CERT-In obtient l'accès à Mythos, un modèle Anthropic non publié, pour des tests de cyberdéfense
Le CERT-In indien a obtenu l'accès à Mythos, un modèle d'Anthropic non publié, pour des tests de cyberdéfense, selon les informations disponibles sur cet accord.

Le CERT-In est l'équipe nationale indienne de réponse aux incidents informatiques. Elle a obtenu l'accès à Mythos, un modèle d'Anthropic qui n'a pas été rendu public. L'accord porte sur des tests de cyberdéfense, selon les informations disponibles sur ce dispositif.
Cet accès compte parce qu'un organisme public de sécurité obtient un modèle non publié avant sa sortie générale. Ce que cela change pour les défenseurs, et pour les projets de publication d'Anthropic, n'est pas encore clair. Aucune des deux parties n'a indiqué combien de temps cet accès dure, ni ce que couvrent les tests.
Mythos est présenté comme non publié. Le public ne peut pas l'utiliser, et des chercheurs extérieurs ne peuvent pas l'examiner. Le CERT-In traite les incidents de sécurité informatique en Inde. Tester un modèle dans ce cadre est différent d'un déploiement commercial. Les informations ne précisent pas si d'autres agences disposent d'un accès comparable. Elles ne disent pas non plus si les tests sont réinjectés dans le développement du modèle.
« L'accord donne au CERT-In accès à Mythos pour des tests de cyberdéfense », indiquent les informations.
Anthropic n'a pas annoncé de date de sortie publique pour Mythos. Les conditions de l'accès, y compris d'éventuelles restrictions sur l'usage du modèle, n'ont pas été divulguées.
Sources
12- 01Wave of affordable electric cars is boosting consumers' choice: sales of sub-€25,000 models set to rise sevenfoldEN
- 02Introducing Beam: Reflection's 501B open-weight modelEN
- 03Introducing d1: The most capable decision model, now with visionEN
- 04Interfaze-1-lite: the first open-weight model for deterministic taskEN
- 05Precogly (The open-source alternative to commercial threat modeling platforms)EN
- 06Study: Path discovered to make AI models red-flag their doubtful answersEN
- 07Jeff-Code: a 0.8B model makes Qwen 3.8-27B coding 47% faster, same pass rateEN
- 08Reika – A coding agent CLI designed around small local models firstEN
- 09System One models like Jev can train their own replacementsEN
- 10Could a Large Language Model Be Conscious? – David J. Chalmers (2024)EN
- 11NASA-IBM Lunar Foundation Model and fine-tuning codeEN
- 12Topological Models of Modal LogicEN
Tous les chiffres et citations de ce texte proviennent des sources citées ci-dessous.
Les contenus ont été préparés par l'équipe de rédaction, assistée par l'IA.
Commentaires
0- Aucun commentaire — soyez le premier.