Anthropic åpner kildekoden: 36 optimaliserte pakker for biomolekylær modellering

Anthropic åpner kildekoden: 36 optimaliserte pakker for biomolekylær modellering

Selskapet hevder at en intern forskningsmodell har optimalisert over 30 åpen kildekode-modeller for biomolekylær modellering, med fire ganger raskere kjøring og nye rekorder i proteinstrukturforutsigelser. Nå inviterer de resten av feltet til å bevise det.

Anthropic publiserte 17. september 2026 forskningsresultater, en teknisk rapport og åpen kildekode for en omfattende optimaliseringsinnsats der en intern, generell forskningsmodell – altså Claude – har optimalisert mer enn 30 åpen kildekode-modeller for biologiske oppgaver. I tillegg lanserte selskapet en protein-designkonkurranse sammen med Adaptyv Bio.

Hva som faktisk ble gjort

Ifølge rapporteringen fra Unite.AI, som bygger på Anthropics tekniske rapport, produserte modellen optimaliserte pakker for 36 modellimplementasjoner som dekker over 30 åpen kildekode-modeller fordelt på seks familier: co-folding og strukturprediksjon (14 pakker), hallusinasjon (3), strukturell generering (6), invers folding (3), genomikk (7) og proteinspråkmodeller (3).

Det som skiller dette fra tidligere «AI hjelper forskere»-historier, er hvem som førte tilsynet. Anthropic oppgir at Claude i hovedsak ble overvåket av to ansatte på det tekniske personalet – med erfaring innen biomolekylær modellering, men ingen erfaring innen inferensoptimalisering eller kjerneutvikling (kernel engineering). Det er et bevisst poeng: Dette var ikke et elite-GPU-team som fikk assistanse, men fageksperter uten kjernekompetanse som fikk en AI-modell til å gjøre det tunge arbeidet.

Tallene – med forbehold om at de kommer fra Anthropic selv

Selskapet hevder at Claude i gjennomsnitt fikk oppgavene til å gå omtrent fire ganger raskere med et minimalt tap i presisjon, og nesten dobbelt så raskt med identiske resultater.

Det mest iøynefallende resultatet er FlashPairformer, et sett med tilpassede GPU-kjerner for trekanttoppmerksomhet (triangle attention) og trekantmultiplikasjon, utviklet i samarbeid med Claude for Anthropics eget arbeid med optimalisering av inferens for strukturprediksjonsmodeller. Selskapet hevder dette setter en ny standard og slår feltets etablerte standardkjerner med 2,7–2,9 ganger på trekanttoppmerksomhet og 1,7–3,2 ganger på trekantmultiplikasjon, avhengig av modellkonfigurasjon. Disse operasjonene er blant de beregningsmessig tyngste i moderne proteinstrukturmodeller, så forbedringer her er direkte relevante for feltet.

Det er verdt å understreke: Nesten alle ytelsestall her kommer fra Anthropics egen rapport, og det er ikke oppgitt uavhengig benchmarking av tredjeparter. Koden er imidlertid offentliggjort, så feltet kan nå verifisere påstandene selv.

«Big mode»: store komplekser på én GPU-node

Den minneeffektive «Big mode»-konfigurasjonen skal ifølge rapporten muliggjøre nøyaktig modellering av biomolekylære systemer på over 10 000 token (aminosyrer, nukleotider og atomer fra små molekyler og ioner) og inferens på systemer over 70 000 token – alt på en enkelt NVIDIA GPU-node, noe Anthropics innlegg beskriver som en oppgave som tidligere var utenfor rekkevidde for feltet.

Rapporten viser til nøyaktige forutsigelser av molekylære maskiner som humant mitochondrialt kompleks I, TRiC-chaperonkomplekset, et proteasom og et bakterielt 70S-ribosom, som alle skal samsvare tett med eksperimentelle strukturer med TM-scorer fra 0,92 til 0,997.

Konkurranse og kostnadsreduksjon

Tidligere kostet Anthropics binder-design-pipeline opptil 10 000 dollar per mål (rundt 2 500 H100 GPU-timer). Med de nye optimaliseringene og forenklinger i den agentbaserte protein-design-tilnærmingen hevder selskapet at sammenlignbar in silico-ytelse nå oppnås med to størrelsesordener færre GPU-timer.

For å styrke fellesskapet co-sponser Anthropic en protein-designkonkurranse sammen med Adaptyv Bio. Konkurransen består av fem utfordrende problemer i fronten av dagens muligheter. Med bidrag fra Modal og Twist Bioscience stiller selskapene med opptil 1 million dollar i Claude-kreditter, 250 000 dollar i Modal-computekreditter, samt validering i våtlaboratorium for over 5 000 design.

Anthropic peker også på et tidligere resultat der Claude Mythos 5.1 akselererte sju åpen kildekode-modeller for biologi, slik at de kjørte opptil 2,5 ganger raskere.

Begrensningene Anthropic selv peker på

Rapporten er overraskende åpen om hva som ikke fungerte. På det poolede FoldBench-Lite-benchmarket – 1 925 modell–mål-par over 13 modellkonfigurasjoner – var andelen akseptabelt predikerte grensesnitt 54,8 prosent ved standardoppsett, mot 55,0 for Exact, 54,5 for Fast og 54,2 for Big. Ingen endring var skillbar fra null. Med andre ord: Optimaliseringene gjorde ting raskere, ikke bedre.

Videre kollapset alle sju ekstrapolasjonstester på virale kapsider og proteinkamre (rundt 31 000 til over 70 000 residuer) til kompakte kuler, med TM-scorer på 0,08–0,14 der det var målbart. Rapporten antar at kollapset gjenspeiler en manglende evne til å generalisere, siden assembliene er 40 til 90 ganger større enn AlphaFold3s største treningsavling.

Det er også verdt å merke seg at målingene kun er utført på H100-GPUer, og at Exact- og Fast-modusene bruker mer minne.

Hva dette viser – og hva det ikke gjør

Anthropic rammegjør selv resultatet som en utvidelse av hva som kan beregnes, ikke av hva modellene har lært. Big mode bringer store komplekser innenfor rekkevidde for beregning, men kapsid-testene viser at modellene fortsatt ikke kan predikere strukturer langt utenfor treningsdataene sine.

Det uavklarte spørsmålet er hvor mye av dette som holder utenfor Anthropics egne målinger. Nå som koden er offentlig, er det opp til fellesskapet – og konkurransen med Adaptyv Bio – å finne det ut.

Kilder: Anthropic, Unite.AI

---

Anthropic opens source code: 36 optimized packages for biomolecular modeling

The company claims that an internal research model has optimized over 30 open-source models for biomolecular modeling, with four times faster execution and new records in protein structure prediction. Now they are inviting the rest of the field to prove it.

Anthropic published research results, a technical report, and open-source code on September 17, 2026, for an extensive optimization effort in which an internal, general-purpose research model — that is, Claude — has optimized more than 30 open-source models for biological tasks. In addition, the company launched a protein design competition together with Adaptyv Bio.

What was actually done

According to reporting from Unite.AI, which builds on Anthropic's technical report, the model produced optimized packages for 36 model implementations covering over 30 open-source models across six families: co-folding and structure prediction (14 packages), hallucination (3), structure generation (6), inverse folding (3), genomics (7), and protein language models (3).

What distinguishes this from previous "AI helps scientists" stories is who provided supervision. Anthropic states that Claude was primarily supervised by two employees on the technical staff — with experience in biomolecular modeling but no experience in inference optimization or kernel engineering. That is a deliberate point: This was not an elite GPU team getting assistance, but domain experts without kernel expertise who had an AI model do the heavy lifting.

The numbers — with the caveat that they come from Anthropic itself

The company claims that Claude made the tasks run about four times faster on average with minimal loss in precision, and almost twice as fast with identical results.

The most striking result is FlashPairformer, a set of custom GPU kernels for triangle attention and triangle multiplication, developed in collaboration with Claude for Anthropic's own work on optimizing inference for structure prediction models. The company claims this sets a new standard, beating the field's established standard kernels by 2.7–2.9 times on triangle attention and 1.7–3.2 times on triangle multiplication, depending on model configuration. These operations are among the computationally heaviest in modern protein structure models, so improvements here are directly relevant to the field.

It is worth emphasizing: Almost all performance numbers here come from Anthropic's own report, and no independent third-party benchmarking has been provided. The code has, however, been made public, so the field can now verify the claims themselves.

"Big mode": large complexes on one GPU node

The memory-efficient "Big mode" configuration is said, according to the report, to enable accurate modeling of biomolecular systems of over 10,000 tokens (amino acids, nucleotides, and atoms from small molecules and ions) and inference on systems over 70,000 tokens — all on a single NVIDIA GPU node, which Anthropic's post describes as a task previously out of reach for the field.

The report cites accurate predictions of molecular machines such as human mitochondrial complex I, the TRiC chaperone complex, a proteasome, and a bacterial 70S ribosome, all of which are said to closely match experimental structures with TM-scores from 0.92 to 0.997.

Competition and cost reduction

Previously, Anthropic's binder design pipeline cost up to $10,000 per target (around 2,500 H100 GPU hours). With the new optimizations and simplifications in the agent-based protein design approach, the company claims that comparable in silico performance is now achieved with two orders of magnitude fewer GPU hours.

To strengthen the community, Anthropic is co-sponsoring a protein design competition together with Adaptyv Bio. The competition consists of five challenging problems at the frontier of current capabilities. With contributions from Modal and Twist Bioscience, the companies are putting up up to $1 million in Claude credits, $250,000 in Modal compute credits, as well as wet lab validation for over 5,000 designs.

Anthropic also points to an earlier result where Claude Mythos 5.1 accelerated seven open-source biology models, making them run up to 2.5 times faster.

The limitations Anthropic itself points out

The report is surprisingly open about what did not work. On the pooled FoldBench-Lite benchmark — 1,925 model-target pairs across 13 model configurations — the proportion of acceptably predicted interfaces was 54.8 percent with the standard setup, versus 55.0 for Exact, 54.5 for Fast, and 54.2 for Big. No change was distinguishable from zero. In other words: The optimizations made things faster, not better.

Furthermore, all seven extrapolation tests on viral capsids and protein chambers (around 31,000 to over 70,000 residues) collapsed into compact balls, with TM-scores of 0.08–0.14 where measurable. The report assumes that the collapse reflects an inability to generalize, since the assemblies are 40 to 90 times larger than AlphaFold3's largest training crop.

It is also worth noting that the measurements were only performed on H100 GPUs, and that the Exact and Fast modes use more memory.

What this shows — and what it does not

Anthropic itself frames the result as an extension of what can be computed, not of what the models have learned. Big mode brings large complexes within reach of computation, but the capsid tests show that the models still cannot predict structures far outside their training data.

The unresolved question is how much of this holds up outside Anthropic's own measurements. Now that the code is public, it is up to the community — and the competition with Adaptyv Bio — to find out.

Sources: Anthropic, Unite.AI