Claude Mythos核心架构开源，22岁天才一人破解，融合DeepSeek思路

不堆参数，原地「循环思考」16次：揭秘Claude Mythos核心架构

这听起来像是一个技术传奇。Anthropic严防死守的Claude Mythos模型架构，竟被一位22岁的年轻创业者成功“逆向工程”。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

这并非内部资料泄露，也非员工跳槽所致。

而是初创公司CEO Kye Gomez，运用第一性原理思维，从零开始，一步步推导出了Claude Mythos的核心架构设计。

更令人瞩目的是，他将这个复现项目——命名为OpenMythos——进行了完全开源。

他的复现解析帖迅速吸引了近百万网友的关注，在整个AI社区引发了巨大震动。人们惊叹于Mythos架构背后设计的精妙与高效。

那么，核心发现是什么？Kye Gomez的研究揭示了一个关键结论：Claude Mythos的核心并非一个参数更庞大的Transformer，而是一种创新性的「循环深度Transformer」（Recurrent-Depth Transformer, RDT）架构。

简单来说，这种架构让同一套模型参数，在单次前向传播过程中，可以循环执行最多16次。

传统大语言模型的扩展思路类似于建造摩天大楼，通过不断堆叠参数层数来提升模型能力。100层不够就200层，200层不够就500层。参数越多，模型体积越庞大，对GPU显存的需求呈几何级数增长，训练成本也极其高昂。

但RDT架构彻底转变了思路：它不追求模型的物理“高度”，而是专注于“原地深度思考”。模型仅有一个核心计算模块，但这个模块会被反复调用和执行。每循环一次，模型的内部隐藏状态就更新和精炼一次，相当于模型“深入推理了一步”。其精妙之处在于，所有这些思考都在连续的潜在表示空间中进行，无需像传统的思维链（CoT）那样，每一步都必须生成可见的文本标记。

这绝非简单的重复计算，而是一种高效的、迭代式的深度推理过程。

架构全拆解：三段式设计解析

整个OpenMythos的架构可以被清晰地划分为三个阶段：Prelude（序曲）→ Recurrent Block（循环核心块）→ Coda（终章）。

其中，Prelude和Coda是标准的Transformer层，各执行一次。真正的计算核心是中间的「循环块」，它最多可循环16次。每次循环的状态更新规则可以表述为：

h_{t+1} = A·h_t + B·e + Transformer(h_t, e)

这里的e是经过Prelude层编码后的原始输入嵌入。在每一步循环中，原始输入信息都会被重新注入，这个设计至关重要，它能有效防止模型在漫长的循环迭代中“思维发散”或遗忘初始上下文。

MoE赋予广度，循环赋予深度

单一的循环机制可以解释Mythos强大的推理“深度”，但还不足以支撑其广博的知识面。OpenMythos在循环核心块的每个前馈网络（FFN）层，都创新性地替换成了混合专家（MoE）层，其设计参考了DeepSeek-MoE等先进思路：

使用大量细粒度的路由专家；每个输入标记仅激活其中一小部分最相关的专家；同时设置少量“共享专家”始终处于激活状态，负责处理跨领域的通用知识与能力。

最精妙的设计在于，随着隐藏状态h_t在循环中不断演化，路由机制在每一层、每一次循环深度上，都可能动态选择不同的专家子集。这意味着，虽然模型的基础权重是共享的，但每一次循环的计算路径和激活的专家可以完全不同。简而言之：MoE机制提供了海量知识的广度与可扩展性，而循环机制则赋予了模型迭代式、深度思考的能力。

项目开源地址：https://github.com/kyegomez/OpenMythos

在注意力机制方面，默认采用了来自DeepSeek-V2的「多潜变量注意力」（Multi-Latent Attention）。该技术通过将键值（KV）缓存压缩为低秩的潜在变量，在大规模生产推理中，据称能实现高达10-20倍的KV缓存显存节省，极大提升了效率。

此外，架构中还集成了三个关键机制来确保循环过程的稳定性与可控性：LTI约束注入（强制系统谱半径小于1以保证稳定性）、自适应计算时间（ACT）实现逐位置“动态停机”、以及深度级LoRA适配器让每次循环迭代都具备独立的微调与行为调整能力。整套设计精密而优雅。

770M参数媲美1.3B，参数效率直接翻倍

这种循环深度架构的优势并非停留在理论层面。此前，来自Parcae研究团队的实验数据已经证实：一个仅770M参数的循环模型，在同等训练数据规模下，其下游任务性能能够媲美1.3B参数的标准Transformer模型。

换句话说——仅用大约一半的参数量，就实现了同等级别的模型性能表现。

这对整个AI行业意味着什么？对于消费级硬件和广大开发者而言，这无疑是一个重大利好。过去，想要运行一个性能尚可的大模型，往往需要A100/H100级别的专业显卡，门槛极高。而现在，推理的“深度”可以通过计算时间（循环次数）来换取对显存“空间”（参数量）的依赖——你不再需要巨大的显存，只需要让模型“多思考几轮”。

更深远的影响在于，它可能正在悄然改写AI领域的扩展定律（Scaling Laws）。过去的竞争逻辑是比拼谁的参数更多、谁的GPU集群更庞大、谁的算力投入更惊人。而新的规则范式似乎正在浮现：未来最强大的AI模型，可能不是参数最多的，而是“思考”次数最多、推理最深、效率最高的那一个。

当然，需要客观指出的是，这目前更多是一种理论推演和早期实验的积极指向，其在大规模语言模型预训练和复杂任务上的实际成效，仍需进一步的实践与观察。

高中毕业即创业，22岁CEO的逆袭之路

这位成功揭秘Claude Mythos架构的22岁年轻人Kye Gomez，是AI初创公司Swarms的创始人，此前还曾领导过Agora Labs。他的研究兴趣重点聚焦于大规模多智能体系统、替代性模型架构创新以及多模态大模型。

从其个人履历来看，Kye Gomez在高中毕业后便直接投身于科技创业的浪潮之中。

在2021年至2024年间，他同时担任了三家不同领域公司的联合创始人或CEO，并构建了一个以「APAC」为品牌的创新生态体系，业务触角延伸至人工智能深科技、数字媒体、食品科技等多个前沿赛道。

22岁天才开源Anthropic神级模型架构

整起事件最令人震撼的，或许并非架构本身有多么复杂难解。

而在于，一位22岁的创业者，仅凭借公开的学术论文和第一性原理的严谨推导，就将Anthropic雪藏近一年的核心技术黑箱成功复现，并且毅然选择了全面开源，使得任何开发者都能用几行代码尝试运行这一前沿架构。

这释放了一个强烈的行业信号：闭源AI实验室在核心模型架构上的技术优势窗口期，正在以肉眼可见的速度收窄。

英国《金融时报》的最新报道中，Anthropic的联合创始人Dario Amodei做出了一个重磅预测：中国AI团队将在12个月内，完全复刻出具备Claude Mythos级别能力的大语言模型。

针对外界关于大语言模型性能是否已触及天花板的质疑，Amodei用一句充满哲学意味的话作出了回应：“彩虹没有尽头，只有彩虹本身。”他强调，目前完全看不到AI技术发展放缓的迹象。

当一位独立研究者仅凭公开信息就能重建最核心的技术架构时，真正的行业护城河就不再仅仅是论文或蓝图了。未来的AI竞争，或许将更多转向高质量数据、工程化实现能力、产品生态与具体应用场景的落地。开源与开放的协作浪潮，正在深刻重塑全球人工智能领域的创新格局与发展节奏。