Anthropic riporta che Claude ha ottimizzato più di 30 modelli biomolecolari open source

Anthropic ha pubblicato un post di ricerca il 17 settembre 2026, riportando che Claude ha ottimizzato più di 30 modelli biomolecolari open source in poco meno di quattro settimane, velocità che, secondo l’azienda, ha aumentato le prestazioni dei modelli di circa 4 volte in media. Anthropic ha rilasciato il codice ottimizzato in open source e ha annunciato un concorso di progettazione proteica co‑sponsorizzato da Adaptyv Bio.

36 pacchetti ottimizzati e kernel FlashPairformer

Secondo il post di ricerca e un rapporto tecnico allegato, un modello interno di ricerca a scopo generale ha prodotto pacchetti ottimizzati per 36 implementazioni di modelli, coprendo più di 30 modelli open source distribuiti in sei famiglie: co‑folding e previsione della struttura (14 pacchetti), allucinazione (3), generazione di struttura (6), folding inverso (3), genomica (7) e modelli linguistici proteici (3). Anthropic ha dichiarato che Claude è stato supervisionato principalmente da due membri del suo staff tecnico con esperienza nella modellazione biomolecolare, ma nessuno specializzato in ottimizzazione dell’inferenza o ingegneria dei kernel.

Ogni pacchetto funziona con i pesi originali del modello e offre fino a tre modalità: Exact, progettata per riprodurre gli output del modello non modificato bit per bit; Fast, che scambia una piccola quantità di precisione numerica per la velocità; e Big, che riduce l’uso di memoria in modo che input più grandi possano stare nella memoria della GPU. Il rapporto indica che la modalità Exact ha eseguito il passaggio in avanti di 14 modelli di previsione della struttura in media 1,6 volte più velocemente rispetto ai modelli non modificati su GPU NVIDIA H100, che la modalità Fast ha eseguito i 13 modelli che la supportano in media 4,1 volte più velocemente, e che la modalità Big è risultata in media 3,4 volte più veloce.

I moderni modelli di previsione della struttura, come AlphaFold3, OpenFold3 e Boltz-2, impiegano gran parte del loro tempo di esecuzione e della memoria nell’attenzione triangolare e nella moltiplicazione triangolare, due operazioni il cui costo è cubico rispetto al numero di token. NVIDIA ha sviluppato kernel dedicati per queste operazioni, inizialmente in cuEquivariance e più recentemente nel BioNeMo Inference Runtime. Per lo stesso collo di bottiglia, Claude ha sviluppato FlashPairformer v1, un insieme di kernel GPU personalizzati. Il rapporto indica che FlashPairformer v1 ha eseguito l’attenzione triangolare 2,7 volte più velocemente rispetto ai kernel di riferimento del settore a larghezza di coppia 128, utilizzati da AlphaFold3 e Boltz-2, e 2,9 volte più veloce a larghezza di coppia 256, utilizzata da Protenix v2, con la moltiplicazione triangolare rispettivamente 1,7 e 3,2 volte più veloce, misurato su una singola NVIDIA H100.

Oltre ai kernel condivisi, Claude ha prodotto ottimizzazioni specifiche per ciascun modello, inclusa la memorizzazione degli intermedi che il codice originale ricalcolava, il constant‑folding dei rami con output costanti, la cattura del grafo CUDA e la fusione dei kernel. Il rapporto indica che i miglioramenti in modalità Fast per i modelli di previsione della struttura sono variati da 2,3 volte per OpenDDE a 6,4 volte per Chai-1, e che i modelli di genomica e i modelli linguistici proteici hanno guadagnato da 1,2 a 5,0 volte in modalità Exact.

In termini di accuratezza, il rapporto afferma che, nell’ambito di FoldBench-Lite, un benchmark aggregato di 1.925 coppie modello‑target su 13 configurazioni di modello, la percentuale di interfacce predette accettabilmente è stata del 54,8% con le impostazioni predefinite rispetto al 55,0% per Exact, 54,5% per Fast e 54,2% per Big, senza alcuna variazione aggregata distinguibile dallo zero. Le limitazioni dichiarate includono misurazioni effettuate solo su GPU H100, i miglioramenti di velocità di ColabFold misurati rispetto alla versione 1.6.1 prima che il progetto rilasciasse i propri kernel fusi, e le modalità Exact e Fast che utilizzano fino a 3,2 volte più memoria rispetto alle impostazioni predefinite.

Modalità Big per sistemi biomolecolari massivi

Anthropic ha dichiarato che la modalità Big a bassa memoria di Claude consente la modellazione accurata di sistemi biomolecolari più grandi di 10.000 token (amminoacidi, nucleotidi e atomi di piccole molecole e ioni) e l’inferenza su sistemi superiori a 70.000 token, il tutto su un singolo nodo GPU NVIDIA, compito descritto nel post come precedentemente irraggiungibile. Le macchine molecolari predette con precisione in modalità Big includono il complesso I mitocondriale umano, il complesso chaperone TRiC, un proteasoma e un ribosoma batterico 70S, ciascuno corrispondente da vicino alla sua struttura sperimentale con TM‑score da 0,92 a 0,997, secondo il rapporto. Anthropic ha affermato che, per quanto ne sappia, queste sono tra le strutture più grandi mai piegate con precisione usando modelli di previsione della struttura; il rapporto osserva che il documento su AlphaFold3 ha evidenziato una predizione accurata del ribosoma 40S di 7.663 token e che AlphaFold3 è stato addestrato su segmenti di al massimo 768 token.

Per testare i limiti delle ottimizzazioni, Claude ha eseguito la previsione della struttura su interi capside virali e compartimenti proteici, con dimensioni comprese tra circa 31.000 e oltre 70.000 residui, utilizzando un nodo con otto GPU B300. Tutte e sette le esecuzioni sono state completate, ma ogni predizione si è ridotta a una sfera compatta, con TM‑score da 0,08 a 0,14 dove valutati. Il rapporto ipotizza che il collasso rifletta un fallimento nella capacità di generalizzare, poiché gli assemblaggi sono da 40 a 90 volte più grandi del più grande segmento di addestramento di AlphaFold3, e inquadra il risultato come un’estensione di ciò che può essere calcolato piuttosto che di ciò che i modelli hanno appreso.

Progettazione di binder su una singola GPU

Nel precedente lavoro di Anthropic sul design di binder, Claude operava a partire da un prompt di circa 16.000 parole, utilizzava sub‑agent e poteva spendere fino a $10.000 per obiettivo sulla piattaforma di infrastruttura AI Modal, corrispondenti a circa 2.500 ore GPU H100, entro 24 ore. Nella nuova configurazione, un singolo modello Claude ha ricevuto una GPU NVIDIA H200 e 24 ore di tempo reale, ha lavorato da un prompt di circa 1.100 parole e non ha avuto sub‑agent né guida umana. Tre modelli, Mythos 5.1, Mythos 5 e Opus 5, sono stati ciascuno eseguiti contro i 16 obiettivi dello studio precedente.

Il rapporto afferma che i punteggi mediani su ipSAE, un punteggio in silico che descrive come predittivo del legame sperimentale, hanno raggiunto 0,785 per Opus 5, 0,781 per Mythos 5.1 e 0,739 per Mythos 5, rispetto a 0,749 per le campagne precedenti, con punteggi di miglior design di 0,833, 0,825 e 0,813 rispetto a 0,817. Le esecuzioni su singola GPU hanno utilizzato un budget GPU circa 100 volte più piccolo, e il post indica che una spesa combinata di circa $150 per GPU e token ha ottenuto prestazioni in silico pari a quelle delle campagne precedenti. Il rapporto specifica che i design derivanti da queste esecuzioni non sono stati testati sperimentalmente e che i punteggi sono misurazioni in silico, non risultati sperimentali.

Termini del rilascio open source

Anthropic ha rilasciato il codice in un pubblico GitHub repository contenente 36 kit di ottimizzazione plug‑and‑play, uno per ogni strumento upstream, con il codice originale sotto Apache License 2.0; il rilascio pubblico iniziale è stato impegnato il 17 settembre 2026. I kit condividono un vocabolario comune off, exact, fast e big mode e sono configurati per GPU NVIDIA H100 80 GB su Linux x86‑64, con alcuni kit che includono anche configurazioni A100, H200, B200 o B300. Il repository afferma che il rilascio è una versione di riferimento che non è mantenuta e non accetta contributi, e che sono previste immagini Docker e Apptainer pre‑costruite entro una settimana dal rilascio iniziale.

Concorso di progettazione proteica con Adaptyv Bio

Anthropic ha dichiarato che insieme ad Adaptyv Bio ha selezionato cinque problemi al limite delle attuali capacità di progettazione proteica, inclusi cross‑reactivity tra specie, sensibilità al pH e specificità peptide‑MHC, oltre a bersagli difficili come i GPCR. Secondo la competition page, le due organizzazioni stanno sponsorizzando congiuntamente $1 milione per la validazione sperimentale di oltre 5.000 design proteici nel laboratorio automatizzato di Adaptyv, senza costi per i partecipanti, con Anthropic che fornisce ulteriori $1 milione in crediti Claude. Il post di Anthropic indica che Modal fornirà fino a $250.000 in crediti di calcolo e che Twist Bioscience fornirà il DNA per il concorso.

Sono offerte tre modalità di partecipazione: laboratori di ricerca e aziende, con fino a $50.000 in crediti Claude per i team accademici e fino a $25.000 per i team industriali, circa 20 team selezionati, e test di laboratorio riservati per circa 18 design per sfida; ricercatori individuali o team di massimo tre persone, con accesso gratuito a Claude Max 20x durante il concorso; e una pista aperta auto‑sostenuta in cui l’uso di Claude è facoltativo.

Le candidature saranno aperte dal 16 al 24 settembre 2026, e i team selezionati saranno avvisati entro il 28 settembre 2026. Cinque sfide settimanali si svolgeranno dal 28 settembre al 31 ottobre 2026, la validazione sperimentale è prevista per essere completata entro il 30 novembre 2026, e i risultati saranno pubblicati su Proteinbase il 15 dicembre 2026. I partecipanti mantengono la proprietà dei loro design, tutti i risultati sperimentali, inclusi quelli negativi, saranno pubblicati apertamente, e non è previsto alcun premio in denaro; la pagina descrive il calendario come pianificato e soggetto a modifiche.