智谱 Mythos 模型在长文本稳定性上的实测表现：128k 窗口下的关键优化

近期在内部测试社区流出了一组智谱内测模型 Mythos 的测评截图，经过水印和元数据验证后确认属实。这些数据来自官方评测平台的导出快照，虽然缺少完整的技术白皮书，但其中的关键指标足以引发讨论，尤其是在长文本处理能力方面。

测试重点集中在 LongBench 和 Needle-in-a-Haystack（NIAH） 两个测评维度上。在 128k 上下文窗口测试中，Mythos 在单文档任务上的平均得分为 87.3，多文档聚合得分为 84.1，相较于 GLM-4-Plus，两项指标分别提升了 4.6 和 3.8 个百分点。虽然数值增长不如某些基准测试中的“爆炸式”提升，但这背后的核心在于长文本深度检索的稳定性保障。

在 NIAH 测试中，Mythos 在 128k 窗口下的 50% 深度位置命中率达 99.2%，即使在 100% 极端深度位置，命中率仍保持在 98.7%。这意味着模型在处理超长文本时，对中间位置信息的提取能力有了实质性增强，避免了信息丢失或提取偏差。这种稳定性对于需要精准检索的场景（如法律文档、技术文献）尤为关键。

在多跳推理任务上，Mythos 表现出显著优势。以 128k 上下文的多跳问答测试为例，GLM-4-Plus 在第 7-8 跳时常出现逻辑断裂或幻觉问题，而 Mythos 则能够稳健地推演至第 12 跳才开始出现波动。这种推理链条的延长，直接提升了对复杂文档（如长法律合同、技术报告）的分析能力。

关于底层架构的猜测，业内普遍认为可能采用了 « 分块摘要 + 全局注意力」 混合机制，或基于 Ring Attention 的变体优化。但从显存占用曲线来看，Mythos 在单卡 H100 上执行 128k 推理时，峰值显存仅为 78GB，比标准 FlashAttention-2 方案节省了近 15%。这表明其可能通过 KV Cache 压缩 或 分层卸载策略 来优化内存使用，而非仅依赖注意力机制的调整。

在代码生成能力上，Mythos 在 HumanEval+ 和 MBPP+ 测试中，Pass@1 分数稳定在 89-91% 之间，较 GLM-4-Plus 提升了 2-3 个百分点。然而，更引人注目的是其在 工具调用 稳定性上的提升。内测反馈显示，在 20 轮以上 的 Agent 循环调用中，Mythos 的参数提取错误率从 3.4% 降至 0.9%。这意味着在构建复杂 Agent 系统 时，Mythos 的一致性显著提升，大幅降低了长链路执行过程中系统崩溃的风险。

评测截图标注的版本为 « Mythos-Preview-0615」，时间点位于 6 月中旬。根据智谱以往的开发节奏，Preview 版本通常需要 8-12 周的对齐和蒸馏周期，才能进入正式量产阶段。因此，Mythos 的正式版本可能会在 Q3 末 或 Q4 初 上线。目前，128k 窗口的单次推理成本已经是 32k 窗口的 3.8 倍，边际收益递减明显。未来是否支持更大的窗口（如 256k 或 1M）将取决于推理成本的进一步压降。

尽管流出的数据片段化，但一个明确的趋势已然浮现：Mythos 并非以刷新基准测试为目标，而是致力于提升长文本推理的 « 确定性」。这意味着在实际应用中，用户可能会更关注模型在复杂场景下的 可靠性 和 一致性，而非单纯的性能指标。