Anthropic rapporterar att Claude optimerade 30+ öppna källkods-biomolekylära modeller

Anthropic publicerade ett forskningsinlägg den 17 september 2026 och rapporterade att Claude optimerade mer än 30 öppna källkods-biomolekylära modeller på knappt fyra veckor, vilket företaget sade ökade modellernas hastighet med ungefär 4‑faldigt i genomsnitt. Anthropic gjorde den optimerade koden öppen källkod och tillkännagav en proteindesign‑tävling som samorganiseras med Adaptyv Bio.

36 optimerade paket och FlashPairformer‑kärnor

Enligt forskningsinlägget och en medföljande teknisk rapport producerade en intern allmän forskningsmodell optimerade paket för 36 modellimplementationer som täcker mer än 30 öppna källkods-modeller över sex familjer: samvikning och strukturförutsägelse (14 paket), hallucination (3), strukturgenerering (6), omvänd vikning (3), genomik (7) och protein‑språkmodeller (3). Anthropic uppgav att Claude övervakades främst av två medlemmar av dess tekniska personal med erfarenhet av biomolekylär modellering men utan erfarenhet av inferensoptimering eller kärnengineeri­ng.

Varje paket körs med de ursprungliga modellvikterna och erbjuder upp till tre lägen: Exact, utformat för att reproducera den oförändrade modellens utdata bit för bit; Fast, som offrar en liten mängd numerisk precision för hastighet; och Big, som minskar minnesanvändningen så att större indata får plats i GPU‑minnet. Enligt rapporten körde Exact‑läget den framåtriktade passagen för 14 strukturförutsägelsemodeller i genomsnitt 1,6‑faldigt snabbare än de oförändrade modellerna på NVIDIA H100‑GPU:er, Fast‑läget körde de 13 modeller som erbjöd det i genomsnitt 4,1‑faldigt snabbare, och Big‑läget var i genomsnitt 3,4‑faldigt snabbare.

Moderna strukturförutsägelsemodeller såsom AlphaFold3, OpenFold3 och Boltz-2 använder en stor del av sin körtid och minne för triangle‑attention och triangle‑multiplikation, två operationer vars kostnad är kubisk i antalet token. NVIDIA har utvecklat dedikerade kärnor för dessa operationer, först i cuEquivariance och mer nyligen i BioNeMo Inference Runtime. För samma flaskhals utvecklade Claude FlashPairformer v1, en uppsättning anpassade GPU‑kärnor. Enligt rapporten körde FlashPairformer v1 triangle‑attention 2,7‑faldigt snabbare än fältstandard‑kärnorna vid parbredd 128, som används av AlphaFold3 och Boltz-2, och 2,9‑faldigt snabbare vid parbredd 256, som används av Protenix v2, med triangle‑multiplikation respektive 1,7‑ och 3,2‑faldigt snabbare, mätt på en enskild NVIDIA H100.

Utöver de gemensamma kärnorna skapade Claude optimeringar specifika för varje modell, inklusive memoisering av mellansteg som den ursprungliga koden beräknade om, konstant‑foldning av grenar med konstanta utdata, CUDA‑graf‑fångst och kärnfusion. Enligt rapporten varierade Fast‑lägets hastighetsökningar för strukturförutsägelsemodellerna från 2,3‑faldigt för OpenDDE till 6,4‑faldigt för Chai-1, och genomik‑ och protein‑språkmodellerna fick 1,2‑ till 5,0‑faldiga förbättringar i Exact‑läget.

När det gäller noggrannhet uppger rapporten att över FoldBench-Lite, ett samlat benchmark med 1 925 modell‑mål‑par över 13 modellkonfigurationer, var andelen acceptabelt förutsagda gränssnitt 54,8 % vid standard jämfört med 55,0 % för Exact, 54,5 % för Fast och 54,2 % för Big, utan någon samlad förändring som kunde särskiljas från noll. Angivna begränsningar inkluderar mätningar som endast utförts på H100‑GPU:er, ColabFold‑hastighetsökningar mätta mot version 1.6.1 innan projektet släppte egna sammanslagna kärnor, samt att Exact‑ och Fast‑lägena använder upp till 3,2‑faldigt mer minne än standard.

Big‑läge för massiva biomolekylära system

Anthropic uppgav att Claudes minneslåga Big‑läge möjliggör exakt modellering av biomolekylära system som är större än 10 000 token (aminosyror, nukleotider och atomer från små molekyler och joner) samt inferens på system som överstiger 70 000 token, allt på en enda NVIDIA GPU‑nod, vilket inlägget beskriver som en tidigare oåtkomlig uppgift. Molekylära maskiner som förutsågs exakt i Big‑läge inkluderar mänskligt mitokondriellt komplex I, TRiC‑chaperonkomplexet, ett proteasom och en bakteriell 70S‑ribosom, som alla matchade sina experimentella strukturer med TM‑score mellan 0,92 och 0,997, enligt rapporten. Anthropic sade att dessa, såvitt de vet, är bland de största strukturer som någonsin har veckats exakt med hjälp av strukturförutsägelsemodeller; rapporten noterar att AlphaFold3‑artikeln framhöll en exakt förutsägelse av 40S‑ribosomen på 7 663 token och att AlphaFold3 tränades på avsnitt på högst 768 token.

För att testa gränserna för optimeringarna körde Claude strukturförutsägelse på hela viralkapsider och proteinkompartmenten som sträckte sig från ungefär 31 000 till över 70 000 reston med en nod bestående av åtta B300‑GPU:er. Alla sju körningarna slutfördes, men varje förutsägelse kollapsade till en kompakt boll, med TM‑score mellan 0,08 och 0,14 där de mättes. Rapporten hypoteserar att kollapsen speglar ett misslyckande att generalisera, eftersom sammansättningarna är 40‑ till 90‑ gånger större än AlphaFold3:s största träningsavsnitt, och presenterar resultatet som en utvidgning av vad som kan beräknas snarare än vad modellerna har lärt sig.

Binder‑design på en enda GPU

I Anthropic’s tidigare arbete med binder-design körde Claude från en ungefär 16 000‑ordig prompt, använde sub‑agenter och kunde spendera upp till $10 000 per mål på AI‑infrastrukturplattformen Modal, ungefär 2 500 H100‑GPU‑timmar, inom 24 timmar. I den nya uppsättningen fick en enda Claude‑modell en NVIDIA H200‑GPU och 24 timmars klocktid, arbetade från en prompt på cirka 1 100 ord och hade inga sub‑agenter och ingen mänsklig styrning. Tre modeller, Mythos 5.1, Mythos 5 och Opus 5, kördes var för sig mot de 16 målen i den tidigare studien.

Rapporten anger att medianpoängen på ipSAE, ett in‑silico‑mått som den beskriver som förutsägande för experimentell bindning, nådde 0,785 för Opus 5, 0,781 för Mythos 5.1 och 0,739 för Mythos 5, jämfört med 0,749 för de tidigare kampanjerna, med bästa‑design‑poäng på 0,833, 0,825 respektive 0,813 kontra 0,817. Körningarna med en enda GPU använde en GPU‑budget som var ungefär 100 gånger mindre, och inlägget säger att en kombinerad kostnad på cirka $150 för GPU‑er och token‑kostnader uppnådde in‑silico‑prestanda som matchade de tidigare kampanjerna. Rapporten påpekar att designerna från dessa körningar ännu inte har testats experimentellt och att poängen är in‑silico‑mätningar, inte experimentella resultat.

Villkor för öppen källkods‑utgåva

Anthropic släppte koden i ett offentligt GitHub‑arkiv som innehåller 36 färdiga optimeringspaket, ett för varje uppströmsverktyg, med den ursprungliga koden under Apache License 2.0; den första offentliga utgåvan committades den 17 september 2026. Paketen delar ett gemensamt off‑, exact‑, fast‑ och big‑läges‑vokabulär och är konfigurerade för NVIDIA H100 80 GB‑GPU:er på Linux x86‑64, med vissa paket som även levereras med A100‑, H200‑, B200‑ eller B300‑konfigurationer. Arkivet anger att utgåvan är en referensutgåva som inte underhålls och som inte tar emot bidrag, och att förbyggda Docker‑ och Apptainer‑bilder planeras inom en vecka efter den initiala utgåvan.

Protein‑design‑tävling med Adaptyv Bio

Anthropic meddelade att de tillsammans med Adaptyv Bio valde fem problem i framkanten av nuvarande protein‑design‑kapacitet, inklusive art‑överkorsreaktivitet, pH‑känslighet och peptid‑MHC‑specificitet, samt svåra mål såsom GPCR:er. Enligt tävlingens sida sponsrar de två organisationerna gemensamt $1 miljon i experimentell validering för att testa mer än 5 000 protein‑designer i Adaptyvs automatiserade laboratorium utan kostnad för deltagarna, där Anthropic bidrar med ytterligare $1 miljon i Claude‑krediter. Anthropics inlägg anger att Modal kommer att tillhandahålla upp till $250 000 i beräkningskrediter och att Twist Bioscience kommer att leverera DNA för tävlingen.

Tre deltagarspår erbjuds: forskningslaboratorier och företag, med upp till $50 000 i Claude‑krediter för akademiska team och upp till $25 000 för industriteam, ungefär 20 team väljs ut, och reserverad laboratorietestning av upp till cirka 18 designer per utmaning; enskilda forskare eller team om högst tre, med kostnadsfri Claude Max 20x‑åtkomst under tävlingen; samt ett självfinansierat öppet spår där Claude‑användning är valfri.

Ansökningarna löper från 16 september till 24 september 2026, och utvalda team ska meddelas före 28 september 2026. Fem veckovisa utmaningar pågår från 28 september till 31 oktober 2026, experimentell validering planeras slutföras senast 30 november 2026, och resultaten ska publiceras på Proteinbase den 15 december 2026. Deltagarna behåller äganderätten till sina designer, alla experimentella resultat inklusive negativa resultat kommer att publiceras öppet, och det finns ingen kontantprisutdelning; sidan beskriver schemat som planerat och föremål för förändring.