Anthropic rapporte que Claude a optimisé plus de 30 modèles biomoléculaires open source

Anthropic a publié un article de recherche le 17 septembre 2026, annonçant que Claude a optimisé plus de 30 modèles biomoléculaires open source en un peu moins de quatre semaines, ce que l’entreprise a indiqué avoir accéléré les modèles d’environ 4 fois en moyenne. Anthropic a rendu le code optimisé open source et a annoncé un concours de conception de protéines co‑sponsorisé avec Adaptyv Bio.

36 packages optimisés et noyaux FlashPairformer

Selon l’article de recherche et un rapport technique accompagnant, un modèle de recherche interne à usage général a produit des packages optimisés pour 36 implémentations de modèles couvrant plus de 30 modèles open source répartis en six familles : co‑repliement et prédiction de structure (14 packages), hallucination (3), génération de structure (6), repliement inverse (3), génomique (7) et modèles de langage protéique (3). Anthropic a indiqué que Claude était supervisé principalement par deux membres de son personnel technique possédant une expérience en modélisation biomoléculaire mais aucune en optimisation d’inférence ou en ingénierie de noyaux.

Chaque package s’exécute avec les poids d’origine du modèle et propose jusqu’à trois modes : Exact, conçu pour reproduire les sorties du modèle non modifié bit à bit ; Fast, qui échange une petite perte de précision numérique contre de la vitesse ; et Big, qui réduit l’utilisation de mémoire afin que des entrées plus grandes tiennent dans la mémoire GPU. Le rapport indique que le mode Exact a exécuté le passage avant de 14 modèles de prédiction de structure en moyenne 1,6 fois plus rapidement que les modèles non modifiés sur les GPU NVIDIA H100, que le mode Fast a exécuté les 13 modèles le proposant en moyenne 4,1 fois plus rapidement, et que le mode Big a été en moyenne 3,4 fois plus rapide.

Les modèles modernes de prédiction de structure tels qu’AlphaFold3, OpenFold3 et Boltz‑2 consacrent une grande partie de leur temps d’exécution et de leur mémoire à l’attention triangulaire et à la multiplication triangulaire, deux opérations dont le coût est cubique en fonction du nombre de tokens. NVIDIA a développé des noyaux dédiés pour ces opérations, d’abord dans cuEquivariance puis plus récemment dans le BioNeMo Inference Runtime. Pour le même goulet d’étranglement, Claude a développé FlashPairformer v1, un ensemble de noyaux GPU personnalisés. Le rapport indique que FlashPairformer v1 a exécuté l’attention triangulaire 2,7 fois plus rapidement que les noyaux de référence du domaine à une largeur de paire de 128, utilisés par AlphaFold3 et Boltz‑2, et 2,9 fois plus rapidement à une largeur de paire de 256, utilisée par Protenix v2, avec la multiplication triangulaire 1,7 fois et 3,2 fois plus rapides respectivement, mesurés sur un seul NVIDIA H100.

Au-delà des noyaux partagés, Claude a produit des optimisations spécifiques à chaque modèle, notamment la mémorisation des intermédiaires que le code original recalculait, le pliage constant des branches à sorties constantes, la capture de graphes CUDA et la fusion de noyaux. Le rapport indique que les gains en mode Fast pour les modèles de prédiction de structure variaient de 2,3 fois pour OpenDDE à 6,4 fois pour Chai‑1, et que les modèles de génomique et de langage protéique ont gagné de 1,2 fois à 5,0 fois en mode Exact.

En termes de précision, le rapport indique que, sur FoldBench‑Lite, un benchmark regroupé de 1 925 paires modèle‑cible couvrant 13 configurations de modèles, la proportion d’interfaces prédites de manière acceptable était de 54,8 % en mode par défaut contre 55,0 % pour Exact, 54,5 % pour Fast et 54,2 % pour Big, sans différence globale discernable de zéro. Les limites mentionnées comprennent des mesures effectuées uniquement sur des GPU H100, des accélérations de ColabFold mesurées par rapport à la version 1.6.1 avant que le projet ne publie ses propres noyaux fusionnés, ainsi que les modes Exact et Fast consommant jusqu’à 3,2 fois plus de mémoire que le mode par défaut.

Mode Big pour les systèmes biomoléculaires massifs

Anthropic a indiqué que le mode Big à faible consommation de mémoire de Claude permet de modéliser avec précision des systèmes biomoléculaires de plus de 10 000 tokens (acides aminés, nucléotides et atomes provenant de petites molécules et d’ions) et d’effectuer l’inférence sur des systèmes de plus de 70 000 tokens, le tout sur un seul nœud GPU NVIDIA, ce que l’article décrit comme une tâche auparavant hors de portée. Les machines moléculaires prédites avec précision en mode Big comprennent le complexe I mitochondrial humain, le complexe chaperon TRiC, un protéasome et un ribosome bactérien 70S, chacun correspondant étroitement à sa structure expérimentale avec des scores TM allant de 0,92 à 0,997, selon le rapport. Anthropic a déclaré que, à sa connaissance, il s’agit parmi les plus grandes structures jamais repliées avec précision à l’aide de modèles de prédiction de structure ; le rapport souligne que l’article sur AlphaFold3 mettait en avant une prédiction précise du ribosome 40S de 7 663 tokens et qu’AlphaFold3 a été entraîné sur des fragments d’au plus 768 tokens.

Pour tester les limites des optimisations, Claude a effectué des prédictions de structure sur des capsides viraux entiers et des compartiments protéiques allant d’environ 31 000 à plus de 70 000 résidus en utilisant un nœud de huit GPU B300. Les sept exécutions se sont toutes terminées, mais chaque prédiction s’est effondrée en une boule compacte, avec des scores TM de 0,08 à 0,14 lorsqu’ils ont été évalués. Le rapport avance que cet effondrement reflète une incapacité à généraliser, les assemblages étant 40 à 90 fois plus grands que le plus grand fragment d’entraînement d’AlphaFold3, et présente le résultat comme une extension de ce qui peut être calculé plutôt que de ce que les modèles ont appris.

Conception de liant sur un seul GPU

Dans les travaux antérieurs d’Anthropic sur la conception de liants, Claude fonctionnait à partir d’une invite d’environ 16 000 mots, utilisait des sous‑agents et pouvait dépenser jusqu’à 10 000 $ par cible sur la plateforme d’infrastructure IA Modal, soit environ 2 500 heures GPU H100, en 24 heures. Dans la nouvelle configuration, un seul modèle Claude a reçu un GPU NVIDIA H200 et 24 heures de temps réel, a travaillé à partir d’une invite d’environ 1 100 mots, et n’a eu ni sous‑agents ni pilotage humain. Trois modèles, Mythos 5.1, Mythos 5 et Opus 5, ont chacun été exécutés sur les 16 cibles de l’étude précédente.

Le rapport indique que les scores médians sur ipSAE, un score in silico décrit comme prédictif du rattachement expérimental, ont atteint 0,785 pour Opus 5, 0,781 pour Mythos 5.1 et 0,739 pour Mythos 5, contre 0,749 pour les campagnes antérieures, les meilleurs scores de conception étant de 0,833, 0,825 et 0,813 versus 0,817. Les exécutions sur un seul GPU ont utilisé un budget GPU environ 100 fois plus petit, et le post précise qu’une dépense combinée d’environ 150 $ en GPU et en jetons a permis d’obtenir des performances in silico comparables à celles des campagnes précédentes. Le rapport indique que les conceptions issues de ces exécutions n’ont pas été testées expérimentalement et que les scores sont des mesures in silico, et non des résultats expérimentaux.

Conditions de diffusion en open source

Anthropic a publié le code dans un GitHub repository public contenant 36 kits d’optimisation prêts à l’emploi, un par outil en amont, le code original étant sous licence Apache 2.0 ; la première version publique a été engagée le 17 septembre 2026. Les kits partagent un vocabulaire commun en mode off, exact, rapide et large et sont configurés pour les GPU NVIDIA H100 80 Go sous Linux x86‑64, certains kits proposant également des configurations A100, H200, B200 ou B300. Le dépôt indique que la version publiée est une version de référence qui n’est pas maintenue et n’accepte pas de contributions, et que des images Docker et Apptainer pré‑construites sont prévues dans la semaine suivant la publication initiale.

Concours de conception de protéines avec Adaptyv Bio

Anthropic a déclaré que, avec Adaptyv Bio, ils avaient sélectionné cinq problèmes à la pointe des capacités actuelles de conception de protéines, incluant la réactivité inter‑espèces, la sensibilité au pH et la spécificité peptide‑MHC, ainsi que des cibles difficiles comme les GPCR. Selon la competition page, les deux organisations sponsorisent conjointement 1 million de dollars de validation expérimentale pour tester plus de 5 000 conceptions de protéines dans le laboratoire automatisé d’Adaptyv, sans frais pour les participants, Anthropic fournissant un million de dollars supplémentaires de crédits Claude. Le post d’Anthropic indique que Modal fournira jusqu’à 250 000 $ de crédits de calcul et que Twist Bioscience fournira l’ADN pour le concours.

Trois voies de participation sont proposées : les laboratoires de recherche et les entreprises, avec jusqu’à 50 000 $ de crédits Claude pour les équipes académiques et jusqu’à 25 000 $ pour les équipes industrielles, environ 20 équipes sélectionnées, et des tests en laboratoire réservés pour environ 18 conceptions par défi ; les chercheurs individuels ou les équipes de trois, avec un accès gratuit à Claude Max 20x pendant le concours ; et une voie ouverte auto‑financée où l’utilisation de Claude est facultative.

Les candidatures sont ouvertes du 16 septembre au 24 septembre 2026, et les équipes sélectionnées seront informées avant le 28 septembre 2026. Cinq défis hebdomadaires se dérouleront du 28 septembre au 31 octobre 2026, la validation expérimentale doit être terminée d’ici le 30 novembre 2026, et les résultats seront publiés sur Proteinbase le 15 décembre 2026. Les participants conservent la propriété de leurs conceptions, tous les résultats expérimentaux, y compris les résultats négatifs, seront publiés ouvertement, et il n’y a pas de prix en argent ; la page décrit le calendrier comme prévu et susceptible d’être modifié.