Cara escrevi um artigo explicando que esse modelo ai é uma porcaria e quase me linxaram kkkkk
Leia aqui:
https://www.tabnews.com.br/macnator/o-modelo-fable-anthropic-a-piada-do-ano

Para complementar seu artigo:

Falsos Positivos em CVEs e Descoberta de Vulnerabilidades: O Caso dos Modelos Fable e Mythos da Anthropic
Introdução
Os modelos Claude Fable 5 e Mythos 5 da Anthropic foram apresentados como ferramentas de ponta para segurança cibernética, com capacidade de identificar e explorar vulnerabilidades em software. No entanto, à medida que organizações e pesquisadores começaram a testar esses modelos em cenários reais, um padrão preocupante emergiu: uma proporção significativa das vulnerabilidades reportadas eram, na verdade, falsos positivos — alegações de falhas que, após verificação humana, se revelavam inexistentes ou inexploráveis.

O Problema do Ruído em Relatórios de Vulnerabilidade
O problema dos falsos positivos não é novo no campo da segurança cibernética. Em 2025, o projeto curl, uma das bibliotecas de código aberto mais amplamente implantadas no mundo, encerrou seu programa de bug bounty porque menos de 5% dos relatórios recebidos naquele ano eram válidos, comparado a cerca de 15% anteriormente. Para uma pequena equipe de mantenedores, cada relatório precisava ser lido e verificado, e cada lead falso consumia tempo que não era recuperado.

A chegada dos modelos Mythos e Fable exacerbou esse problema. De acordo com a Anthropic e avaliações publicadas pelo UK AI Security Institute, o Mythos também mostra uma capacidade crescente de descobrir e encadear vulnerabilidades reais. Para CISOs, este é o cenário mais difícil: mais ruído para filtrar, mas também mais vulnerabilidades genuínas para resolver.

Dados Estatísticos de Falsos Positivos
Estudo da Patrowl com 23.000 Achados
Em uma análise de 23.000 achados de um scanner comercial, a Patrowl classificou 93% como falsos positivos ou não-exploráveis em seu contexto do mundo real. Este dado ilustra uma realidade familiar para muitos CISOs: um alerta bruto ainda não é um risco prioritário.

Experiência da Palo Alto Networks
A Palo Alto Networks, empresa de segurança cibernética avaliada em US$ 200 bilhões, teve descobertas semelhantes, relatando que 30% dos alertas do Mythos e do GPT 5.5 eram falsos, de acordo com a Axios. Apesar disso, a empresa conseguiu corrigir 75 vulnerabilidades em um mês, cerca de sete vezes mais do que no mesmo período anteriormente.

Cloudflare e o Problema do Ruído
Grant Bourzikas, diretor de segurança da informação da Cloudflare, escreveu em um blog que, embora o Mythos tenha ajudado sua equipe a encontrar vulnerabilidades, ele também sinalizou um grande número de "falsos positivos". Basicamente, o Mythos frequentemente apontava bugs que, após revisão humana, revelavam-se inócuos. Bourzikas observou que a experiência da Cloudflare com o Mythos mostrou que os humanos ainda são necessários para "separar o ruído das descobertas reais e exploráveis prioritárias".

Caso do Curl
Quando o Mythos foi testado no código-fonte do curl, os resultados foram ainda mais preocupantes. O modelo gerou uma taxa de falsos positivos de 80% no codebase do curl. Além disso, o mantenedor do curl comentou: "Não vejo evidências de que esta configuração encontre problemas em um grau maior ou mais avançado do que outras ferramentas fizeram antes do Mythos."

Taxas de Falso Positivo Variadas
Diferentes fontes reportam taxas de falso positivo variadas para o Mythos:

9,4%: Taxa de falso positivo encontrada por firmas de pesquisa independentes ao revisar 1.752 bugs enviados pela Anthropic.

80%: Taxa de falso positivo reportada no codebase do curl.

30%: Taxa de falsos positivos reportada pela Palo Alto Networks.

93%: Proporção de achados classificados como falsos positivos ou não-exploráveis na amostra da Patrowl.

O Custo Real: Verificação e Triagem
O problema central não é mais a detecção, mas a capacidade de qualificar, priorizar e remediar. A IA reduziu drasticamente o custo de produzir um relatório de segurança, mas o custo da verificação não seguiu a mesma curva. Para saber se um alerta merece ação, as equipes ainda precisam entender o ambiente, reproduzir o comportamento, avaliar o impacto e decidir se a remediação é uma prioridade.

Conclusão
Os modelos Fable 5 e Mythos 5 da Anthropic representam um avanço significativo na capacidade de IA para segurança cibernética, mas também introduzem um desafio crítico: a alta taxa de falsos positivos. Organizações que adotam essas ferramentas precisam estar preparadas para investir recursos significativos em verificação humana para separar o ruído das vulnerabilidades reais.

Como observou Grant Bourzikas da Cloudflare: "O modelo não substitui o julgamento." A lição é clara: a IA pode acelerar a descoberta de vulnerabilidades, mas a verificação humana continua sendo indispensável.

Referências
Patrowl (2026, 8 de julho). Claude Mythos: When AI Turns Vulnerabilities Into a Triage Problem.
https://patrowl.io/en/blog/claude-mythos-ia-vulnerabilities

Forbes (2026, 19 de maio). Warning: Anthropic's Mythos Can Break Software It's Trying To Fix.
https://www.forbes.com/sites/the-wiretap/2026/05/19/anthropic-mythos-can-break-code-its-trying-to-fix/

LinkedIn - Isaac Evans (2026, 11 de maio). Mythos Finds 1 Vulnerability in Curl with 80% False Positives.
https://www.linkedin.com/posts/isaacevans_the-first-public-results-of-mythos-running-activity-7459649483845349378-SpVA

LinkedIn - UNDERCODE TESTING (2026, 12 de maio). Mythos AI Scanner Exposes 80% False Positives in Curl Codebase.
https://www.linkedin.com/posts/undercodetesting_mythos-ai-vulnerability-scanner-exposes-80-activity-7459821196658868224-F-ga