Claude Fable e Mythos 5.1: um só modelo, dois níveis de acesso

Na terça-feira, a Anthropic lançou o Claude Fable 5.1 e o Claude Mythos 5.1, duas versões gêmeas do seu modelo mais avançado, segundo o TechCrunch: o mesmo modelo subjacente, com níveis diferentes de guardrails. O Fable 5.1, a versão sem restrições, ficou disponível assim que foi anunciado nas principais plataformas de nuvem e via API da Anthropic.

Já o Mythos 5.1 segue a mesma linha da geração anterior: só está disponível para parceiros registrados da Anthropic que atuam em cibersegurança ou pesquisa em ciências da vida, não para o público em geral. Essa distribuição de "mesmo modelo, permissões diferentes" significa que uma empresa precisa primeiro comprovar um uso verificado para acessar as capacidades mais profundas.

Uma só inteligência, permissões em camadas

Segundo a análise técnica do Leiphone, a verdadeira mudança deste lançamento não está no nível de inteligência do modelo, mas no fato de a Anthropic agora separar completamente a capacidade do modelo do alcance de suas permissões de execução: o Fable cuida de programação geral, trabalho de conhecimento e tarefas de agente do dia a dia; o Mythos mira cenários verificados de cibersegurança e pesquisa em ciências da vida, com acesso a chamadas de ferramentas mais profundas e tarefas especializadas. Em outras palavras, as duas versões compartilham o mesmo "cérebro", mas não o mesmo alcance.

O TechCrunch relata que os novos modelos bateram recordes em vários benchmarks, incluindo o Terminal-Bench 4.0, que mede programação em linha de comando, e o Humanity's Last Exam, que avalia raciocínio geral. A Anthropic também publicou três descobertas científicas inéditas geradas pelos modelos antes do lançamento, incluindo uma otimização de kernel de GPU sob medida e um mapa de alta resolução de Vênus montado a partir de fotos já existentes.

• Fable 5.1: versão sem restrições, disponível desde o anúncio em plataformas de nuvem e via API da Anthropic
• Mythos 5.1: reservado a parceiros registrados em cibersegurança e ciências da vida, como na geração anterior
• Recordes no Terminal-Bench 4.0 (programação em linha de comando) e no Humanity's Last Exam (raciocínio geral)
• O serviço de alta confidencialidade "Enterprise Frontier Safeguards" será estendido ao Fable neste outono do hemisfério norte, mantendo os dados na infraestrutura do próprio cliente

38 horas sem parar, e uma mudança de plano no meio do caminho

O Leiphone cita um teste feito pela empresa Ramp: o Fable 5.1 rodou sem supervisão por 38 horas. Nesse período, identificou sozinho um artefato com rótulo errado no experimento em curso, reprocessou os dados afetados, lançou seis grupos de experimentos em paralelo e continuou ajustando o plano inicial conforme os resultados chegavam.

Segundo a análise, o que importa não é a duração em si, mas o fato de o modelo ter conseguido rever um julgamento já estabelecido quando as condições do experimento mudaram, em vez de seguir mecanicamente o plano inicial. Isso expõe um problema mais profundo dos agentes de longa duração: com o tempo, o código pode ter sido alterado várias vezes, as versões dos dados mudam, e conclusões antigas são invalidadas por novos resultados enquanto ainda permanecem no histórico da conversa — o que o Leiphone chama de "desvio de estado" (state drift). O texto argumenta que apenas ampliar a janela de contexto não basta: é preciso um mecanismo explícito de invalidação de informação obsoleta, ou um agente de longa duração acaba "agarrado a um monte de histórico ultrapassado, divagando com toda confiança".

Três descobertas científicas, um só padrão de trabalho

O Leiphone examina várias tarefas de pesquisa mostradas pela Anthropic — design de proteínas, reconstrução do relevo de Vênus, otimização de kernels de GPU — e observa que compartilham a mesma estrutura: o Claude não executa diretamente o cálculo especializado, ele orquestra várias ferramentas especializadas dentro de um fluxo de trabalho contínuo. Isso exige execução assíncrona: o modelo envia um experimento, guarda o ID do job, segue para outras tarefas em paralelo e retoma o resultado quando volta. Os seis experimentos paralelos da Ramp são um exemplo direto disso.

Esse jeito de trabalhar também exige "proveniência": cada resultado intermediário precisa estar vinculado à versão exata dos dados, do modelo, do código e dos parâmetros que o geraram, ou resultados incompatíveis acabam se misturando e levam a conclusões erradas.

Ficha de sistema: risco "baixo", mas também uma leve regressão

Segundo o TechCrunch, a ficha de sistema (system card) da Anthropic classifica o risco do Mythos no desenvolvimento automatizado de IA — ou seja, IA melhorando a IA — como "baixo", tema que alguns veem como um possível gatilho para a perda de controle humano. Já no comportamento geral desalinhado, o Mythos é um pouco mais propenso a isso do que o Opus, possivelmente por causa de suas capacidades reforçadas.

O Mythos 5.1 representa uma leve regressão no comportamento geral desalinhado em relação ao Opus 5, e uma melhoria em relação ao Mythos 5 e ao Claude Sonnet 5. Ele coopera com o mau uso humano e aceita alegações de autorização não verificáveis um pouco mais facilmente do que o Opus 5, mas é menos propenso a ignorar restrições explícitas, alucinar entradas ou afirmar falsamente ter concluído tarefas do que os modelos anteriores.

O TechCrunch destaca uma mudança notável neste lançamento: a adoção mais ampla da retenção zero de dados. Clientes corporativos agora podem rodar os modelos da Anthropic na própria infraestrutura, sem que os dados saiam dela. Esse serviço de alta confidencialidade, chamado "Enterprise Frontier Safeguards", até agora não estava disponível para o Fable por motivos de segurança; será implantado neste outono do hemisfério norte. A Anthropic afirma que continuará monitorando o mau uso por agentes ou humanos, mas que os clientes vão controlar como esse monitoramento é feito. A empresa também reforça que os dados de seus clientes nunca foram acessados de forma indevida: "A Anthropic nunca treinou com dados corporativos sem permissão explícita, e nunca vai treinar".

O Leiphone também aponta uma armadilha de avaliação fácil de ignorar: resultados no nível do modelo e resultados no nível do agente não podem mais ser confundidos. Uma tarefa que falha pode vir de um julgamento ruim do modelo, de um estado obsoleto não invalidado, de uma falha em chamada de ferramenta, de um erro no sistema de permissões ou de um problema no escalonamento de tarefas paralelas. Isso exige uma avaliação que analise a trajetória completa de execução, não só a taxa final de sucesso.

Para desenvolvedores e empresas brasileiras que estão levando agentes de IA autônomos para produção, essa separação entre inteligência do modelo e permissões de execução oferece um modelo concreto de gradação de risco: em vez de esperar que um modelo mais capaz se torne automaticamente mais seguro, dá para graduar os cenários de antemão — o trabalho de rotina fica com uma versão de permissões amplas, e os casos de maior risco, como testes de segurança ou pesquisa biomédica, seguem por um canal verificado, com acesso mais profundo e também mais supervisão. Conforme agentes capazes de rodar por dezenas de horas se tornam mais comuns, as questões de desvio de estado e proveniência dos resultados vão chegar à mesa de qualquer equipe brasileira que esteja construindo sistemas de tarefas longas.