快 4 倍、单台 8 卡节点容纳上万 token：Claude 优化了 30 多个开源生物模型的推理

Anthropic 在 2026 年 9 月 17 日公开了一份针对生物分子建模的官方研究：让 Claude 去优化科研人员日常使用的开源模型在推理时的时间与显存开销。不到四周，Claude 为 36 个模型实现产出了优化包，覆盖 30 多个开源模型，官方给出的平均加速约为 4 倍；它同时做出一个低显存模式，让超过 10,000 token 的生物分子体系能在一台 8 卡 NVIDIA 节点上被准确预测1。全部优化代码当天开源2。

这些数字量的是运行成本。每一个优化包都沿用原作者的权重，改的只是计算怎样执行，模型能预测什么保持不变3。

与技术报告一起出现的还有一件赛事：Anthropic 与 Adaptyv Bio 联合主办一场蛋白设计竞赛，出至多 100 万美元的 Claude 额度和至多 100 万美元的湿实验验证，合计测 5,000 条以上设计14。它在整份材料里的位置很关键：这次工作没有做的那一步验证，被明确安排在了那里。

现代结构预测模型——AlphaFold3、OpenFold3、Boltz-2——把大部分运行时间和显存花在两个操作上：三角注意力（triangle attention）与三角乘法（triangle multiplication）。这两个操作让模型能推理生物分子的几何关系，代价是对 token 数的三次方：体系规模翻一倍，时间和显存各涨约 8 倍3。

降低这个代价的标准办法是写 kernel。报告把它定义为「面向 GPU 这类加速硬件的低层软件转换层」，也就是把大量小算子融合、调度成少数效率更高的算子。NVIDIA 为这两个操作专门写过 kernel，先是 cuEquivariance，更近期是 BioNeMo Inference Runtime（BioNeMo-IR）356。

Anthropic 与 Claude 一起写出了 FlashPairformer v1。在 AlphaFold3 与 Boltz-2 使用的 pair width 128 上，它的三角注意力比 cuEquivariance 快 2.7 倍、三角乘法快 1.7 倍；在 Protenix v2 使用的 pair width 256 上，两个数字是 2.9 倍与 3.2 倍。这些是 7 个输入尺寸（256 到 2048 token）上的几何平均，单张 H100，而且 v1 在每一个尺寸上都更快3。

基线这一处要单独记住：报告把 cuEquivariance 称作 field standard 并拿它作对照，它自己在引言里也点名了更新近的 BioNeMo-IR，但没有解释为什么不用后者作基线3。

跨模型通用的 kernel 只覆盖一部分收益。报告还让 Claude 针对每个模型单独找优化，常见的改动有几类：把原代码反复重复计算的中间结果缓存下来；把结果恒定的分支折叠成常量；把 GPU 操作捕获成 CUDA graph 一次性回放，省掉 Python 逐次调用的开销；把小算子链融合成单个 kernel；把张量留在 GPU 上，避免主机与设备之间来回搬运；把数据加载和输出写回改成异步，让 GPU 不必等 CPU3。

这些改动被封装成最多三个模式：

Big 的做法是把最大的中间张量分块处理，或者在多卡上把 pair representation 拆到同一台机器的多张卡上3。

速度读数是：Fast 在 13 个结构预测模型上平均快 4.1 倍，区间从 2.3 倍（OpenDDE）到 6.4 倍（Chai-1）；Exact 在 14 个模型上平均快 1.6 倍；Big 是 3.4 倍。基因组模型与蛋白语言模型的 Exact 模式快 1.2 到 5.0 倍3。

那个 4 倍对照的「default」需要单独说明。报告给 baseline 起的这个名字，指的是一个内行用户在同一张 GPU 上能拿到的最快的正确配置——打开模型自带的可选融合 kernel、用能跑满 GPU 的 batch size，或者让多个进程共用一张卡。报告把完全按原样跑的那一份另称作 base，两者有差异的地方逐条写在补充材料里3。

两处口径要一起记下。官方博客的正文把 Exact 的加速写成「接近 2 倍」，同一篇博客那张柱状图的图注写的是「约 1.6 倍」，报告正文也是 1.6 倍（14 个模型）13。另外，Exact 与 Fast 的峰值显存可能高于 default，最多到 3.2 倍；显存是限制条件时该用 Big，而不是这两个更快的模式3。

精度这一边，报告对除 AF2 initial guess 以外的每一个结构预测模型都做了检查。基准是 FoldBench-Lite，界面用 DockQ 打分，DockQ 不低于 0.23 判为可接受，这正是 CAPRI 可接受档的门槛；单链用 lDDT3。

池化到 13 个模型配置、1,925 个「模型–目标」对之后，可接受界面的比例是 default 54.8%、Exact 55.0%、Fast 54.5%、Big 54.2%。三个变化分别是 +0.2、−0.4、−0.6 个百分点（按四舍五入前的数值计算），95% 置信区间都不排除零3。

「没有可测量的变化」这句话在逐模型那一层要打个折。41 个与 default 的逐模型比较里，只有 ESMFold2 的 Exact 一项让置信区间排除了零（+4.6 个百分点）；同时有六个区间正好落在零上，其中包括四个最大降幅里的三个，降幅在 2.2 到 3.5 个百分点之间。举例来说，RoseTTAFold3 的 Big 是 −3.5 个百分点，95% 置信区间是 −7.7 到 0.03。区间贴着零的含义是：这个样本量还不足以把这几处降幅与零区分开，逐模型的「等价」并没有被测出来。

大分子机器——核糖体、呼吸链复合物、分子伴侣——由几十个亚基拼成，功能取决于它们装配得对不对。预测这类体系过去需要跨多台 GPU 节点推理，这是大多数分子生物学家拿不到的资源。Big 模式针对的就是这一段：它让单台 8 卡节点能准确预测超过 10,000 token 的体系，被准确预测的包括人线粒体复合物 I、TRiC 分子伴侣复合物、一个蛋白酶体和一个细菌核糖体，与实验结构的 TM-score 在 0.92 到 0.997 之间3。

参照点选得很明确：AlphaFold3 论文里准确预测的人 40S 核糖体亚基是 7,663 个残基；报告里单台节点上准确预测的上限是 10,761 token37。报告自己补了两条限制：六条规模最大且被准确预测的体系全都用了结构模板，它们的规模超过 AlphaFold3 最大训练裁剪（768 token）的 13 倍以上；五个被准确预测的条目早于 AlphaFold3 的训练截止日期，因此可能已经在训练数据里3。

反方向的读数更能说明边界在哪。为了试探极限，报告让 Claude 去预测整颗病毒衣壳与蛋白腔室，规模约 31,000 到 70,000 个残基（最大 70,320），用一台 8 卡 B300 节点。七次运行全部跑完，七次预测全部不准确：预测塌缩成一个紧凑互穿的球，直径约为真实组装体的四分之一，已计分的三次 TM-score 是 0.14、0.08、0.08。报告把原因归到泛化——这些组装体比 AlphaFold3 最大的训练裁剪大 40 到 90 倍；被缩短的协议（单次 trunk pass、不做 recycling）可能有贡献，但用满 recycling 与模板的 AAV2 那一次同样塌缩3。Big 模式改的是这些模型在什么尺度上算得动；再往上的预测对不对，仍然由训练分布决定。

这份工作的另一半是蛋白设计。上一轮里，Claude 拿到的是一个约 16,000 词的提示，可以调动子智能体，每个靶点在 24 小时内最多能花 10,000 美元的 Modal 云 GPU，报告折算约 2,500 个 H100 卡时38。

这一轮把条件收窄成一个 Claude 模型、一张 H200、24 小时墙钟。提示词换成了约 1,100 词的 brief（每个靶点在 1,071 到 1,359 词之间），只给两个工具：一个 shell 和一个文件编辑器；没有网络，没有子智能体，也没有人在设计上做干预。模型拿到的东西包括靶点描述与其 UniProt 条目、预计算的多序列比对、被用于打分的固定靶点链、最多 40 个含该靶点的 PDB 条目，以及一个装着 46 篇蛋白设计、结构预测与界面指标相关论文和方法文档的目录。它要交付 30 条设计，每条 50 到 120 个残基3。

对照来自 Claude Mythos 5.1 在 2026 年 8 月 8 到 11 日跑的 16 个单靶点战役：那些战役可以用子智能体，可以花到 10,000 美元 GPU 时间，它们的最终 30 条设计被用同一套方法重新计分3。

打分的指标是 ipSAE，取值 0 到 1，含义是结构预测器对预测出的结合界面的置信度。一条设计的分数取复合物两个方向 ipSAE 里较低的那个（5 个种子里最好的一次），再对 ESMFold2、ESMFold2-Fast 与 Protenix v2 求平均；两个 GDF-8 靶点还要减去对相关蛋白 GDF-11 的一半分数39。

结果是这样的：24 小时后，中位数是 0.785（Opus 5）、0.781（Mythos 5.1）、0.739（Mythos 5），参照线 0.749；最好一条分别是 0.833、0.825、0.813，参照 0.817。按小时记录看，Opus 5 在 12 小时、Mythos 5.1 在 13 小时达到参照线的中位数，对应的 GPU 加 token 合计花费约 117–136 美元与 157–196 美元3。

这个比较的形状需要摊开来说。参照侧的上限是一个预算——最多可以花 10,000 美元；新设置侧是一个给定的额度——一张 H200 加 24 小时。一边是能花多少，一边是实际拿到多少机器，两者不是同一种量。报告自己的限定句更直白：他们没有拆分加速模型与更简单协议各自的贡献，token 成本也按标价估算3。

补充材料里有一个更接近对照的设置。三个模型各跑 5 次、每个靶点在「有加速模型」与「没有加速模型」两套配置下各跑一遍，合计 480 次运行。24 小时后，有加速的那一组都更高：中位数 0.781 对 0.753（Mythos 5.1）、0.739 对 0.727（Mythos 5）、0.785 对 0.765（Opus 5）；最好一条是 0.825 对 0.807、0.813 对 0.805、0.833 对 0.822。逐靶点看，16 个靶点里分别有 10、11、12 个的中位数更高，最大差异出现在 Cas9（Mythos 5.1，最高 0.260），除 Cas9 外差异不超过 0.075。同一段里还有一句：两套配置的 reference sheet 与代码版本并不相同，所以这些差异不能只归因于加速模型3。

还有两件事要带上。这批设计没有做过实验验证3。打分用的三个预测器里，ESMFold2-Fast 本身就是这次被优化的构建之一；报告对参照战役的设计做了同一套重新计分，比较的两侧用的是同一个打分器，比较因此在内部是一致的——但 ipSAE 始终是模型给出的置信度，报告也只把它称作「已被证明能预测实验结合」的 in silico 分数3。

上一次同类工作是有湿实验读数的。2026 年 8 月 18 日那篇里，Claude 对 15 个靶点中的 14 个设计成功；多靶点 48 小时会话的命中率是 26.7%（Mythos Preview）与 22.6%（Opus 4.8），单靶点多次 24 小时会话下 Mythos Preview 达到 35.1%，而行业典型水平是 10% 到 15%；单个设计的结合成功率在 22% 到 35% 之间，Adaptyv Bio 与 Twist Bioscience 独立完成了制作与检测10。这一次的读数只有 ipSAE。

补上这一环的安排是竞赛。五个赛题从 9 月 28 日起每周放出一个，五个窗口一直排到 10 月 31 日；官方点名的方向包括种属交叉反应性、pH 敏感性、肽–MHC 特异性，以及 GPCR 这类难靶点。Anthropic 出至多 100 万美元 Claude 额度，Anthropic 与 Adaptyv 联合出资至多 100 万美元做湿实验验证，Modal 提供至多 25 万美元算力额度，Twist Bioscience 提供 DNA；合计在 Adaptyv 的自动化实验室里测 5,000 条以上设计，参赛免费14。

赛道分三条：研究实验室与公司、个人与至多三人的小团队、以及自备工具与算力的开放赛道。前两条需要机构或公司邮箱，申请在 9 月 24 日截止；入选的研究实验室每赛题有约 18 条设计的预留测试额度，个人与小团队没有保证额度。实验验证在 11 月 30 日前完成，结果 12 月 15 日公布在 Proteinbase4。

竞赛页的 FAQ 里有两条决定了这批数据的性质。提交的设计不会全部被测，选哪一条送进实验室由 Anthropic 与 Adaptyv 用一个基于 Claude 的工作流决定，该流程赛后会公开，选择也不只依赖单一的 in silico 指标。参与者保留自己设计的全部权利，但被测设计的序列、预测结构、设计方法与实验测量都会公开，负结果同样公开4。

代码现在就在仓库里：36 个 drop-in 优化包，一个上游工具一个目录，每个目录带着该工具在固定版本上的原样副本。模式在启动时通过命令行参数或环境变量指定，某个模式在这台机器上装不起来时，它打印 NOT ACTIVE 并以状态码 3 退出，不会静默退回原版。34 个包在上游自己的 Python 环境里生效，另外两个（rfdiffusion3 与 rosettafold3）改为往第二个解释器装一层小文件。许可为 Apache-2.0，上游副本保持各自的许可；仓库自述不维护、不接受贡献，定位是随博客发布的定版，预构建的 Docker 与 Apptainer 镜像计划在发布后一周内提供2。

适用范围报告写得清楚：速度与显存数据全部来自 NVIDIA H100 80GB、补充材料里写明的 batch size 与输入尺寸、以及各工具的上游版本，换到别的设置上可能不同。ColabFold 的加速是对 1.6.1 版本测的，之后陆续发布的融合 kernel 没有列入基准，报告只注明 ColabFold 1.6.3 并发放出的可选 fast kernel 尚未纳入311。补充材料里还有少数检查没有通过，报告在各模型的小节里逐条写明了是哪一项3。

开源生物模型的运行成本被压下来这件事，今天就能在自己的机器上验证：装一个 kit，对着自己的输入量一遍速度和峰值显存。而它想换来的那个更重的结论——这样便宜地设计出来的分子能不能真的结合——有一个明确的时间点：12 月 15 日，Adaptyv 实验室里那 5,000 条以上设计的实验结果。