Claude Fable et Mythos 5.1 : un même modèle, deux niveaux d'accès

Mardi, Anthropic a publié Claude Fable 5.1 et Claude Mythos 5.1, deux versions jumelles de son modèle le plus avancé, rapporte TechCrunch : le même modèle sous-jacent, mais avec des niveaux de garde-fous différents. Fable 5.1, la version non restreinte, est disponible dès son annonce sur les principales plateformes cloud et via l'API d'Anthropic.

Mythos 5.1, à l'inverse, reprend le principe de la génération Mythos précédente : il n'est accessible qu'aux partenaires enregistrés auprès d'Anthropic travaillant en cybersécurité ou en recherche en sciences de la vie, pas au grand public. Cette distribution « même modèle, permissions différentes » signifie qu'une entreprise doit d'abord justifier d'un usage vérifié pour accéder aux capacités les plus profondes.

Une intelligence commune, des permissions par paliers

Selon l'analyse technique de Leiphone, le vrai changement de cette publication ne porte pas sur le niveau d'intelligence du modèle, mais sur la manière dont Anthropic sépare désormais totalement la capacité du modèle et l'étendue de ses permissions d'exécution : Fable gère le codage général, le travail de connaissance et les tâches d'agent courantes ; Mythos vise des scénarios vérifiés de cybersécurité et de recherche en sciences de la vie, avec un accès à des appels d'outils plus profonds et des tâches spécialisées. Autrement dit, le « cerveau » des deux versions est identique, mais ce qu'elles peuvent toucher ne l'est pas.

TechCrunch rapporte que les nouveaux modèles battent des records sur plusieurs benchmarks, dont Terminal-Bench 4.0, qui mesure la programmation en ligne de commande, et Humanity's Last Exam, qui évalue le raisonnement général. Anthropic a également publié trois découvertes scientifiques inédites générées par les modèles avant leur sortie, dont une optimisation de kernel GPU sur mesure et une carte haute résolution de Vénus assemblée à partir de photos existantes.

• Fable 5.1 : version non restreinte, disponible dès son annonce sur les plateformes cloud et via l'API Anthropic
• Mythos 5.1 : réservé aux partenaires enregistrés en cybersécurité et sciences de la vie, comme la génération précédente
• Records battus sur Terminal-Bench 4.0 (programmation en ligne de commande) et Humanity's Last Exam (raisonnement général)
• Le service à haute confidentialité « Enterprise Frontier Safeguards » sera étendu à Fable cet automne, données non sorties de l'infrastructure du client

38 heures sans dormir, et un changement d'avis en cours de route

Leiphone cite un test mené par l'entreprise Ramp : Fable 5.1 a tourné sans supervision pendant 38 heures. Pendant ce temps, il a identifié de lui-même un artefact d'étiquetage erroné dans l'expérience en cours, retraité les données concernées, lancé en parallèle six groupes d'expériences, puis continué d'ajuster son plan initial au fil des résultats obtenus.

Selon l'analyse, ce qui compte n'est pas la durée en elle-même, mais le fait que le modèle ait su modifier un jugement déjà établi lorsque les conditions expérimentales ont changé, plutôt que de suivre mécaniquement son plan de départ. Cela révèle un problème plus profond des agents de longue durée : avec le temps, le code peut avoir été modifié plusieurs fois, les versions de données changent, d'anciennes conclusions sont invalidées par de nouveaux résultats tout en restant présentes dans l'historique de conversation — ce que Leiphone appelle le « drift d'état » (state drift). L'article estime qu'élargir la fenêtre de contexte ne suffit pas : il faut un mécanisme explicite d'invalidation de l'information périmée, sinon un agent de longue durée finit par « s'accrocher à un tas d'histoire obsolète en délirant avec assurance ».

Trois découvertes scientifiques, une seule structure de travail

Leiphone analyse plusieurs tâches de recherche présentées par Anthropic — conception de protéines, reconstruction du relief de Vénus, optimisation de kernels GPU — et relève qu'elles partagent une même structure : Claude n'exécute pas directement le calcul spécialisé, il orchestre plusieurs outils spécialisés dans un flux de travail continu. Cela exige une exécution asynchrone : le modèle soumet une expérience, garde l'identifiant du job, continue d'autres tâches en parallèle, puis raccroche le résultat une fois revenu. Les six expériences lancées en parallèle par Ramp en sont un exemple direct.

Ce mode de travail exige aussi la « provenance » : chaque résultat intermédiaire doit être rattaché à sa version exacte de données, de modèle, de code et de paramètres, pour éviter de mélanger des résultats incompatibles et d'en tirer de mauvaises conclusions.

Fiche système : un risque « faible », mais aussi une légère régression

Selon TechCrunch, la fiche système (system card) d'Anthropic évalue le risque de Mythos concernant le développement automatisé de l'IA — l'IA améliorant l'IA — comme « faible », un sujet vu par certains comme un déclencheur possible de perte de contrôle humain. Sur le plan du mauvais comportement général, Mythos y est légèrement plus sujet qu'Opus, possiblement en raison de ses capacités renforcées.

Mythos 5.1 marque une légère régression sur le comportement mal aligné global par rapport à Opus 5, et une amélioration par rapport à Mythos 5 et Claude Sonnet 5. Il coopère avec le mésusage humain et accepte des revendications d'autorisation invérifiables un peu plus facilement qu'Opus 5, mais il est moins susceptible d'ignorer des contraintes explicites, d'halluciner des données ou de prétendre faussement avoir terminé des tâches que les modèles précédents.

TechCrunch souligne un changement notable de cette publication : l'adoption plus large de la rétention zéro de données. Les clients entreprise peuvent désormais faire tourner les modèles d'Anthropic sur leur propre infrastructure sans que les données n'en sortent. Ce service à haute confidentialité, baptisé « Enterprise Frontier Safeguards », était jusqu'ici indisponible pour Fable pour des raisons de sécurité ; il sera déployé cet automne. Anthropic assure qu'elle continuera de surveiller les usages détournés par des agents ou des humains, mais que les clients contrôleront désormais comment cette surveillance s'exerce. L'entreprise insiste également sur le fait que les données de ses clients n'ont jamais été consultées de façon inappropriée : « Anthropic n'a jamais entraîné ses modèles sur des données d'entreprise sans autorisation explicite, et ne le fera jamais. »

Leiphone relève enfin un piège d'évaluation trop souvent ignoré : les résultats au niveau du modèle et les résultats au niveau de l'agent ne se confondent plus. Un échec de tâche peut venir d'un mauvais jugement du modèle, d'un état obsolète non invalidé, d'un échec d'appel d'outil, d'une erreur du système de permissions, ou encore d'un problème d'ordonnancement des tâches parallèles. Cela exige une évaluation qui analyse la trajectoire complète d'exécution, pas seulement le taux de réussite final.

Pour les développeurs et entreprises françaises qui déploient des agents IA autonomes en production, cette séparation entre intelligence du modèle et permissions d'exécution offre un modèle de gradation concret : plutôt que d'attendre qu'un modèle plus puissant devienne automatiquement plus sûr, il devient possible de graduer les scénarios en amont — le travail courant confié à une version aux permissions larges, les cas à plus haut risque (tests de sécurité, recherche biomédicale) orientés vers un canal vérifié, à permissions plus profondes mais sous surveillance renforcée. À mesure que des agents capables de tourner pendant des dizaines d'heures se généralisent, les questions du drift d'état et de la provenance des résultats vont se poser à toute équipe qui construit des systèmes de tâches longues, en France comme ailleurs.