إذا لم تُظهر لك Anthropic ما بداخل أخطر ذكاء اصطناعي لديها، فسيحاول شخص ما على GitHub التخمين.

قام مطور يُدعى Kye Gomez بنشر OpenMythos، وهو إعادة بناء مفتوحة المصدر لما يعتقد أنه شكل كلود ميثوس من الداخل. وقد حظي المستودع بأكثر من 10,000 نجمة على GitHub في غضون أسابيع قليلة من إصداره، ويحتوي على ملف "readme" شامل مليء بالمعادلات والمراجع وإخلاء مسؤولية مهذب يفيد بأنه لا علاقة له بـ Anthropic.

إنه تخمين. لكنه تخمين منظم، في شكل كود.

إليك تذكير سريع بماهية Mythos: تسرب Mythos إلى العلن في أواخر مارس، عندما نشرت Anthropic بالخطأ مسودات مواد تصفه بأنه النموذج الأكثر قدرة للشركة حتى الآن - وهو مستوى أعلى من Opus. وقد تبين أن الإصدار اللاحق، Mythos Preview، جيد جدًا في الأمن السيبراني لدرجة لا يمكن إطلاقه.

وفقًا لـ Anthropic، اكتشف Mythos 271 ثغرة أمنية في Firefox أثناء اختبار Mozilla. وأصبح أول نموذج ذكاء اصطناعي يكمل محاكاة هجوم شبكة مؤسسية من 32 خطوة. قامت Anthropic بحجبه داخل مشروع Glasswing، وهو تحالف مُعتمد يضم حوالي 40 شريكًا، بما في ذلك Microsoft وApple وAmazon وNSA.

الجمهور لا يستطيع الوصول إليه أبدًا. لذلك حاول غوميز معرفة كيفية عمله.

التخمين المركزي لـ OpenMythos هو أن Mythos عبارة عن محول ذي عمق متكرر (Recurrent-Depth Transformer) - يُسمى أيضًا محولًا متكررًا (looped transformer). النماذج القياسية تجمع مئات الطبقات الفريدة. بينما تأخذ النماذج المتكررة كومة أصغر وتمررها عبر نفسها عدة مرات في كل تمريرة أمامية.

بعبارة أخرى، إنها نفس الأوزان التي تمر عبر المزيد من التكرارات. تفكير أعمق، في مساحة كامنة مستمرة، قبل إصدار أي رمز.

يجادل المستودع بأن هذا يفسر أغرب صفتين لـ Mythos: فهو يفكر في حل مشاكل جديدة لا يمكن لأي نموذج آخر حلها، لكن ذاكرته الخام غير متساوية. وهذا هو البصمة المعمارية للتكرار - التركيب على حساب التخزين.

يستشهد OpenMythos بـ Parcae، ورقة بحثية صدرت في أبريل 2026 من جامعة كاليفورنيا سان دييغو وTogether AI، والتي حلت مشكلة عدم الاستقرار طويلة الأمد في النماذج المتكررة - نموذج Parcae بـ 770 مليون معلمة يطابق محولًا ثابت العمق بـ 1.3 مليار معلمة من حيث الجودة، مع قوانين توسيع يمكن التنبؤ بها لعدد التكرارات التي يجب تشغيلها. يستعير المستودع أيضًا آلية الانتباه متعدد الكامنات (Multi-Latent Attention) من DeepSeek لضغط الذاكرة، وإعداد مزيج من الخبراء (Mixture-of-Experts) للتعامل مع الاتساع عبر المجالات.

ما لا يملكه هو الأوزان، لذا فهو في الأساس تقنية بدون منفذ.

OpenMythos نظري. يحدد الكود متغيرات للنماذج تتراوح من مليار إلى تريليون معلمة، ولكن عليك تدريبها بنفسك - يشير ملف "readme" إلى نص تدريب لنموذج بـ 3 مليارات معلمة على FineWeb-Edu وهدف 30 مليار رمز معدّل بواسطة Chinchilla، وهو نوع من فواتير الحوسبة التي تصل إلى مئات الآلاف من الدولارات على H100s. لم يقم أحد بذلك بعد.

فلماذا يهم؟

لأنه المرة الثانية في شهر واحد التي يحاول فيها أحدهم النيل من الحائط المحيط بـ Mythos. الأول كان دراسة من Vidoc Security، والتي أعادت إنتاج العديد من أخطر اكتشافات الثغرات الأمنية لـ Mythos باستخدام GPT-5.4 وClaude Opus 4.6 داخل وكيل مفتوح المصدر. بدون الوصول إلى Glasswing، وبتكلفة تقل عن 30 دولارًا لكل فحص. زاوية مختلفة، نفس الاستنتاج: قد يكون الخندق حول Mythos أرق مما أوحى به التسويق.

يقوم OpenMythos ونسخة Vidoc بوظيفتين مختلفتين. قامت Vidoc بإعادة إنتاج مخرجات Mythos - اكتشافات الثغرات الأمنية نفسها - باستخدام نماذج موجودة. بينما يحاول OpenMythos إعادة إنتاج المعمارية - الآلة الفعلية التي تنتج تلك المخرجات. أحدهما يقول إنك لا تحتاج إلى Mythos للعثور على الأخطاء التي اكتشفها Mythos. والآخر يقول إنه، في النهاية، قد تتمكن من بناء شيء مثل Mythos بنفسك.

من شبه المؤكد أن Anthropic لا تشارك تخمينات غوميز المعمارية علنًا، والعديد من خيارات التصميم في OpenMythos هي تحوطات صريحة - يتأكد ملف "readme" من أن يكون غامضًا بما يكفي ليعرف المستخدمون أن هذا مجرد مقاربة. يذكر مرارًا "من المرجح"، و"المشتبه به"، و"شبه المؤكد". قد لا يكون Mythos الحقيقي محولًا متكررًا على الإطلاق. أو قد يكون واحدًا بتفاصيل لم يقم غوميز بهندستها العكسية بعد.

ما يظهره OpenMythos هو أن الأدبيات البحثية تحتوي بالفعل على معظم الأجزاء. المحولات المتكررة، ومزيج الخبراء، والانتباه متعدد الكامنات، ووقت الحوسبة التكيفي، وإصلاح استقرار Parcae - لا شيء من هذا خاص. المستودع هو، قبل كل شيء، جرد لما هو معروف للعامة حول كيفية بناء نموذج من فئة Mythos.

المستودع مرخص برخصة MIT، ولديه بالفعل 2,700 نسخة (forks). نص التدريب موجود هناك، ينتظر شخصًا لديه مجموعة معالجات رسومية (GPU cluster) وأطروحة لإثباتها.