Claude Fable 5와 Mythos 5의 안전 가드레일 분리 설계

같은 모델을 서로 다른 안전 경계로 배포하다

Anthropic은 2026년 6월 9일 Claude Fable 5와 Claude Mythos 5를 함께 출시했다. 두 제품은 같은 5세대 프런티어 모델을 사용하지만, 요청을 받아들이는 방식과 안전 가드레일에서 갈린다.

범용 제품인 Fable 5는 라우팅 레이어에 하드 안전 분류기를 둔다. 초대 전용 Project Glasswing으로 운영되는 Mythos 5는 검증된 기업 파트너를 대상으로 가드레일을 해제한다. 하나의 모델 안에서 조정하던 안전성과 성능의 절충을 제품 단위로 분리한 업계 최초 사례로 평가받는 이유다.

10조 파라미터를 모두 활성화하지 않는 MoE 구조

Claude Mythos 5는 공개적으로 인정된 최초의 10조 파라미터 모델이다. 전체 지식 용량은 10조 파라미터에 이르지만, Mixture of Experts(MoE) 구조를 통해 실제 포워드 패스에서는 약 8,000억~1조 2,000억 개만 활성화한다. 연산 비용을 약 1조 파라미터 규모의 밀집 모델 수준으로 유지하면서 더 큰 지식 용량을 확보하는 설계다.

모달리티 스택은 텍스트·이미지·코드·과학 데이터를 함께 처리한다. 장기 코드 컨텍스트와 멀티 파일 편집에 맞춘 어텐션 패턴도 채택했다. 단일 세션에서 수백만 토큰을 처리할 수 있어 대형 코드베이스 전체를 컨텍스트에 포함할 수 있다.

Fable 5에는 이 기반 구조 앞에 안전 분류기가 추가된다. 사이버보안 취약점 익스플로잇 코드 생성, 생물·화학 무기 합성 정보, 정책 우회 시도처럼 고위험 도메인으로 판단된 요청은 Claude Opus 4.8로 전달된다.

⤢✕

Fable 5와 Mythos 5를 가르는 운영 조건

기반 모델이 같아도 가용 범위와 안전 통제 방식은 다르다. Fable 5는 Claude API와 엔터프라이즈 플랜에서 범용으로 제공되고, Mythos 5는 Project Glasswing의 초대 대상만 사용할 수 있다.

구분	Claude Fable 5	Claude Mythos 5
가용성	Claude API, 엔터프라이즈 플랜 범용 제공	Project Glasswing 초대 전용
가드레일	하드 안전 분류기 적용 (고위험 도메인 폴백)	가드레일 해제 (검증된 기업 파트너)
폴백 모델	Claude Opus 4.8	해당 없음
가격	입력 $10/M 토큰, 출력 $50/M 토큰	비공개
주요 검증	버그 바운티 1,000시간+ (범용 탈옥 미발견)	외부 레드팀 + 엄격한 파트너 심사

Anthropic이 발표한 바에 따르면 Fable 5 세션의 95% 이상은 폴백을 거치지 않고 네이티브 모델에서 직접 처리된다. 범용 접근을 유지하면서 위험 요청만 별도 경로로 분리하는 구조다. 반면 Mythos 5는 외부 레드팀과 파트너 심사를 접근 통제의 전제로 삼는다.

코딩과 추론에서 기록한 성능

Mythos 5는 SWE-bench Pro에서 80.3%를 기록했다. 비교 대상인 Opus 4.8은 69.2%, GPT-5.5는 58.6%, Gemini 3.1 Pro는 54.2%였다. Fable 5는 FrontierCode Diamond에서 29.3%를 기록해 GPT-5.5의 5.7%보다 5배 이상 높은 결과를 냈고, 314개 모델이 포함된 코딩 리더보드에서 1위에 올랐다.

지식과 추론 영역에서도 Fable 5는 Knowledge/Reasoning Score 1,932점을 기록했다. GPT-5.5는 1,769, Gemini 3.1 Pro는 1,314였다. Core Analytics Benchmark에서는 90%를 돌파해 Opus 4.8보다 10포인트 향상됐으며, Agentic Score는 80.7로 전체 필드 최고였다.

실제 적용 사례도 공개됐다. Stripe는 Mythos 5를 이용해 5,000만 라인 규모의 Ruby 코드베이스 전체 마이그레이션을 단 하루에 완료했다고 보고했다. 기존에는 수개월의 엔지니어링 작업이 필요한 규모였다.

경쟁 모델 사이에서의 위치

⤢✕

모델	출시일	SWE-bench Pro	입력/출력 가격 (1M 토큰)
Claude Fable 5	2026-06-09	80.3%	$10 / $50
GPT-5.5	2026-04-23	58.6%	~$5 / ~$25
Gemini 3.1 Pro	2026-02-19	54.2%	경쟁적
DeepSeek V4 Pro	2026 상반기	공개 벤치마크 미포함	오픈웨이트

Fable 5는 코딩·지식·에이전틱 작업에서 1위를 차지했다. GPT-5.5는 컴퓨터 유즈 태스크와 약 절반 수준의 가격에서 경쟁력을 유지한다. Gemini 3.1 Pro의 강점은 멀티모달 범위와 Google 생태계 통합이며, DeepSeek V4 Pro는 오픈웨이트를 기반으로 로컬 배포와 파인튜닝이 가능하다는 점에서 다른 위치를 점한다.

제품 분리가 바꾸는 배포 전략

기존 프런티어 모델은 하나의 제품 안에서 API 파라미터로 안전성과 성능의 절충을 조율했다. Fable 5와 Mythos 5는 그 경계를 제품 레이어로 옮겼다. 범용 사용자는 안전 분류기가 적용된 최고 성능 모델에 접근하고, 전문 연구와 엔터프라이즈 파트너는 별도 심사를 거쳐 제약 없는 모델을 이용한다.

두 제품이 겨냥하는 작업도 구분된다. Fable 5는 소프트웨어 엔지니어링, 지식 작업, 비전, 과학 연구 워크플로우를 대상으로 한다. Mythos 5는 최고 수준의 코드 마이그레이션과 연구 자동화 파트너가 필요한 기업에 초점을 둔다.

Stripe가 보고한 것처럼 수개월 단위의 엔지니어링 작업이 하루로 압축된다면 AI 소프트웨어 엔지니어링의 ROI 계산 방식도 달라진다. 개발팀 구성, 외주 전략, 레거시 마이그레이션 계획까지 영향을 받을 것으로 전망된다.

코드베이스 작업과 연구 워크플로우에 연결하기

소프트웨어 엔지니어링에서는 대규모 레거시 코드베이스 마이그레이션, 멀티 파일·멀티 저장소 단위의 자율 리팩토링, CI/CD 파이프라인에 연결한 자동 코드 리뷰와 버그 수정에 활용할 수 있다.

지식 작업에서는 과학 논문 다량 분석과 가설 생성, 기술 문서 생성 및 번역이 대상이 된다. 법률·의료 문서 분석은 Fable 5의 고위험 도메인 가드레일 범위 밖에 있다.

Python에서 Fable 5를 호출하는 형태는 다음과 같다.

import anthropic

client = anthropic.Anthropic()

# Claude Fable 5: claude-fable-5-20260609
message = client.messages.create(
    model="claude-fable-5-20260609",
    max_tokens=4096,
    messages=[
        {
            "role": "user",
            "content": "다음 Ruby 코드를 Python으로 마이그레이션하고 테스트 코드도 생성해줘."
        }
    ]
)
print(message.content)

아키텍처와 거버넌스에서 읽어야 할 지점

SWE-bench Pro 80.3%라는 결과는 AI 보조 개발을 코드 생성에만 한정하기 어렵게 만든다. 요구사항 분석부터 코드 생성·테스트·배포까지 소프트웨어 개발 수명주기 전반에 모델을 배치하는 아키텍처를 검토할 근거가 된다.

Fable 5의 하드 분류기 기반 가드레일은 AI 시스템 보안 아키텍처의 구현 사례이기도 하다. 고위험 도메인 탐지, 폴백 라우팅, 감사 로그를 ISO 27001이나 NIST AI RMF 같은 정보보안 거버넌스 프레임워크와 연결해 볼 수 있다.

Stripe의 5,000만 라인 코드베이스 1일 마이그레이션 사례는 AI 기반 데이터·코드 마이그레이션의 비용과 효익을 검토할 때 참고할 수 있다. 시스템 관점에서는 10조 파라미터 MoE에서 활성 파라미터를 800B~1.2T로 제한하는 동적 라우팅이 분산 컴퓨팅과 로드밸런싱에 어떻게 적용되는지도 핵심 쟁점이다.

Fable 5와 Mythos 5의 출시는 접근성과 최고 성능을 제품 레이어에서 나눈 사례다. SWE-bench Pro 80.3%, FrontierCode Diamond 29.3%, Stripe의 5,000만 라인 코드베이스 1일 마이그레이션은 이 배포 방식이 개발 조직과 엔터프라이즈 AI 거버넌스에 미칠 영향을 보여준다. 동일한 기반 모델을 쓰더라도 안전 통제를 어디에 배치하느냐에 따라 대상 사용자와 운영 책임이 달라진다.