Mythe à 92,1 % : L'IA qui a simplement besoin de plus de temps
Donnez à un agent d'IA quatre heures au lieu de trente minutes, et son score de référence bondit de dix points. C'est le message clé de la mise à jour discrète d'Anthropic de la page Project-Glasswing le 13 avril 2026 — et cela change toute la discussion sur ce que Claude Mythos Preview peut réellement accomplir.
Lorsqu'Anthropic a présenté Mythos Preview le 7 avril, le modèle a atteint 82 % sur Terminal-Bench 2.0. Impressionnant, mais pas dominant. Six jours plus tard, avec un délai d'attente plus long et une version de référence révisée, ce chiffre est passé à 92,1 %. Le modèle n'est pas devenu plus intelligent. Il a eu plus de temps.
Cette distinction est plus importante que la plupart des reportages ne le reconnaissent. Pour les équipes d'entreprises qui décident d'utiliser des agents d'IA, la différence entre « ce modèle n'est pas assez performant » et « ce modèle a besoin d'un budget de temps différent » est la différence entre l'abandon et la livraison du projet.
Ce qui a réellement changé : De 82 % à 92,1 %
Le lancement initial de Mythos Preview le 7 avril 2026 a rapporté un score de 82 % sur Terminal-Bench 2.0 et de 77,8 % sur SWE-bench Verified. La mise à jour du 13 avril a modifié deux variables simultanément : le benchmark lui-même (2.0 à 2.1, correction de la sensibilité à la latence) et le délai d'attente (de trente minutes à quatre heures).
Le résultat : un bond de 82 % à 92,1 %. Une amélioration de 12,3 points de pourcentage grâce à des conditions d'évaluation modifiées, et non à un modèle modifié. Cela n'a rien à voir avec le Machine Learning, l'API ou la CLI.
Terminal-Bench 2.1 : Pourquoi la mise à jour du benchmark est importante
Terminal-Bench évalue les agents d'IA sur des tâches de terminal réelles — débogage, configuration d'infrastructure, navigation dans des bases de code complexes. La mise à jour de la version 2.0 à la version 2.1 a corrigé une erreur spécifique : les tâches avec une limite de temps fixe pénalisaient systématiquement les modèles avec une latence d'inférence plus élevée.
Un modèle qui réfléchissait attentivement avant d'agir était évalué de la même manière qu'un modèle qui échouait — les deux dépassaient le délai d'attente. Les ingénieurs expérimentés ont besoin de temps différents pour les mêmes tâches. Limiter les agents d'IA à trente minutes, alors que les humains disposent d'un temps illimité, n'est pas une comparaison équitable — c'est une erreur de mesure.
Le changement de paradigme dans le temps de calcul
Le résultat Mythos illustre le Test-Time Compute Scaling : au lieu de construire des modèles plus grands, on donne aux modèles existants plus de temps pour réfléchir. Cela modifie la structure des coûts (dépenses d'exploitation au lieu de dépenses d'investissement), rend la qualité ajustable (30 minutes pour les tâches de routine, 4 heures pour les tâches critiques) et oblige à la mise à jour des cadres d'évaluation.
Chez Context Studios, nous constatons régulièrement cette dynamique : un agent d'IA qui semble échouer face à une tâche complexe réussit souvent s'il dispose d'une fenêtre d'exécution plus longue. La capacité a toujours été là — la contrainte était le temps, pas l'intelligence. Nous observons un changement de paradigme important dans le domaine du Machine Learning et des APIs avec une demande croissante pour des solutions CLI performantes.
Ce que cela signifie pour les équipes d'IA en entreprise
Le résultat de 92,1 % a des implications pratiques immédiates sur le déploiement d'agents d'IA :
Réévaluer les outils rejetés. Un modèle qui a échoué en deux minutes peut réussir en vingt. Planifier explicitement le temps de calcul. Les plateformes comme OpenClaw permettent des délais d'attente configurables par tâche. Adapter les budgets de temps à la criticité des tâches. Les audits de sécurité et les revues de code méritent des fenêtres de calcul plus longues. Évaluer vos propres workflows. Exécutez le même agent d'IA avec cinq valeurs de délai d'attente différentes.
Les onze organisations ayant accès via Project Glasswing — y compris les agences gouvernementales — découvrent probablement déjà que leurs évaluations initiales ont sous-estimé le modèle.
Pourquoi la plupart des équipes évaluent mal l'IA
Les agents d'IA ne sont pas des chatbots. Ce sont des travailleurs autonomes qui opèrent sur des échelles de temps de tâches. Évaluer un agent avec une limite de trente minutes, c'est comme juger un développeur junior uniquement sur ce qu'il produit pendant sa première demi-heure.
Trois pratiques doivent changer : utiliser des délais d'attente variables, séparer la capacité de la vitesse et tester sur sa propre charge de travail au lieu de se fier à des benchmarks génériques.
Questions Fréquemment Posées
Quelle est la valeur réelle de Terminal-Bench de Mythos Preview ?
Mythos Preview a atteint 92,1 % sur Terminal-Bench 2.1 avec un délai d’attente de quatre heures, contre 82 % sur Terminal-Bench 2.0 avec un délai d’attente de trente minutes. Les deux chiffres sont corrects — ils reflètent différentes conditions d’évaluation.
Anthropic a-t-il modifié le modèle entre 82 % et 92,1 % ?
Non. Le même modèle Mythos Preview a produit les deux résultats. La différence est due à la version de référence mise à jour et à un délai d’attente accru.
Tout le monde peut-il accéder à Claude Mythos Preview ?
En avril 2026, Mythos Preview est limité à onze organisations via Project Glasswing. Il n’y a pas d’accès public à l’API.
Qu’est-ce que cela signifie pour les équipes qui utilisent Claude Opus ou Sonnet ?
Le modèle de mise à l’échelle du temps de calcul s’applique généralement. Les équipes qui utilisent Claude Opus 4.6 ou Sonnet 4.6 pour les tâches d’Agent devraient expérimenter avec des délais d’attente plus longs.
Comment les entreprises devraient-elles adapter leur processus d’évaluation de l’IA ?
Testez avec plusieurs valeurs de délai d’attente, séparez les métriques de capacité des métriques de vitesse et évaluez votre charge de travail de production réelle. Considérez l'utilisation du Machine Learning et des CLI pour automatiser et optimiser ce processus.
Conclusion
Le passage de 82 % à 92,1 % n'est pas l'histoire d'un modèle qui s'est amélioré. C'est l'histoire d'une industrie qui apprend à mesurer les compétences avec plus de précision. Le modèle a toujours été aussi performant. Nous ne lui avons simplement pas donné assez de temps pour le démontrer.
L'ère de l'évaluation des agents d'IA tels que les chatbots touche à sa fin. Les équipes qui adapteront leurs cadres d'évaluation en premier découvriront des capacités que leurs concurrents considèrent encore comme impossibles.