开源逆向Anthropic Claude Mythos：揭秘其核心架构的奥秘

一个22岁创业公司 CEO，用600行 PyTorch 代码，基于公开论文从第一性原理逆向推导出了 Anthropic 最神秘的 Claude Mythos 核心架构——并全部开源。本周 GitHub 狂揽 7300+ Stars，整个 AI 社区都震惊了。

什么是 OpenMythos？

OpenMythos是由 22 岁开发者 Kye Gomez 发起的开源项目，旨在用第一性原理对 Anthropic 闭源的 Claude Mythos 架构进行理论性重建。

它不是泄露的模型，也不是蒸馏版本。作者通过深度解析公开学术论文，提出了一个核心假设：Claude Mythos 本质上是一种循环深度 Transformer（Recurrent-Depth Transformer，RDT），通过反复循环同一套权重来实现"隐空间链式推理"，而非依赖传统的堆参数 Scaling。

核心结论：k 层权重循环 L 次，等效 kL 层非循环模型的表达能力，但参数量只需 k 层。

最惊人的数字：OpenMythos 770M 参数模型，可以达到 1.3B 参数标准 Transformer 的等效表达能力，同时在多步推理任务上碾压同量级竞品！

✨ 核心功能一览

核心架构：三段式循环 Transformer

OpenMythos 的整体架构分为三个阶段：

1️⃣ Prelude（前奏）

标准 Transformer 层，只跑一次。把原始输入编码成初始隐状态，交给循环块处理。

2️⃣ Recurrent Block（循环块）— 核心创新

这是整个架构最有价值的部分。同一组权重被循环使用最多 max_loop_iters 次（默认 16 次），每一轮都会把原始输入 e 重新注入到隐藏状态 h 中：

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

每轮循环就像一步深层推理：

• • 第1轮：理解问题表面语义
• • 第5轮：建立逻辑关联
• • 第10轮：验证推理路径
• • 第16轮：输出确定结论

标准 Transformer 层，只跑一次。将最终隐状态解码为输出 token。

最关键的突破：训练时只用5步推理链，测试时用10步推理链，模型依然能成功——传统 Transformer 在这里会彻底失败！

️ 快速上手：5 分钟跑通示例安装

pip install open-mythos# 或用 uv（更快）uv pip install open-mythos

import torchfrom open_mythos.main import OpenMythos, MythosConfig# 配置一个小型演示模型cfg = MythosConfig(vocab_size=1000,dim=256,n_heads=8,max_seq_len=128,max_loop_iters=4,    # 循环4次prelude_layers=1,coda_layers=1,n_experts=8,         # 8个 MoE 专家n_shared_experts=1,n_experts_per_tok=2,expert_dim=64,lora_rank=8,attn_type="mla",     # Multi-Head Latent Attentionn_kv_heads=8,kv_lora_rank=32,q_lora_rank=64,qk_rope_head_dim=16,qk_nope_head_dim=16,v_head_dim=16,model = OpenMythos(cfg)total = sum(p.numel() for p in model.parameters())print(f"参数量: {total:,}")# 前向传播ids = torch.randint(0, cfg.vocab_size, (2, 16))logits = model(ids, n_loops=4)print(f"Logits shape: {logits.shape}")# 文本生成（推理时用更多循环！）out = model.generate(ids, max_new_tokens=8, n_loops=8)# 验证稳定性：谱半径必须 < 1A = model.recurrent.injection.get_A()print(f"谱半径 ρ(A) = {A.max().item():.4f}（必须 < 1，保证训练稳定）")

from open_mythos import mythos_1b, mythos_3b, OpenMythos# 直接用预配置（无需手动设置所有超参数）cfg = mythos_3b()    # 3B 参数，等效 10B+ 表达能力model = OpenMythos(cfg)total = sum(p.numel() for p in model.parameters())print(f"参数量: {total:,}")

# 单 GPU 训练 3B 模型python training/3b_fine_web_edu.py# 多 GPU 分布式训练（DDP）torchrun --nproc_per_node=8 training/3b_fine_web_edu.py

注意：训练时使用 FineWeb-Edu 数据集，目标 300 亿 token（Chinchilla 最优比例）。H100/A100 推荐 bfloat16；旧 GPU 使用 float16 + GradScaler。

与竞品对比

适用场景场景一：AI 架构研究

功能说明：为研究者提供一套完整的循环深度 Transformer 实现，可在其基础上进行实验和改进。代码仅 600 行，结构清晰，注释详尽，是学习前沿架构的绝佳材料。

输入要求：标准文本 token 序列。

输出效果：多步推理质量显著优于同参数量 Transformer。

适用场景：AI 架构论文研究、复现循环 Transformer 基线实验、探索 Scaling Law 新方向。

场景二：低资源高效训练

功能说明：通过权重复用降低参数量，在有限算力下获得更强的推理能力。770M 参数模型等效 1.3B 效果，特别适合学术机构和个人开发者。

输入要求：任意文本训练数据（支持 HuggingFace 数据集格式）。

输出效果：同参数量下多步推理、数学推断、逻辑链条的表现大幅超越标准 Transformer。

适用场景：学术预训练实验、低显存环境下的 LLM 预研、初创团队降低训练成本。

场景三：探索"隐式思维链"

功能说明：不同于显式 Chain-of-Thought（CoT）在 token 层面逐步推理，OpenMythos 在隐空间中每一次循环都等价于一步推理。可以研究模型是如何在内部"默想"的。

适用场景：可解释性 AI 研究、思维链替代方案探索、复杂推理任务（数学/法律/科学）。

用户群体总结

• • ✅AI 架构研究者：用600行代码研究循环 Transformer 的可能性
• • ✅低算力团队：用更少参数实现更强推理能力，降低训练成本
• • ✅LLM 爱好者：深入理解前沿 LLM 架构设计哲学
• • ✅学生/学者：基于此实验自己的架构改进想法
• • ❌不适合：生产级推理部署（尚无预训练权重，需自行训练）

变体维度专家数循环次数上下文长度mythos_1b204864164Kmythos_3b307264164Kmythos_10b4096128248Kmythos_50b6144256328Kmythos_100b8192256321Mmythos_500b12288512481Mmythos_1t16384512641M

开源协议

开源协议：MIT License

重要声明：OpenMythos 是独立的社区驱动理论重构项目，完全基于公开研究，与 Anthropic 无任何关联或背书。

完全免费开源！代码结构清晰，600行核心代码，MIT 协议，可随意用于学术研究和商业项目。

总结

OpenMythos 是 2026 年 AI 开源社区最令人兴奋的项目之一。它代表的不仅是一个具体工具，更是一种思维方式：与其盲目堆参数，不如设计更智能的推理架构。循环深度 Transformer 理念如果被证实，将颠覆 LLM Scaling Law 的常识认知。

无论 OpenMythos 最终与 Claude Mythos 真实架构的相似度有多高，单就"用第一性原理重建闭源 AI 架构"这件事本身，就足以让整个 AI 社区为之侧目。

这是一个值得每一位 AI 工程师和研究者认真 star 并深读的开源项目。

推荐指数：⭐⭐⭐⭐⭐

适合人群：AI 研究者、LLM 爱好者、架构设计者、在校学生

GitHub 仓库：kyegomez/OpenMythos

数据截至 2026-04-22，最新信息请以官方仓库为准。项目仍在快速迭代，建议 Watch 仓库获取最新进展。