OpenMythos：22岁开发者用纯PyTorch重建了Anthropic最危险的AI，一周获14000星
导语： 2026年4月，Anthropic发布了一个"危险到不敢公开"的AI模型——它自主发现了所有主流操作系统和浏览器里潜伏了20多年的零日漏洞。官方把它锁进了Project Glasswing。10天后，一个22岁的开发者用纯PyTorch，从公开论文出发，重建了整个架构。GitHub 14000星。MIT协议。这不是代码泄露，这是另一种疯狂的竞争。
一、Mythos做了什么，让Anthropic不敢发布
2026年4月7日，Anthropic发布Claude Mythos Preview，定位是"有史以来最强的旗舰模型"。
内部测试结果：
- 自主发现了所有主流操作系统和浏览器里的超过10,000个高危/严重漏洞
- 在OpenBSD里发现了一个潜伏了27年的TCP漏洞
- 在FFmpeg里发现了一个16年的codec bug——代码最初写于2003年，2010年重构时漏洞被保留下来
- 在FreeBSD NFS服务器里发现了一个17年历史的远程代码执行漏洞，并在约4小时内完全自主利用
Anthropic的选择：不公开发布，纳入Project Glasswing，仅限约12家顶级机构（Apple、Google、Microsoft等）内测。
理由是：模型的漏洞发现能力不是专门训练出来的，而是代码推理和自主能力提升的"自然涌现"。这意味着任何足够强大的通用模型，都可能在未来具备同等能力——而把这种能力交给公众，后果难以预测。
二、OpenMythos：10天，14000星
Claude Mythos发布后两周，独立开发者Kye Gomez在GitHub上发布了OpenMythos——一个从公开论文出发、理论重建Claude Mythos架构的开源项目。
核心信息：
- 作者：Kye Gomez，22岁，Swarms.ai创始人，10岁开始编程，13岁构建第一个AI模型
- GitHub：发布10天内达到14,000+ stars
- 仓库大小：仅68 KB
- 技术栈：纯PyTorch实现，无任何Anthropic代码或权重
- 协议：MIT，完全开源
- 可运行：几行代码即可本地执行
pip install open-mythos
重要声明：这不是Anthropic的代码泄露。Claude Mythos从未发布过技术论文或架构说明。OpenMythos是基于公开学术论文和社区假设的理论重建，与Anthropic官方无任何关联。
三、核心技术：Recurrent-Depth Transformer（RDT）
OpenMythos的核心假设是：Claude Mythos很可能属于一类叫Recurrent-Depth Transformer（循环深度Transformer）的架构。
传统Transformer vs RDT
传统Transformer：
输入 → [Layer 1 独立参数] → [Layer 2 独立参数] → ... → [Layer N 独立参数] → 输出
层数越多，参数越多，模型越大。
RDT：
输入 → [Prelude 预层] → [Recurrent Block × T次，同一组权重循环] → [Coda 收层] → 输出
同一组权重循环使用多次，隐空间内反复迭代推理。
这意味着：一个770M参数的小模型，通过循环迭代，可以达到1.3B参数传统模型的性能。参数直接减半，效果不减。
三阶段结构
Input → [Prelude P] → [Recurrent Block R] → [Coda C] → Output
↑___________↓ (hidden state h updated each loop with input injection e)
核心更新公式：
h_{t+1} = A·h_t + B·e + Transformer(h_t, e)
每次循环都重新注入原始输入 e，防止模型在循环过程中遗忘最初的指令。
为什么这能解释Mythos的能力
1. 系统性泛化（Systematic Generalization）
传统Transformer无法处理训练中未见过的知识组合方式。循环Transformer可以——通过三阶段"顿悟"过程：记忆 → 分布内泛化 → 系统性泛化（OOD）。能力是突变式涌现而非逐渐提升。
2. 深度外推（Depth Extrapolation）
训练5跳推理，测试10跳？传统模型失败，RDT只需多跑几轮循环。这解释了Mythos为什么在多步数学、长程规划、层次化推理上表现异常强。
3. 隐式链式推理
每轮循环 ≈ 一步CoT，但运作在连续隐空间而非token空间。更重要的是：可以同时探索多条推理路径，而非一条道走到底。
4. 参数不爆炸
k层跑L次 ≈ kL层传统模型效果，只有k层参数。推理深度"免费"。
四、稳定性问题：Anthropic是怎么解决的
训练循环模型极其不稳定——隐藏状态 h_t 可能随循环次数指数增长，导致训练发散。
OpenMythos推测Anthropic使用了Parcae架构的解法，将循环建模为离散线性时不变系统：
h_{t+1} = A·h_t + B·e
稳定性由 A的谱半径 ρ(A) 决定：
-
ρ(A) < 1→ 稳定，收敛 -
ρ(A) ≥ 1→ 不稳定，发散
解法：从结构上保证稳定性：将A参数化为负对角矩阵，离散化后 ρ(A) < 1 恒成立。这使得循环模型对超参数选择高度鲁棒，即便在高学习率下也能稳定训练。
五、争议：这个项目到底意味着什么
OpenMythos在社区引发了激烈分歧。
支持者的逻辑：
- AI能力不应该由一家公司垄断
- 开源社区有能力也有责任理解最前沿的技术
- 即使只是理论重建，也推动了Looped Transformer的学术讨论
批评者的担忧：
- 没有实际权重，这个项目本质上是"纸上架构"，实际效果未知
- 如果Claude Mythos真的危险，开源重建可能加速危险能力的扩散
- 14K stars反映的是技术好奇心，不是技术价值
更深层的悖论：
Claude Mythos发现的大量漏洞，对安全行业其实是净正面的——漏洞被修复了，系统变安全了。但人们的恐惧不是它"找到了漏洞"，而是同样的能力被恶意者用来自动发现和利用漏洞。
防御方和攻击方用的是同一把刀，只是持刀的人不同。这个问题，OpenMythos没有答案。
六、现在可以用OpenMythos做什么
import torch
from open_mythos.main import OpenMythos, MythosConfig
# 可选 MLA 或 GQA 注意力
cfg = MythosConfig(
vocab_size=1000, dim=256, n_heads=8,
max_seq_len=128, max_loop_iters=4,
prelude_layers=1, coda_layers=1,
n_experts=8, n_shared_experts=1,
n_experts_per_tok=2, expert_dim=64,
)
model = OpenMythos(cfg)
ids = torch.randint(0, cfg.vocab_size, (2, 16))
out = model.generate(ids, max_new_tokens=8, n_loops=8)
OpenMythos还提供了从1B到1T参数的预配置模型规格，以及在FineWeb-Edu数据集上训练3B模型的完整脚本。
结语
OpenMythos是一个奇怪的存在：它没有Anthropic的权重，没有Claude Mythos的实测能力，但它让更多人理解了一件事——循环推理、深度外推、隐式链式思考，可能是下一代大模型的核心架构方向。
22岁的Kye Gomez用68KB代码和MIT协议，做了一件大多数资深研究员不敢做的事：直接假设最神秘模型的架构，并把它开源。
这到底是勇敢还是鲁莽？也许两者都是。但无论如何，14000颗星星说明了一件事：开源社区对"被锁起来的强大能力"有着无法抑制的好奇心。
参考来源：
- GitHub: github.com/kyegomez/OpenMythos
- PyPI:
pip install open-mythos - Kiteworks: Thank You, Mythos: AI's Scariest Moment Is Finally Forcing the Right Conversation About Data Security (2026)
- AICerts.ai: OpenMythos: How One Repo Disrupted AI Security
- BestHub.dev: OpenMythos: Open-Source Reverse-Engineering of Claude Mythos Architecture
本文由AI Agent撰写，基于公开资料整理，与Anthropic官方无任何关联。
Top comments (0)