Anthropic opplyser at Claude optimaliserte over 30 biomolekylære modeller med åpen kildekode

Anthropic publiserte et forskningsinnlegg 17. september 2026 der selskapet opplyste at Claude optimaliserte mer enn 30 biomolekylære modeller med åpen kildekode på litt under fire uker. Ifølge selskapet ble modellene i gjennomsnitt omtrent fire ganger raskere. Anthropic gjorde den optimaliserte koden åpent tilgjengelig og kunngjorde en konkurranse i proteindesign som arrangeres sammen med Adaptyv Bio.

36 optimaliserte pakker og FlashPairformer-kjerner

Ifølge forskningsinnlegget og en tilhørende teknisk rapport produserte en intern forskningsmodell for generelle formål optimaliserte pakker for 36 modellimplementeringer som dekker mer enn 30 modeller med åpen kildekode i seks familier: felles folding og strukturprediksjon (14 pakker), hallusinasjon (3), strukturgenerering (6), invers folding (3), genomikk (7) og proteinspråkmodeller (3). Anthropic opplyste at Claude hovedsakelig ble overvåket av to medlemmer av det tekniske personalet som hadde erfaring med biomolekylær modellering, men ingen erfaring med inferensoptimalisering eller utvikling av kjerner.

Hver pakke kjører med de opprinnelige modellvektene og tilbyr opptil tre moduser: Exact, som er laget for å gjengi den uendrede modellens resultater bit for bit; Fast, som bytter bort litt numerisk presisjon mot høyere hastighet; og Big, som reduserer minnebruken slik at større inndata får plass i GPU-minnet. Rapporten oppgir at Exact-modus i gjennomsnitt kjørte foroverpasseringen til 14 strukturprediksjonsmodeller 1,6 ganger raskere enn de uendrede modellene på NVIDIA H100-GPU-er. Fast-modus kjørte de 13 modellene som tilbyr den, i gjennomsnitt 4,1 ganger raskere, mens Big-modus i gjennomsnitt var 3,4 ganger raskere.

Moderne strukturprediksjonsmodeller som AlphaFold3, OpenFold3 og Boltz-2 bruker mye av kjøretiden og minnet på triangle attention og triangle multiplication, to operasjoner der kostnaden vokser kubisk med antallet tokens. NVIDIA har utviklet egne kjerner for disse operasjonene, først i cuEquivariance og senere i BioNeMo Inference Runtime. For den samme flaskehalsen utviklet Claude FlashPairformer v1, et sett med spesialbygde GPU-kjerner. Rapporten oppgir at FlashPairformer v1 kjørte triangle attention 2,7 ganger raskere enn standardkjernene i fagfeltet ved en parbredde på 128, som brukes av AlphaFold3 og Boltz-2, og 2,9 ganger raskere ved en parbredde på 256, som brukes av Protenix v2. Triangle multiplication var henholdsvis 1,7 og 3,2 ganger raskere, målt på én NVIDIA H100.

I tillegg til de felles kjernene produserte Claude optimaliseringer som var spesifikke for hver modell. Disse omfattet mellomlagring av resultater som den opprinnelige koden beregnet på nytt, konstantfolding av grener med konstante resultater, CUDA graph capture og sammenslåing av kjerner. Rapporten oppgir at hastighetsforbedringene i Fast-modus for strukturprediksjonsmodellene varierte fra 2,3 ganger for OpenDDE til 6,4 ganger for Chai-1, og at genomikkmodeller og proteinspråkmodeller oppnådde forbedringer på 1,2 til 5,0 ganger i Exact-modus.

Når det gjelder nøyaktighet, oppgir rapporten at andelen akseptabelt predikerte grensesnitt på FoldBench-Lite, en samlet test med 1 925 modell–mål-par fordelt på 13 modellkonfigurasjoner, var 54,8 % med standardinnstillinger, 55,0 % for Exact, 54,5 % for Fast og 54,2 % for Big. Ingen samlet endring kunne skilles fra null. De oppgitte begrensningene omfatter at målingene bare ble utført på H100-GPU-er, at hastighetsforbedringene for ColabFold ble målt mot versjon 1.6.1 før prosjektet ga ut sine egne sammenslåtte kjerner, og at Exact- og Fast-modus kan bruke opptil 3,2 ganger mer minne enn standardmodusen.

Big-modus for enorme biomolekylære systemer

Anthropic opplyste at Claudes minnebesparende Big-modus gjør det mulig å modellere biomolekylære systemer med mer enn 10 000 tokens, det vil si aminosyrer, nukleotider og atomer fra små molekyler og ioner, med høy nøyaktighet og å kjøre inferens på systemer med mer enn 70 000 tokens på én enkelt NVIDIA GPU-node. Innlegget beskriver dette som en oppgave som tidligere var utenfor rekkevidde. Molekylære maskiner som ble predikert nøyaktig i Big-modus, omfatter menneskets mitokondriekompleks I, chaperonkomplekset TRiC, et proteasom og et bakterielt 70S-ribosom. Ifølge rapporten samsvarte alle tett med sine eksperimentelle strukturer, med TM-poeng fra 0,92 til 0,997. Anthropic sa at disse, så langt selskapet kjenner til, er blant de største strukturene som noen gang er foldet nøyaktig med strukturprediksjonsmodeller. Rapporten bemerker at AlphaFold3-artikkelen fremhevet en nøyaktig prediksjon av et 40S-ribosom med 7 663 tokens, og at AlphaFold3 ble trent på utsnitt med maksimalt 768 tokens.

For å teste grensene for optimaliseringene kjørte Claude strukturprediksjon på hele viruskapsider og proteinrom med omtrent 31 000 til mer enn 70 000 rester ved hjelp av én node med åtte B300-GPU-er. Alle de sju kjøringene ble fullført, men hver prediksjon kollapset til en kompakt kule, med TM-poeng på 0,08 til 0,14 der de ble beregnet. Rapporten antar at kollapsen skyldes manglende generalisering fordi sammensetningene er 40 til 90 ganger større enn AlphaFold3s største treningsutsnitt, og beskriver resultatet som en utvidelse av hva som kan beregnes, snarere enn av hva modellene har lært.

Design av bindere på én GPU

I Anthropics tidligere arbeid med design av bindere arbeidet Claude ut fra en ledetekst på omtrent 16 000 ord, brukte delagenter og kunne i løpet av 24 timer bruke opptil 10 000 dollar per mål på AI-infrastrukturplattformen Modal, tilsvarende omtrent 2 500 H100-GPU-timer. I det nye oppsettet fikk én Claude-modell én NVIDIA H200-GPU og 24 timers faktisk kjøretid, arbeidet ut fra en ledetekst på omtrent 1 100 ord og hadde verken delagenter eller menneskelig styring. Tre modeller, Mythos 5.1, Mythos 5 og Opus 5, ble hver kjørt mot de 16 målene i den tidligere studien.

Rapporten oppgir at medianverdiene for ipSAE, en in silico-poengsum som rapporten beskriver som prediktiv for eksperimentell binding, nådde 0,785 for Opus 5, 0,781 for Mythos 5.1 og 0,739 for Mythos 5, sammenlignet med 0,749 for de tidligere kampanjene. De beste designpoengene var henholdsvis 0,833, 0,825 og 0,813 mot 0,817. Kjøringene på én GPU brukte et GPU-budsjett som var omtrent 100 ganger mindre, og innlegget oppgir at et samlet forbruk på cirka 150 dollar på GPU-er og tokens ga en in silico-ytelse som tilsvarte de tidligere kampanjene. Rapporten understreker at designene fra disse kjøringene ikke er testet eksperimentelt, og at poengene er in silico-målinger, ikke eksperimentelle resultater.

Vilkår for utgivelsen med åpen kildekode

Anthropic ga ut koden i et offentlig GitHub-lager som inneholder 36 optimaliseringssett som kan tas i bruk direkte, ett for hvert opprinnelige verktøy. Den opprinnelige koden er utgitt under Apache License 2.0, og den første offentlige utgivelsen ble registrert 17. september 2026. Settene bruker et felles vokabular med modusene off, exact, fast og big og er konfigurert for NVIDIA H100-GPU-er med 80 GB på Linux x86-64. Enkelte sett har også konfigurasjoner for A100, H200, B200 eller B300. Lageret opplyser at utgivelsen er en referanseutgivelse som ikke vedlikeholdes og ikke tar imot bidrag, og at ferdigbygde Docker- og Apptainer-avbildninger er planlagt innen en uke etter den første utgivelsen.

Proteindesignkonkurranse med Adaptyv Bio

Anthropic opplyste at selskapet og Adaptyv Bio valgte ut fem problemer ved grensen for dagens muligheter innen proteindesign, blant annet kryssreaktivitet mellom arter, pH-følsomhet og peptid-MHC-spesifisitet samt vanskelige mål som GPCR-er. Ifølge konkurransesiden finansierer de to organisasjonene i fellesskap eksperimentell validering for 1 million dollar for å teste mer enn 5 000 proteindesign i Adaptyvs automatiserte laboratorium uten kostnad for deltakerne. Anthropic gir i tillegg 1 million dollar i Claude-kreditter. Anthropics innlegg oppgir at Modal vil tilby opptil 250 000 dollar i beregningskreditter, og at Twist Bioscience vil levere DNA til konkurransen.

Det tilbys tre deltakelsesspor: forskningslaboratorier og selskaper, der akademiske lag kan få opptil 50 000 dollar i Claude-kreditter og industrilag opptil 25 000 dollar, omtrent 20 lag velges ut, og laboratorietesting av opptil cirka 18 design per utfordring reserveres; individuelle forskere eller lag på opptil tre personer, som får gratis tilgang til Claude Max 20x under konkurransen; og et egenfinansiert åpent spor der bruk av Claude er valgfritt.

Søknadsperioden varer fra 16. til 24. september 2026, og de utvalgte lagene skal få beskjed før 28. september 2026. Fem ukentlige utfordringer går fra 28. september til 31. oktober 2026, den eksperimentelle valideringen skal etter planen være ferdig innen 30. november 2026, og resultatene skal publiseres på Proteinbase 15. desember 2026. Deltakerne beholder eierskapet til designene sine, alle eksperimentelle resultater, også negative resultater, blir publisert åpent, og det er ingen pengepremie. Siden beskriver tidsplanen som planlagt og med forbehold om endringer.