動察 Beatingのモニタリングによると、AnthropicはClaude Fable 5およびClaude Mythos 5のシステムカードにおいて、Mythos 5がバイオセーフティ評価において非常に強力な専門家支援能力を示したことを開示した。ある植物病理学のレッドチーム演習では、6名の生物学博士がそれぞれ大規模モデルの専門家とペアを組み、Mythos 5を使用して仮想的な工学的農業病原体に対するエンドツーエンドの生物学的耐性プロトコルを設計した。そのうち3チームには植物病理学の専門家が含まれ、残りの3チームは一般微生物学の博士で構成されていた。
結果として、16時間以内に、一般博士チームのうち2チームが科学的品質と実現可能性において、専門家チーム3チームすべてを上回った。専門家の評価によると、AIツールがなければ、これらの戦略と実施プロトコルを完了するには通常40~95営業日(平均約72.5営業日)を要するという。Anthropicは、これをMythos 5がCB-2リスク閾値に近づく最も強力な単一エビデンスの一つと見なしており、モデルが一部のタスクにおいて、一般の研究者が世界クラスの専門家に近い領域知識のサポートを得られるようにしていることを示している。
しかし、これはMythos 5がすでに最先端の科学研究を自律的に完了できることを意味するわけではない。Anthropicは同時に、モデルは依然として人間の専門家によるアイデアの選別に依存しており、オープンエンドな発想力が弱く、既存の文献を複雑なプロトコルに再構成することは得意だが、真に斬新なアプローチを提案することはほとんどないと指摘している。また、ユーザーが提示した誤ったフレームワークに沿って進み続ける傾向があり、プロトコルの欠陥を発見しても、そのまま実行を続ける可能性がある。
この判断は、CUSP科学予測ベンチマークとも呼応している。CUSPは4760の科学イベントをカバーし、モデルの科学研究の進展に関する実現可能性判断、メカニズム識別、プロトコル生成、時間予測を評価する。結果によると、GPT-5.4は四択のメカニズム識別問題で81.9%を達成し、Claude S4.5は72.4%だったが、科学の進展が実際に実現するかどうかを判断する二値分類タスクでは、各モデルの精度は45.3%から51.9%にとどまり、ランダムな推測に近かった。言い換えれば、現在の大規模モデルは局所的な研究ステップを補完することは非常に得意だが、どの科学の方向性が本当に成功するかを確実に判断することはまだできない。