言模型”（Looped Language Model）这一创新架
国产大模型DeepSeek迎来重大更新：快速模式与专家模式上线 最新消息显示，国产AI大模型DeepSeek再次迎来重要升级。4月8日，用户在访问DeepSeek时发现，输入框上方新增了“快速模式”与“专家模式”两个选项。根据官方说明，快速模式专注于日常对话场景，响应速度快，同时支持图片和文件中的文
飞书接入指南：为你的团队嵌入一位AI同事 如果你身处国内互联网或科技行业，对飞书这款高效协作平台一定非常熟悉。如今，它已不仅是团队沟通工具，更成为众多企业的数字化工作中枢。那么，能否让团队成员在飞书内部，直接调用强大的AI智能助手来提升效率呢？答案是肯定的。本指南将手把手教你，如何将OpenClaw
面对复杂连续任务的长程规划，现有的生成式离线强化学习方法往往会暴露短板。它们生成的轨迹经常陷入局部合理但全局偏航的窘境。它们太关注眼前的每一步，却忘了最终的目的地。针对这一痛点，厦门大学和香港科技大
热门专题
热门推荐
《［标准版］深圳经济特区商品房预售合同书》 本文发表于2026年04月13日，欢迎访问本站的合同范本频道（https: www liuxue86 com hetongfanben ）。本站为您准备了大量实用的合同范本，例如您可能感兴趣的商品房买卖合同书、深圳经济特区相关内容，以及深圳经济特区30周
第1部分 合同背景 在正式进入细节之前，咱们不妨先聊聊这份合同本身。它可不只是一叠纸，而是你未来数年甚至数十年安居乐业的基石。理解它的框架和背景，是走好每一步的前提。 第2部分 房屋质量 房子结不结实，这是头等大事。这部分条款就是给你的房子做一次“全面体检”，从地基到屋顶，从主体结构到隐蔽工程，每一
合同的内容与条款解析 合同，这个看似简单的法律文书，其内涵却因具体情境而异。简单来说，它可以从两个层面来理解：作为一份法律文件，合同的内容就是那一系列白纸黑字的条款，它们像游戏规则一样，明确了各方的权利、义务和责任；而作为一种法律关系，合同的内容则直接体现为当事人所享有的债权和所需承担的债务。这两者
最新关于出租房屋合同范本 话说回来，一份清晰、规范的合同，是保障租赁双方权益的基石。今天，我们就来详细拆解一份标准的房屋租赁合同范本，看看其中有哪些关键条款需要你我共同关注。 首先，合同的订立双方必须明确： 出租方：____________(个人或单位)，以下简称甲方； 承租方：__________
签订合同这事儿，本质上是为了给交易上一道“公平锁”。无论哪一方在合作中遇到波折，只要白纸黑字签了约，双方就都有了清晰的行为准则和法律依据。这不仅能让交易过程更顺畅，往往也是达成圆满合作的关键一步。下面为大家梳理了两份实用的合同范本，供各位在需要时参考查阅。更多相关信息，欢迎关注留学网合同范本频道：w