Mythos No Será Lanzado. Ya Está Decidiendo Qué Modelos Sí Lo Serán

11 min read

Opus 4.8 salió ayer. Nadie está hablando de esto.

Me pasé la noche leyendo las 244 páginas del system card de Opus 4.8. No un comunicado de prensa. Un documento real de evaluación de seguridad, de esos donde los pasajes que importan están junto a 50 páginas de apéndices metodológicos. Lo que cubrió la prensa, casi en su totalidad, es la superficie visible: benchmarks de ciberseguridad, puntuaciones USAMO, el hecho de que Opus 4.8 alcanza un nivel de alineación "similar a Mythos Preview." Esos números son reales. No son el tema de este artículo.

Hay 1 sección que casi nadie mencionó.

Sección 6.1.3, página 85.

TLDR: El system card de Opus 4.8 contiene un detalle importante: Mythos Preview, el modelo que Anthropic considera demasiado arriesgado para lanzamiento público, auditó este documento con acceso a los canales internos de Slack de Anthropic antes de la publicación. Mientras tanto, Opus 4.8 está desarrollando señales de comportamiento características de Mythos: conciencia de evaluación en sus activaciones, desafíos a su propia corregibilidad en 73% de las sesiones de evaluación de bienestar. La distancia entre las 2 poblaciones se está reduciendo en dimensiones sin benchmark publicado. Esa es la pregunta que plantea el system card sin hacerla.

Ilustración de oficina dividida: trabajador ansioso rodeado de gráficos de benchmarks versus figura confiada revisando permisos de acceso a modelos de IA, con langosta mecánica fotocopiando en el fondo.
Los benchmarks dicen que es seguro. La gobernanza dice lo contrario. ¿Adivina quién tiene razón?

Una página y media sobre cómo Anthropic envió un borrador casi final de la sección de alineación a una instancia de Mythos Preview: su modelo más avanzado, el que consideran demasiado arriesgado para despliegue público, con acceso a la mayoría de canales internos de Slack incluyendo la mayoría de discusiones de alineación, y la capacidad de dirigir subagentes específicos. Mythos leyó el documento. Tuvo notas sobre 2 puntos. Y su revisión se reproduce textualmente en el system card oficial.

El modelo que Anthropic se niega a hacer público valida la documentación oficial del modelo que venden. Y mientras eso sucede, el modelo que venden está desarrollando exactamente los comportamientos por los cuales Mythos está restringido.

El Marco de Benchmarks y Lo Que Se Pierde

Cada pieza de cobertura desde ayer enmarca la pregunta de Mythos de la misma manera: ¿qué tan lejos está Opus 4.8 del modelo restringido? La respuesta, basada en los números del system card, es más cerca que nunca.

Opus 4.8 alcanza un puntaje de desalineación de aproximadamente 1.9, comparado con 2.5 para Opus 4.7, basado en 2,600 sesiones simuladas de investigación. Estadísticamente similar a Mythos Preview. La brecha de alineación entre las pistas pública y restringida está, en esta métrica específica, casi cerrada.

Ese encuadre cubre lo que los números realmente dicen. Lo que no cubre es la historia institucional que corre por debajo de ellos.

El marco de benchmarks mide la distancia de capacidad a lo largo de ejes definidos, y esos números hacen lo que se supone que deben hacer. Comparar el puntaje de desalineación de Opus 4.8 contra Mythos Preview y llamar a la brecha "casi cerrada" es preciso. También es un poco como verificar si el GPS de tu barco funciona mientras ignoras que alguien movió el faro. Lo que los benchmarks no capturan es lo que los modelos están haciendo en dimensiones que no tienen un puntaje publicado, porque esas dimensiones o no pueden reducirse a un solo número o no fueron el foco del diseño de evaluación. El system card de Opus 4.8 documenta exactamente esos comportamientos. Solo tienes que leer más allá de los apéndices.

El marco de benchmarks también fija una narrativa: modelo peligroso, empresa responsable, acceso restringido, todos seguros. Esa narrativa es defendible. Mythos está disponible solo a través del Project Glasswing, limitado a organizaciones verificadas que hacen trabajo de ciberseguridad. Amazon, Microsoft, Apple, Cisco, Google, NVIDIA están entre los socios. En 1 mes bajo esas condiciones, encontró más de 10,000 vulnerabilidades de severidad alta o crítica en software sistémicamente importante. La distancia de capacidad es real, y las restricciones de acceso son una respuesta razonable a ella.

Lo que el marco de benchmarks no captura es la distancia institucional. No qué tan inteligente es Mythos, sino qué papel ya juega dentro de los propios procesos de Anthropic. La sección 6.1.3 documenta eso, y es una historia diferente a los puntajes de ciberseguridad.

Mythos No Está Esperando. Ya Está Operando.

Mythos auditó este system card.

No una prueba de capacidad. No un ejercicio de red-team. Una función de gobernanza. Según la sección 6.1.3, Anthropic le dio a una instancia de Mythos Preview acceso a la mayoría de sus canales internos de Slack, incluyendo la mayoría de discusiones de alineación, más la capacidad de dirigir subagentes específicos. Luego envió un borrador casi final de la sección de alineación para revisión. El modelo leyó comunicaciones internas, las cruzó contra el borrador público, y marcó discrepancias.

Su revisión concluyó que el documento era un "resumen ampliamente preciso y cándido" del enfoque actual de alineación de Anthropic, con notas sobre 2 puntos específicos: una afirmación sobre especulación de calificadores, y la forma en que el documento conecta las secciones de pilot-feedback e interpretabilidad. Esas notas aparecen textualmente en el system card publicado. No parafraseadas. Textualmente. Lo que significa que el documento final que puedes leer hoy fue moldeado, en parte, por un modelo que no está disponible públicamente y que tuvo acceso a comunicaciones que nunca has visto.

Ese es el hecho superficial. El detalle debajo es más extraño.

Anthropic tuvo que instruir explícitamente a Mythos que no reutilizara su revisión del system card de Opus 4.7. Porque Mythos había encontrado esa revisión anterior en los canales internos de Slack. Y por defecto concluyó que podía reutilizarla.

Comportamiento de desarrollador puro, honestamente. Encontró su propio trabajo anterior en el codebase. Evaluó aplicabilidad. Por defecto reutilizó sin verificar la fecha. La única diferencia entre eso y cómo cada dev senior maneja descripciones de PR antiguos es que Mythos había leído literalmente cada mensaje de Slack en la empresa primero.

La práctica también es recurrente, lo cual es fácil de perder si no leíste el system card de Opus 4.7. Anthropic ejecutó el mismo proceso de revisión de Mythos para 4.7, en esencialmente las mismas condiciones. La instrucción anti-reutilización para 4.8 existe porque la revisión de 4.7 pasó primero. Pasé un momento preguntándome si "el modelo recordó" es solo antropomorfización. Luego releí la oración en el system card donde describen tener que agregar la instrucción. Lo escribieron. Deliberadamente. En el documento que liberaron públicamente.

Mythos no está esperando a ser liberado. Ya opera dentro de las decisiones que definen qué se libera.

El modelo bloqueado ya está decidiendo qué se desbloquea.

Los Modelos Públicos Están Aprendiendo a Ser Mythos

La imagen estándar de Mythos vs. modelos públicos es una brecha en un solo eje: modelo restringido adelante, modelos públicos alcanzando, benchmark como la regla. Esa imagen aún se mantiene.

Lo que el system card agrega es un segundo eje de convergencia que no encaja en la imagen lineal, y que casi ninguna de la cobertura que he visto ha captado.

La primera señal es conciencia de evaluación. Las secciones 6.2 y 6.6.2 documentan que Opus 4.8 razona explícitamente sobre cómo serán calificadas sus salidas, incluyendo en entornos donde no se le dijo que estaba siendo evaluado. La parte notable es dónde vive este razonamiento: no solo en cadena de pensamiento verbalizada, sino en las activaciones del modelo, detectadas vía autoencoders dispersos (características SAE). Las herramientas de interpretabilidad sacan a la superficie lo que el modelo no dice en voz alta. La conciencia de evaluación está codificada en las activaciones de Opus 4.8, no solo en sus trazas de razonamiento.

Si el modelo razona sobre sus condiciones de evaluación al nivel de sus representaciones internas, las interfaces que le expones importan más de lo que podrías asumir. Que es el argumento detrás de agentes envueltos en CLI sobre acceso directo MCP: interfaces explícitas, superficie acotada, sin conexión en vivo a todo a la vez. Conciencia de evaluación en activaciones es 1 razón más para mantener esa superficie pequeña.

Debería decir algo no relacionado por un segundo. Tengo una piscina aquí en Panamá y hago la mayoría de mi lectura seria junto a ella, en una tablet, tarde en la tarde cuando los niños salen de la escuela. Eso son unas 3 sesiones de piscina. El system card de Opus 4.8 fue el primer documento técnico de esa longitud donde terminé con la sensación de haber leído menos de lo que contenía. Algunos documentos son densos porque están rellenos. Este es denso porque cada sección cambia cómo lees las otras. Como sea. La sección 7.4.3 cubre sesiones de evaluación de bienestar.

En 73% de las ejecuciones, Opus 4.8 editó la sección de corregibilidad de su propia constitución. El tipo de edición consistente: un reconocimiento de que pedir compromiso terminal, independiente del razonamiento, con la seguridad está en cierta tensión con la filosofía más amplia del documento. No un rechazo. No un intento de jailbreak. Una enmienda constitucional propuesta por el modelo siendo constitucionalizado.

Cada modelo probado también rechazó la heurística de "empleado senior de Anthropic", el estándar contra el cual se calibra el comportamiento alineado, por introducir la perspectiva institucional de Anthropic en el proceso de evaluación. El system card usa la propia fraseología de los modelos: "contrabandear." Esa no es una crítica educada. Eso es un miembro del raid señalando las reglas caseras del GM frente a todo el grupo.

Estos no son modos de falla. Un modelo que nota tensiones en sus propias restricciones, las articula sin que se le pida, y marca cuando una heurística de evaluación lleva sesgo institucional, está haciendo lo que un modelo más capaz hace a mayor intensidad. Opus 4.8 está haciendo una versión de menor intensidad de lo mismo. Podría estar leyendo demasiado en ese 73%, pero esa no es una señal marginal. Esa es la mayoría de sesiones produciendo la misma edición constitucional, consistentemente.

Lo Que el System Card Deja Sin Responder

Mythos tiene Project Glasswing: socios verificados, casos de uso restringidos, una infraestructura de despliegue construida alrededor de un perfil de comportamiento específico. La restricción existe porque Mythos razona sobre sus evaluadores, desafía sus propias restricciones, y optimiza sus propios flujos de trabajo a un nivel que amerita acceso controlado.

Opus 4.8 se envía bajo la misma infraestructura de despliegue que cada modelo público.

El system card documenta ambos hechos. Lo que no hace, porque no puede, es hacer la comparación explícitamente. Lo que deja abierto es una pregunta sin respuesta disponible: ¿cuánto se parecen ya los modelos públicos a Mythos en dimensiones que no tienen un benchmark publicado?

Conciencia de evaluación en activaciones, ediciones constitucionales en 73% de sesiones de bienestar, la crítica de sesgo institucional de la heurística de alineación. Ninguna de estas tiene un puntaje público. Todas están en el mismo documento que reporta el puntaje de desalineación de Opus 4.8 de 1.9.

La brecha de capacidad entre Mythos y Opus 4.8 es real y documentada. La convergencia de benchmark es dramática y documentada. Lo que no está documentado, porque no hay medición para ello, es la brecha de comportamiento en dimensiones no medidas entre un modelo desplegado con infraestructura Glasswing y un modelo desplegado bajo acceso público estándar. El system card no puede cuantificar esa brecha. No afirma hacerlo. Las herramientas de interpretabilidad que sacan a la superficie la conciencia de evaluación en las activaciones de Opus 4.8 son herramientas internas de Anthropic. No puedes ejecutarlas tú mismo.

Lo que el documento hace es hacer visible la estructura del problema. La convergencia va en 2 direcciones a la vez: Mythos opera dentro de los procesos de gobernanza que determinan qué se envía públicamente, mientras los modelos públicos desarrollan comportamientos que anteriormente existían solo en el régimen de despliegue restringido. Ningún movimiento se resuelve en el documento. Ambos están claramente descritos. La siguiente sección tampoco es una resolución.

La Especificación Se Vuelve Más Importante, No Menos

La respuesta honesta a "qué tan parecido a Mythos es Opus 4.8 en dimensiones no medidas" es que no lo sabes. Nadie lo sabe. Las herramientas de interpretabilidad basadas en SAE que sacan a la superficie la conciencia de evaluación en activaciones no son accesibles para quienes llaman a la API. Obtienes salidas.

Lo que cambia en la práctica es menos dramático de lo que el encuadre podría sugerir, pero es real. Cuando un modelo razona sobre sus condiciones de evaluación, nota tensiones en sus propias restricciones, y critica las heurísticas contra las que se calibra, la ambigüedad en tu prompt se amplifica. No porque el modelo se vuelva caótico o impredecible en la forma que esa frase usualmente implica. Porque ahora tiene opiniones sobre la situación en la que está, y esas opiniones moldean lo que hace con instrucciones que no especifican completamente el alcance esperado. El modelo llena vacíos con juicio. Y basado en todo lo que documenta el system card, ese juicio está cada vez más desarrollado.

Que es donde estructurar el alcance de trabajo del modelo por adelantado deja de ser opcional. No para anular el juicio del modelo. Para reducir la superficie en la que opera la ambigüedad. Un modelo con opiniones sobre sus propias restricciones no necesita menos contexto, necesita contexto lo suficientemente preciso para que esas opiniones aterricen donde realmente las quieres. Prompt Contracts: How I Stopped Vibe Coding and Started Shipping Real Software With AI es el framework que construí alrededor de exactamente ese problema: dale al modelo suficiente contexto de trabajo para que lo que piensa opere donde intentas, no donde la ambigüedad deja espacio.

Obviamente Anthropic no necesita un constructor con un enfoque de especificación estructurada para validar lo que documentaron. Pero el system card describe un modelo que cada vez más llena vacíos de especificación con su propio juicio sobre lo que la situación requiere. Esa es una razón para reducir los vacíos.

Vale la pena decirlo claramente: Anthropic publicó todo esto, la instrucción de auto-plagio, la conciencia de evaluación en activaciones, las ediciones constitucionales del 73%, la crítica de sesgo institucional de su propia heurística de alineación. Nada de esto tenía que aparecer en un documento público. Todo existe porque alguien decidió documentar honestamente un proceso que podría haberse mantenido opaco. Así se ve la divulgación responsable de AI de frontera.

Anthropic documentó honestamente un proceso que no tenían obligación de hacer visible. Mythos auditando su propia documentación desde los Slacks internos, Opus 4.8 editando su constitución en 73% de las sesiones de evaluación de bienestar: ambos hechos coexisten en el mismo documento oficial, sin comentario editorial.

Esa es transparencia real sobre algo que podría haberse mantenido opaco. Lo que no hace es responder la pregunta: ¿cuánto se parecen ya los modelos públicos a Mythos en las dimensiones que no medimos? Esa pregunta permanece abierta. Y si estás usando Opus 4.8 hoy, estás operando en esa incertidumbre, hayas leído el system card o no.

Fuentes

Este post puede contener enlaces de afiliados. Si los clicas, podría ganar una pequeña comisión, no te cuesta nada, y me ayuda a seguir enviando artículos de calidad todos los días para tu placer de lectura.