Anthropic绝密架构疑云：Mythos测试异常暴露字节循环语言模型，图搜索得分碾压GPT-5.4

Anthropic 虽然拒绝公布其新模型 Mythos 的架构细节，但一份测试成绩却让社区窥见了端倪。根据官方发布的 system card，Mythos 在 GraphWalks BFS（复杂图结构广度优先搜索）测试中拿下了惊人的 80.0%，而自家的 Opus 4.6 仅考到 38.7%，GPT-5.4 更只有 21.4%。在其他基准上，各家的差距从未如此悬殊。Meta 机器学习工程师 Chris Hayduk 率先指出，这一异常尖峰正指向一类特殊的架构——循环语言模型。有趣的是，字节跳动 Seed 团队在去年 10 月发表论文，提出了名为 LoopLM 的架构：让同一组 Transformer 层对输入反复运行多次，将复杂的推理过程隐藏在模型内部迭代中，而非像传统思维链那样生成大量显性文字。图灵奖得主 Yoshua Bengio 也是该论文的共同作者。论文明确强调，图搜索正是循环模型的理论强项。其开源的小模型 Ouro 中，仅 14 亿参数就能对抗约 40 亿参数的标准 Transformer。第二个关键线索：Mythos 在 SWE-bench 评估中消耗的 token 量仅为 Opus 4.6 的 1/5，但推理速度反而更慢。若按常理，输出越短理应越快，可如果计算都集中在模型内部的循环迭代里，这一矛盾便迎刃而解。Anthropic 已将架构列为“研究敏感信息”，拒绝置评。这一切仍处于推测阶段，但若成真，便意味着下一代顶尖模型的架构突破，或许部分源自中国团队的公开研究。