Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
epoch11. Juni 2026 · Q006492

Are Mythos’ cyber capabilities overhyped?

epoch.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Epoch AI kommt anhand von rund 15 Benchmarks zu dem Schluss, dass Mythos Preview bei der Entwicklung von Exploits einen großen Sprung gemacht hat; Mythos 5 sei nochmals moderat besser. Ob Mythos Schwachstellen wesentlich besser entdeckt als frühere KI, bleibt unklar: Mehr Funde könnten auch auf höhere Suchausgaben zurückgehen, während ein curl-Beispiel nur einen Fehler geringer Schwere und mehrere Fehlalarme ergab.

Mittel

Der Beitrag prüft anhand öffentlicher Daten, ob Claude Mythos einen großen Fortschritt in der Cybersicherheit darstellt. Er unterscheidet zwischen dem Finden von Software-Schwachstellen und ihrer Ausnutzung durch Exploits. Für die Exploit-Entwicklung wertet Epoch AI etwa 15 Benchmarks in einem Cyber-ECI aus. Demnach liegt Mythos Preview (April) ungefähr sieben Monate über dem bisherigen Trend und deutlich vor GPT-5.5. Vergleiche, die Mythos ähnlich stark wie GPT-5.5 einstuften, hätten teils eine frühere, schwächere Preview-Version oder nahezu ausgeschöpfte Benchmarks verwendet. Mythos 5 sei bei Exploit-Aufgaben nochmals moderat besser.

Bei der Schwachstellensuche ist die Beweislage weniger eindeutig: Die Zahl schwerer und kritischer Funde bei 21 Glasswing-Organisationen stieg stark, doch mehr Suchaufwand und API-Gutschriften könnten den Anstieg mit erklären. Firmenberichte loben Mythos’ Fähigkeiten; beim stark geprüften curl-Projekt fand es laut Maintainer aber nur einen Fehler geringer Schwere und erzeugte vier Fehlalarme. Epoch AI hält frühere KI-Systeme bereits für gut bei der Suche und sieht Mythos’ möglichen Zusatznutzen eher in weniger Fehlalarmen und besserer Priorisierung. Insgesamt belegt der Beitrag einen großen Fortschritt beim Ausnutzen von Schwachstellen, nicht aber einen gleich klaren Sprung bei ihrer Entdeckung. Praktische Berichte zu Mythos 5 stehen noch aus.

Ausführlich lesen

Der Beitrag von Epoch AI untersucht, ob die Cyberfähigkeiten der Claude-Mythos-Modelle übertrieben dargestellt werden. Die Autorinnen und Autoren trennen dabei zwei Aufgaben: Schwachstellen in Software zu entdecken und bekannte Schwachstellen auszunutzen, etwa durch die Entwicklung eines funktionierenden Exploits. Ihre Einschätzungen geben laut Beitrag die Ansichten der Autoren wieder und nicht zwingend die von Epoch AI insgesamt.

Für die Exploit-Entwicklung wertet das Team rund 15 öffentliche Cyber-Benchmarks aus und fasst sie in einem eigens angepassten Cyber-ECI zusammen. Danach liegt Mythos Preview (April), die stärkere der zwei untersuchten Preview-Versionen, etwa sieben Monate über dem seit Anfang 2025 beobachteten linearen Trend. GPT-5.5 liege demgegenüber etwa zwei bis drei Monate voraus. Der Beitrag erklärt abweichende Vergleiche damit, dass manche Bewertungen die frühere, schwächere Preview-Version nutzten und mehrere damals verbreitete Benchmarks nahe an ihrer praktischen Obergrenze lagen. Neuere, weniger gesättigte Benchmarks machten die Unterschiede besser sichtbar. Epoch AI folgert, Mythos Preview sei bei der Exploit-Entwicklung ein großer Leistungssprung; Anthropic berichte zudem, das Modell könne häufiger als frühere Modelle Exploits für beliebige Codeausführung erzeugen, auch bei knappen Informationen. Mythos 5 werde bei diesen Fähigkeiten als nochmals, aber nur moderat besser beschrieben.

Bei der Entdeckung von Schwachstellen fällt das Urteil vorsichtiger aus. Geeignete, noch nicht gesättigte Benchmarks zur Suche in Quellcode gebe es nach Darstellung des Beitrags nicht. Als Indiz dient eine auffällige Zunahme schwerer und kritischer, öffentlich erfasster Schwachstellen bei 21 Organisationen, die an Project Glasswing beteiligt waren: Im April und Mai hätten die Zahlen die Vergleichsbasis von 2025 um 142 beziehungsweise 262 Prozent überschritten. Das kann jedoch auch durch höhere Ausgaben und mehr Suchaufwand im Rahmen der Initiative erklärt werden; die teilnehmenden Unternehmen erhielten umfangreiche API-Gutschriften. Außerdem seien öffentlich registrierte Schwachstellen zeitverzögert und die Partnerberichte nicht völlig unabhängig.

Berichte von Mozilla, Palo Alto Networks, Cloudflare und AWS beschreiben Mythos Preview als leistungsfähig bei der Suche und Bewertung von Schwachstellen. Zugleich zeigen Gegenbeispiele Grenzen: Laut den Autoren behauptet ein Anbieter kleinerer Modelle, auch diese könnten einige der gezeigten Fehler finden. Im stark geprüften curl-Projekt fand Mythos Preview laut dessen Maintainer eine Schwachstelle mit niedriger Schwere und erzeugte vier Fehlalarme; der Maintainer sah keinen klaren Vorsprung gegenüber früheren Werkzeugen. Die Autoren halten frühere KI-Modelle daher bereits für gut in der Entdeckung. Mythos Preview könne besonders durch weniger Fehlalarme und bessere Einschätzung des Schweregrads praktische Prüfzeit sparen.

Insgesamt sieht der Beitrag einen belegten großen Fortschritt beim Ausnutzen von Schwachstellen, aber keinen eindeutig messbaren Sprung bei ihrer Entdeckung innerhalb eines festen Budgets. Eine breite Verfügbarkeit könnte laut Autoren dennoch die Cybersicherheit verändern und schnellere Sicherheitskorrekturen erforderlich machen. Wie Mythos 5 sich im praktischen Einsatz auswirkt, sei noch abzuwarten. Der umfangreiche Anhang erläutert Datenquellen, Auswertungsregeln und Einschränkungen der einzelnen Benchmarks; die Ergebnisse hängen also auch von deren Auswahl und Messmethoden ab.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Bewertung stützt sich nur auf den Bericht; Teilfragen zu politischen Gesprächen, Zusagen und staatenübergreifender Akzeptanz sind darin nicht belegt, weshalb sie niedrig eingestuft wurden.

Im Bericht, aber nicht in der Zusammenfassung

  • Schlussfolgerung des Berichts, dass Mythos-Fähigkeiten kein reiner Hype sind und bei breiter Verfügbarkeit ein neues Cybersicherheitsregime mit deutlich schnelleren Patches nötig machen würden
  • Hinweis, dass Epoch die Belege zur Schwachstellensuche teils als Firmenaussagen einstuft, die wegen der Partnerschaft mit Anthropic nicht neutral sind

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M3 Wie stellt man fest, ob ein Vorfall gewollt oder versehentlich war, und ob KI oder herkömmliche Mittel dahinterstecken?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

  2. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 28 %gleiches Oberthema, hilft nicht
    • amos 35 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Fähigkeiten messen
  1. SF-F1 Wie misst man gefährliche Fähigkeiten eines Modells, vor allem im Cyberbereich, mit gemeinsam anerkannten, wiederholbaren Tests, die keine Sprache, Kultur oder Seite bevorzugen?
    • clef 31 %umfangreiche Belege
    • Luna 65 %umfangreiche Belege
    • JEV 41 %umfangreiche Belege
    • amos 45 %umfangreiche Belege
    • SubQ 39 %umfangreiche Belege
    • drex 40 %umfangreiche Belege
    • d3-ultra 62 %umfangreiche Belege
    • Haiku-Prüfung umfangreiche Belege

    • SF-F1-T01 Welche Belege zu Cyberfähigkeiten soll ein Labor vor der Freigabe eines Modells veröffentlichen (Methoden, Aufgabenfamilien, Fehlerraten, getestete Version, reproduzierbare Cyber-Tests in abgeschirmter Umgebung für unabhängige Prüfer), damit jedes Ministerium sie nachstellen kann, statt ihnen vertrauen zu müssen? Und führt es für dieselbe Modellversion abgestimmte Cyber-Tests durch, die sowohl den durch Schutzmaßnahmen verhinderten Missbrauch als auch die legitimen Abwehraufgaben messen, die dieselben Schutzmaßnahmen blockieren, und weist es beide Ergebnisse aus? Luna: Stufe 4 · 39 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 5 · umfangreiche Belege
    • SF-F1-T02 Veröffentlichen Labore abgestimmte Cyber-Tests, die zeigen, was jedes Modell mehr leistet als ein Mensch ohne KI-Hilfe? Luna: Stufe 4 · 41 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 3 · Hintergrund, keine Belege
    • SF-F1-T04 Welcher gemeinsame, neutrale und offene Maßstab (Aufgaben, Erfolgsrate, abgeschirmte Testumgebung, Belege) zeigt, dass eine Cyber-Schwelle überschritten ist? Würden ein Ministerium und ein Labor in verschiedenen Staaten ihn annehmen, bevor das nächste Modell als Überschreitung eingestuft wird, damit Schwellen gemessen und nicht behauptet werden? Und dient derselbe Maßstab dann sowohl dazu, ein Modell einzustufen, als auch dazu, das Tempo seiner Entwicklung zu steuern? Luna: Stufe 4 · 37 % · einzelne zitierbare Belege · Haiku-Prüfung: Stufe 4 · einzelne zitierbare Belege
    • SF-F1-T05 Welche Cyber-Prüfungen und welche Testbausteine (Testfälle, Bewertungswerkzeuge, Datensätze) würden jedes Labor und jedes Ministerium anstelle einer bloßen Behauptung als gültig anerkennen, wenn andere sie an ihrem Modell durchführen? Und welche genormte Testsammlung würden Labore verschiedener Staaten gemeinsam an eingefrorenen Modellversionen laufen lassen, verwaltet von einer dritten Stelle, der alle trauen? Luna: Stufe 3 · 29 % · Hintergrund, keine Belege
  2. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 39 %Hintergrund, keine Belege
    • JEV 41 %beantwortet teilweise oder widerspricht
    • amos 29 %einzelne zitierbare Belege
    • SubQ 38 %gleiches Oberthema, hilft nicht
    • drex 29 %gleiches Oberthema, hilft nicht
    • d3-ultra 42 %gleiches Oberthema, hilft nicht

    • SF-F2-T01 Wenn ein Ministerium ein Modell als Beleg nennt, dass eine Schwelle überschritten ist: Veröffentlicht das Ministerium die Tests, die Modellversion und was es gemessen hat, und veröffentlicht das Labor die Cyber-Prüfung dieser Version auch in der Sprache des Ministeriums? Und welches Ergebnis würde das Ministerium dazu bringen, seine Behauptung zurückzunehmen? Luna: Stufe 3 · 29 % · Hintergrund, keine Belege
    • SF-F2-T02 Wenn ein Staat fremde Modelle als Zeichen einer neuen Stufe nennt: Beruht das auf eigenen Messungen, die er so veröffentlichen könnte wie andere ihre Messungen? Und haben Labore vergleichbare Prüfungen fremder Modelle durchgeführt und sich entschieden, sie nicht zu veröffentlichen? Gefragt wurde das zu Minister Chen Yixins Nennung von Claude Mythos und GPT-5.5-Cyber als Zeichen der Phase „KI gegen KI“ bei Cyberangriff und -abwehr, nachdem die US-Prüfstelle CAISI Messungen von GLM-5.3 (17. September 2026) und, mit dem britischen AI Security Institute, von Kimi K3 (Juli 2026) veröffentlicht hatte, und zu Prüfungen von OpenAI und Anthropic an Modellen von DeepSeek, GLM, Qwen oder Kimi. Luna: Stufe 3 · 32 % · Hintergrund, keine Belege
    • SF-F2-T03 Ein Minister beschreibt Risiken durch Spionage und Datenabfluss, etwa über quelloffene KI-Agentenwerkzeuge, und durch ein Ungleichgewicht in der technologischen Entwicklung, das Monopole und Technologiebeschränkungen verschärfen. Welche veröffentlichten Belege würden diese Risiken an der Fähigkeit eines Modells statt an seiner Herkunft festmachen? Luna: Stufe 4 · 34 % · einzelne zitierbare Belege
  3. SF-F4 Für welche Modelle, Entwickler und Einsätze gelten Prüfregeln, und wann muss neu geprüft werden?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 24 %Hintergrund, keine Belege
    • SubQ 100 %kein Bezug
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 63 %gleiches Oberthema, hilft nicht
  4. SF-F5 Wie gehen Staaten gemeinsam gegen KI-gestützte Cyberangriffe vor und verhindern Eskalation zwischen autonomen Systemen, ohne die Verteidigung zu behindern?
    • clef 35 %gleiches Oberthema, hilft nicht
    • Luna 93 %Hintergrund, keine Belege
    • JEV 48 %gleiches Oberthema, hilft nicht
    • amos 28 %gleiches Oberthema, hilft nicht
    • SubQ 53 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 67 %gleiches Oberthema, hilft nicht

Unabhängig prüfen
  1. SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
    • clef 25 %Hintergrund, keine Belege
    • Luna 27 %Hintergrund, keine Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 25 %Hintergrund, keine Belege
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 31 %gleiches Oberthema, hilft nicht
    • d3-ultra 58 %gleiches Oberthema, hilft nicht
  2. SF-P2 Wie bleiben Prüfer, die in einem Labor arbeiten, wirklich unabhängig?
    • clef 24 %Hintergrund, keine Belege
    • Luna 100 %kein Bezug
    • JEV 100 %kein Bezug
    • amos 29 %nur am Rande erwähnt
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 44 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 23 %Hintergrund, keine Belege
    • Luna 69 %einzelne zitierbare Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 32 %einzelne zitierbare Belege
    • SubQ 25 %einzelne zitierbare Belege
    • drex 37 %einzelne zitierbare Belege
    • d3-ultra 30 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung einzelne zitierbare Belege

Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 23 %gleiches Oberthema, hilft nicht
    • Luna 63 %Hintergrund, keine Belege
    • JEV 37 %gleiches Oberthema, hilft nicht
    • amos 30 %Hintergrund, keine Belege
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra 60 %gleiches Oberthema, hilft nicht

Vertrauen in Modelle
  1. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 53 %Hintergrund, keine Belege
    • JEV 45 %einzelne zitierbare Belege
    • amos 32 %gleiches Oberthema, hilft nicht
    • SubQ 47 %gleiches Oberthema, hilft nicht
    • drex 40 %gleiches Oberthema, hilft nicht
    • d3-ultra 56 %gleiches Oberthema, hilft nicht

Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 61 %Hintergrund, keine Belege
    • JEV 29 %gleiches Oberthema, hilft nicht
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 45 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %gleiches Oberthema, hilft nicht

Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 27 %Hintergrund, keine Belege
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 37 %gleiches Oberthema, hilft nicht
    • d3-ultra 58 %gleiches Oberthema, hilft nicht
Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 59 %einzelne zitierbare Belege
    • JEV 38 %einzelne zitierbare Belege
    • amos 30 %nur am Rande erwähnt
    • SubQ 61 %gleiches Oberthema, hilft nicht
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

Beteiligung und Gemeinwohl
  1. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 23 %nur am Rande erwähnt
    • Luna 35 %Hintergrund, keine Belege
    • JEV 51 %nur am Rande erwähnt
    • amos 28 %nur am Rande erwähnt
    • SubQ 100 %kein Bezug
    • drex 27 %nur am Rande erwähnt
    • d3-ultra 56 %gleiches Oberthema, hilft nicht
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 42 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 46 %gleiches Oberthema, hilft nicht
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 49 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 46 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 51 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Wirtschaft und Haftung

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →