Anthropic berichtet, dass Claude mehr als 30 Open-Source-Biomolekül-Modelle optimiert hat

Anthropic veröffentlichte einen Forschungsbeitrag am 17. September 2026 und berichtete, dass Claude mehr als 30 Open-Source-Biomolekül-Modelle in knapp vier Wochen optimierte, was das Unternehmen nach Angaben zufolge die Modelle im Durchschnitt etwa um das Vierfache beschleunigte. Anthropic stellte den optimierten Code als Open Source zur Verfügung und kündigte einen Protein-Design-Wettbewerb an, der gemeinsam mit Adaptyv Bio ausgerichtet wird.

36 optimierte Pakete und FlashPairformer-Kernel

Laut dem Forschungsbeitrag und einem begleitenden technischen Bericht erzeugte ein internes, allgemein einsetzbares Forschungsmodell optimierte Pakete für 36 Modellimplementierungen, die mehr als 30 Open-Source-Modelle in sechs Familien abdecken: Co-Folding und Strukturvorhersage (14 Pakete), Halluzination (3), Strukturgenerierung (6), inverses Falten (3), Genomik (7) und Protein‑Sprachmodelle (3). Anthropic erklärte, dass Claude hauptsächlich von zwei Mitgliedern des technischen Personals beaufsichtigt wurde, die Erfahrung in der Biomolekülmodellierung haben, jedoch keine in Inferenzoptimierung oder Kernel‑Engineering.

Jedes Paket läuft mit den ursprünglichen Modellgewichten und bietet bis zu drei Modi: Exact, der darauf ausgelegt ist, die Ausgaben des unveränderten Modells Bit für Bit zu reproduzieren; Fast, der zugunsten der Geschwindigkeit einen kleinen Verlust an numerischer Präzision in Kauf nimmt; und Big, der den Speicherverbrauch reduziert, sodass größere Eingaben in den GPU‑Speicher passen. Der Bericht stellt fest, dass der Exact‑Modus den Vorwärtsdurchlauf von 14 Strukturvorhersagemodellen im Durchschnitt um das 1,6‑fache schneller ausführt als die unveränderten Modelle auf NVIDIA H100‑GPUs, dass der Fast‑Modus die 13 Modelle, die ihn unterstützen, im Durchschnitt um das 4,1‑fache beschleunigt, und dass der Big‑Modus im Schnitt das 3,4‑fache schneller ist.

Moderne Strukturvorhersagemodelle wie AlphaFold3, OpenFold3 und Boltz‑2 verbrauchen einen Großteil ihrer Laufzeit und ihres Speichers für Triangle‑Attention und Triangle‑Multiplikation, zwei Operationen, deren Kosten kubisch mit der Token‑Anzahl steigen. NVIDIA hat für diese Operationen dedizierte Kernel entwickelt, zunächst in cuEquivariance und neuerdings im BioNeMo Inference Runtime. Für denselben Engpass entwickelte Claude FlashPairformer v1, ein Set benutzerdefinierter GPU‑Kernel. Der Bericht gibt an, dass FlashPairformer v1 die Triangle‑Attention um das 2,7‑fache schneller ausführt als die branchenüblichen Kernel bei einer Paarbreite von 128, die von AlphaFold3 und Boltz‑2 verwendet werden, und um das 2,9‑fache bei einer Paarbreite von 256, die von Protenix v2 genutzt wird; die Triangle‑Multiplikation war jeweils um das 1,7‑ bzw. 3,2‑fache schneller, gemessen auf einer einzelnen NVIDIA H100.

Über die gemeinsamen Kernel hinaus erzeugte Claude modellbezogene Optimierungen, darunter das Zwischenspeichern von Zwischenergebnissen, die im Originalcode erneut berechnet wurden, das Konstanten‑Falten von Verzweigungen mit konstanten Ausgaben, CUDA‑Graph‑Capture und Kernel‑Fusion. Der Bericht stellt fest, dass die Fast‑Mode‑Beschleunigungen für die Strukturvorhersagemodelle von 2,3‑fach für OpenDDE bis zu 6,4‑fach für Chai‑1 reichten und dass Genomik‑ und Protein‑Sprachmodelle im Exact‑Modus um das 1,2‑ bis 5,0‑fache gewannen.

Zur Genauigkeit gibt der Bericht an, dass über FoldBench‑Lite, einem zusammengefassten Benchmark von 1.925 Modell‑Ziel‑Paaren über 13 Modellkonfigurationen, der Anteil akzeptabel vorhergesagter Schnittstellen bei den Standardeinstellungen 54,8 % betrug, gegenüber 55,0 % für Exact, 54,5 % für Fast und 54,2 % für Big, wobei keine zusammengefasste Veränderung von Null unterscheidbar war. Als genannte Einschränkungen werden Messungen, die ausschließlich auf H100‑GPUs durchgeführt wurden, ColabFold‑Beschleunigungen, die gegenüber Version 1.6.1 gemessen wurden, bevor das Projekt eigene fusionierte Kernel veröffentlichte, sowie die Tatsache, dass Exact‑ und Fast‑Modi bis zu 3,2‑mal mehr Speicher als die Standardeinstellung verbrauchen, genannt.

Big‑Modus für massive Biomolekül‑Systeme

Anthropic erklärte, dass der speicherschonende Big‑Modus von Claude eine präzise Modellierung von Biomolekül‑Systemen mit mehr als 10.000 Tokens (Aminosäuren, Nukleotide und Atome aus kleinen Molekülen und Ionen) sowie Inferenz bei Systemen mit mehr als 70.000 Tokens ermöglicht, und das alles auf einem einzigen NVIDIA‑GPU‑Knoten, was der Beitrag als zuvor unerreichbare Aufgabe beschreibt. In Big‑Modus genau vorhergesagte molekulare Maschinen umfassen das menschliche mitochondriale Komplex I, den TRiC‑Chaperon‑Komplex, ein Proteasom und ein bakterielles 70S‑Ribosom, die jeweils ihre experimentelle Struktur mit TM‑Scores von 0,92 bis 0,997 sehr gut reproduzieren, so der Bericht. Anthropic gab an, dass diese nach aktuellem Kenntnisstand zu den größten Strukturen gehören, die jemals mit Strukturvorhersagemodellen exakt gefaltet wurden; der Bericht weist darauf hin, dass das AlphaFold3‑Paper eine exakte Vorhersage des 40S‑Ribosoms mit 7.663 Tokens hervorhob und dass AlphaFold3 mit Ausschnitten von höchstens 768 Tokens trainiert wurde.

Um die Grenzen der Optimierungen zu testen, führte Claude Strukturvorhersagen für komplette virale Kapsiden und Protein‑Kompartimente durch, die etwa 31.000 bis über 70.000 Residuen umfassen, wobei ein Knoten mit acht B300‑GPUs verwendet wurde. Alle sieben Durchläufe wurden abgeschlossen, jedoch kollabierte jede Vorhersage zu einer kompakten Kugel, mit TM‑Scores von 0,08 bis 0,14, wo bewertet wurde. Der Bericht vermutet, dass der Kollaps ein Versagen der Generalisierung widerspiegelt, da die Assemblierungen 40‑ bis 90‑mal größer sind als das größte Trainings‑Crop von AlphaFold3, und stellt das Ergebnis als Erweiterung dessen dar, was berechnet werden kann, und nicht als das, was die Modelle gelernt haben.

Binder-Design auf einer einzelnen GPU

In Anthropics früherer Binder‑Design‑Arbeit operierte Claude aus einem Prompt von etwa 16 000 Wörtern, nutzte Sub‑Agenten und konnte bis zu 10.000 $ pro Ziel auf der KI‑Infrastruktur‑Plattform Modal ausgeben, was etwa 2 500 H100‑GPU‑Stunden innerhalb von 24 Stunden entspricht. Im neuen Setup erhielt ein einzelnes Claude‑Modell eine NVIDIA H200‑GPU und 24 Stunden Echtzeit, arbeitete mit einem Prompt von etwa 1 100 Wörtern und hatte keine Sub‑Agenten und keine menschliche Steuerung. Drei Modelle, Mythos 5.1, Mythos 5 und Opus 5, wurden jeweils gegen die 16 Ziele der früheren Studie ausgeführt.

Der Bericht stellt fest, dass die Medianwerte auf ipSAE, einem in silico‑Score, den er als prädiktiv für experimentelle Bindungen beschreibt, 0,785 für Opus 5, 0,781 für Mythos 5.1 und 0,739 für Mythos 5 erreichten, gegenüber 0,749 für die früheren Kampagnen, wobei die besten Design‑Scores 0,833, 0,825 bzw. 0,813 gegenüber 0,817 betrugen. Die Einzel‑GPU‑Durchläufe nutzten ein GPU‑Budget, das etwa 100‑mal kleiner war, und der Beitrag gibt an, dass ein kombinierter Aufwand von etwa 150 $ für GPUs und Tokens eine in silico‑Leistung erzielte, die den früheren Kampagnen entspricht. Der Bericht weist darauf hin, dass die Designs aus diesen Durchläufen noch nicht experimentell getestet wurden und dass die Werte in silico‑Messungen und keine experimentellen Ergebnisse sind.

Bedingungen für die Open‑Source‑Veröffentlichung

Anthropic veröffentlichte den Code in einem öffentlichen GitHub‑Repository, das 36 sofort einsetzbare Optimierungs‑Kits enthält, jeweils eines pro Upstream‑Tool, wobei der Originalcode unter der Apache License 2.0 steht; die erste öffentliche Veröffentlichung wurde am 17. September 2026 committed. Die Kits teilen ein gemeinsames Off‑, Exact‑, Fast‑ und Big‑Mode‑Vokabular und sind für NVIDIA H100‑80 GB‑GPUs unter Linux x86‑64 konfiguriert, wobei einige Kits zudem A100‑, H200‑, B200‑ oder B300‑Konfigurationen bereitstellen. Das Repository gibt an, dass die Veröffentlichung ein Referenz‑Release ist, das nicht gepflegt wird und keine Beiträge annimmt, und dass vorgefertigte Docker‑ und Apptainer‑Images innerhalb einer Woche nach der ersten Veröffentlichung geplant sind.

Protein‑Design‑Wettbewerb mit Adaptyv Bio

Anthropic sagte, dass es zusammen mit Adaptyv Bio fünf Probleme an der Grenze der aktuellen Protein‑Design‑Fähigkeiten ausgewählt habe, darunter Arten‑übergreifende Reaktivität, pH‑Sensitivität und Peptid‑MHC‑Spezifität sowie schwierige Ziele wie GPCRs. Laut der Wettbewerbsseite sponsern die beiden Organisationen gemeinsam 1 Million $ für experimentelle Validierung, um mehr als 5 000 Protein‑Designs in Adaptyvs automatisiertem Labor kostenfrei für die Teilnehmenden zu testen, wobei Anthropic zusätzlich 1 Million $ an Claude‑Credits bereitstellt. Der Beitrag von Anthropic gibt an, dass Modal bis zu 250 000 $ an Compute‑Credits bereitstellt und dass Twist Bioscience DNA für den Wettbewerb liefert.

Es werden drei Teilnahme‑Tracks angeboten: Forschungs‑Labore und Unternehmen, mit bis zu 50 000 $ an Claude‑Credits für akademische Teams und bis zu 25 000 $ für Industrie‑Teams, etwa 20 ausgewählte Teams und reservierte Labortests von bis zu ca. 18 Designs pro Herausforderung; einzelne Forschende oder Teams von bis zu drei Personen, mit kostenlosem Claude Max 20x‑Zugang während des Wettbewerbs; sowie ein selbst‑finanzierter Open‑Track, bei dem die Nutzung von Claude optional ist.

Die Bewerbungen laufen vom 16. September bis zum 24. September 2026, und ausgewählte Teams werden vor dem 28. September 2026 benachrichtigt. Fünf wöchentliche Herausforderungen finden vom 28. September bis zum 31. Oktober 2026 statt, die experimentelle Validierung soll bis zum 30. November 2026 abgeschlossen sein, und die Ergebnisse werden am 15. Dezember 2026 auf Proteinbase veröffentlicht. Die Teilnehmenden behalten das Eigentum an ihren Designs, alle experimentellen Ergebnisse, einschließlich negativer Resultate, werden offen veröffentlicht, und es gibt keinen Geldpreis; die Seite beschreibt den Zeitplan als geplant und vorbehaltlich Änderungen.