Anthropic informa que Claude optimizó más de 30 modelos biomoleculares de código abierto

Anthropic publicó una publicación de investigación el 17 de septiembre de 2026, informando que Claude optimizó más de 30 modelos biomoleculares de código abierto en poco menos de cuatro semanas, lo que la empresa dijo que aceleró los modelos aproximadamente 4 veces en promedio. Anthropic puso a disposición del público el código optimizado y anunció una competición de diseño de proteínas co-patrocinada por Adaptyv Bio.

36 paquetes optimizados y núcleos FlashPairformer

Según la publicación de investigación y un informe técnico adjunto, un modelo interno de investigación de propósito general produjo paquetes optimizados para 36 implementaciones de modelos que abarcan más de 30 modelos de código abierto en seis familias: co‑plegamiento y predicción de estructuras (14 paquetes), alucinación (3), generación de estructuras (6), plegamiento inverso (3), genómica (7) y modelos de lenguaje de proteínas (3). Anthropic dijo que Claude fue supervisado principalmente por dos miembros de su personal técnico con experiencia en modelado biomolecular, pero sin experiencia en optimización de inferencia o ingeniería de núcleos.

Cada paquete se ejecuta con los pesos originales del modelo y ofrece hasta tres modos: Exacto, diseñado para reproducir las salidas del modelo sin modificar bit a bit; Rápido, que intercambia una pequeña cantidad de precisión numérica por velocidad; y Grande, que reduce el uso de memoria para que entradas más grandes quepan en la memoria de la GPU. El informe indica que el modo Exacto ejecutó la pasada directa de 14 modelos de predicción de estructuras, en promedio, 1,6 veces más rápido que los modelos sin modificar en GPUs NVIDIA H100, que el modo Rápido ejecutó los 13 modelos que lo ofrecen, en promedio, 4,1 veces más rápido, y que el modo Grande fue, en promedio, 3,4 veces más rápido.

Los modelos modernos de predicción de estructuras, como AlphaFold3, OpenFold3 y Boltz‑2, dedican gran parte de su tiempo de ejecución y memoria a la atención triangular y a la multiplicación triangular, dos operaciones cuyo coste es cúbico en el número de tokens. NVIDIA ha desarrollado núcleos dedicados para estas operaciones, primero en cuEquivariance y más recientemente en el BioNeMo Inference Runtime. Para el mismo cuello de botella, Claude desarrolló FlashPairformer v1, un conjunto de núcleos GPU personalizados. El informe indica que FlashPairformer v1 ejecutó la atención triangular 2,7 veces más rápido que los núcleos estándar del sector con un ancho de par de 128, utilizados por AlphaFold3 y Boltz‑2, y 2,9 veces más rápido con un ancho de par de 256, utilizado por Protenix v2, con la multiplicación triangular 1,7 veces y 3,2 veces más rápido respectivamente, medido en una sola NVIDIA H100.

Más allá de los núcleos compartidos, Claude generó optimizaciones específicas para cada modelo, incluyendo la memoización de intermedios que el código original recalculaba, el plegado constante de ramas con salidas constantes, la captura de gráficos CUDA y la fusión de núcleos. El informe indica que las mejoras del modo Rápido para los modelos de predicción de estructuras oscilaron entre 2,3 veces para OpenDDE y 6,4 veces para Chai‑1, y que los modelos de genómica y de lenguaje de proteínas obtuvieron entre 1,2 y 5,0 veces en el modo Exacto.

En cuanto a precisión, el informe indica que, en FoldBench‑Lite, una referencia combinada de 1 925 pares modelo‑objetivo en 13 configuraciones de modelo, la proporción de interfaces predichas aceptablemente fue del 54,8 % en la configuración predeterminada frente al 55,0 % para Exacto, 54,5 % para Rápido y 54,2 % para Grande, sin ningún cambio combinado distinguible de cero. Las limitaciones señaladas incluyen mediciones realizadas solo en GPUs H100, mejoras de velocidad de ColabFold medidas contra la versión 1.6.1 antes de que ese proyecto publicara sus propios núcleos fusionados, y que los modos Exacto y Rápido utilizan hasta 3,2 veces más memoria que la configuración predeterminada.

Modo Grande para Sistemas Biomoleculares Masivos

Anthropic afirmó que el modo Grande de bajo consumo de memoria de Claude permite modelar con precisión sistemas biomoleculares de más de 10 000 tokens (aminoácidos, nucleótidos y átomos de pequeñas moléculas e iones) y realizar inferencias en sistemas de más de 70 000 tokens, todo en un solo nodo GPU NVIDIA, lo que la publicación describe como una tarea previamente inalcanzable. Las máquinas moleculares predichas con precisión en modo Grande incluyen el complejo I mitocondrial humano, el complejo chaperón TRiC, un proteasoma y una ribosoma bacteriana 70S, cada una coincidiendo estrechamente con su estructura experimental con puntuaciones TM de 0,92 a 0,997, según el informe. Anthropic dijo que, según su conocimiento, estas se encuentran entre las estructuras más grandes jamás plegadas con precisión mediante modelos de predicción de estructuras; el informe señala que el artículo de AlphaFold3 destacó una predicción precisa de la ribosoma 40S de 7 663 tokens y que AlphaFold3 se entrenó con fragmentos de, como máximo, 768 tokens.

Para probar los límites de las optimizaciones, Claude ejecutó predicción de estructuras en cápsides virales completas y compartimentos proteicos que van desde aproximadamente 31 000 hasta más de 70 000 residuos, usando un nodo de ocho GPUs B300. Las siete ejecuciones se completaron, pero cada predicción colapsó en una bola compacta, con puntuaciones TM de 0,08 a 0,14 donde se midió. El informe hipotetiza que el colapso refleja una falla de generalización, porque los ensamblajes son de 40 a 90 veces más grandes que el mayor fragmento de entrenamiento de AlphaFold3, y enmarca el resultado como una ampliación de lo que se puede computar más que de lo que los modelos han aprendido.

Diseño de Binder en una sola GPU

En el trabajo anterior de Anthropic sobre diseño de binder, Claude operaba a partir de un prompt de aproximadamente 16 000 palabras, utilizaba sub‑agentes y podía gastar hasta $10,000 por objetivo en la plataforma de infraestructura de IA Modal, equivalentes a unas 2 500 horas de GPU H100, dentro de 24 horas. En la nueva configuración, un solo modelo Claude recibió una GPU NVIDIA H200 y 24 horas de tiempo de pared, trabajó con un prompt de alrededor de 1 100 palabras y no contó con sub‑agentes ni con dirección humana. Tres modelos, Mythos 5.1, Mythos 5 y Opus 5, se ejecutaron contra los 16 objetivos del estudio anterior.

El informe indica que las puntuaciones medianas en ipSAE, una métrica in silico que describe como predictiva de la unión experimental, alcanzaron 0,785 para Opus 5, 0,781 para Mythos 5.1 y 0,739 para Mythos 5, frente a 0,749 en las campañas anteriores, con puntuaciones de mejor diseño de 0,833, 0,825 y 0,813 frente a 0,817. Las ejecuciones con una sola GPU emplearon un presupuesto de GPU aproximadamente 100 veces menor, y la publicación señala que un gasto combinado de aproximadamente $150 en GPUs y tokens logró un rendimiento in silico comparable al de las campañas anteriores. El informe también indica que los diseños de estas ejecuciones no han sido probados experimentalmente y que las puntuaciones son mediciones in silico, no resultados experimentales.

Términos de la publicación de código abierto

Anthropic lanzó el código en un repositorio de GitHub público que contiene 36 kits de optimización listos para usar, uno por herramienta upstream, con el código original bajo la Licencia Apache 2.0; el lanzamiento público inicial se comprometió el 17 de septiembre de 2026. Los kits comparten un vocabulario común de modo off, exact, fast y big, y están configurados para GPUs NVIDIA H100 de 80 GB en Linux x86‑64, y algunos kits también incluyen configuraciones A100, H200, B200 o B300. El repositorio indica que la publicación es una versión de referencia que no se mantiene ni acepta contribuciones, y que se planifican imágenes Docker y Apptainer preconstruidas dentro de una semana del lanzamiento inicial.

Competencia de diseño de proteínas con Adaptyv Bio

Anthropic afirmó que, junto con Adaptyv Bio, seleccionó cinco problemas en la frontera de las capacidades actuales de diseño de proteínas, incluidos la reactividad cruzada entre especies, la sensibilidad al pH y la especificidad péptido‑MHC, así como objetivos difíciles como los GPCR. Según la página de la competencia, ambas organizaciones patrocinan conjuntamente $1 millón en validación experimental para probar más de 5 000 diseños de proteínas en el laboratorio automatizado de Adaptyv sin costo para los participantes, y Anthropic aporta $1 millón adicional en créditos Claude. La publicación de Anthropic indica que Modal proporcionará hasta $250 000 en créditos de cómputo y que Twist Bioscience suministrará ADN para la competencia.

Se ofrecen tres vías de participación: laboratorios de investigación y empresas, con hasta $50 000 en créditos Claude para equipos académicos y hasta $25 000 para equipos industriales, aproximadamente 20 equipos seleccionados, y pruebas de laboratorio reservadas para hasta aproximadamente 18 diseños por desafío; investigadores individuales o equipos de hasta tres personas, con acceso gratuito a Claude Max 20x durante la competencia; y una vía abierta auto‑sostenida en la que el uso de Claude es opcional.

Las solicitudes se recibirán del 16 al 24 de septiembre de 2026, y los equipos seleccionados serán notificados antes del 28 de septiembre de 2026. Se llevarán a cabo cinco desafíos semanales del 28 de septiembre al 31 de octubre de 2026, la validación experimental está programada para completarse antes del 30 de noviembre de 2026, y los resultados se publicarán en Proteinbase el 15 de diciembre de 2026. Los participantes conservan la propiedad de sus diseños, todos los resultados experimentales, incluidos los negativos, se publicarán de forma abierta, y no habrá premio en efectivo; la página describe el calendario como planificado y sujeto a cambios.