Anthropic hat gestern Ergebnisse veröffentlicht, die in der Strukturbiologie ziemlich sicher jemanden nervös machen: Ein internes Forschungsmodell hat über 30 quelloffene Modelle für biomolekulare Aufgaben optimiert. Im Schnitt laufen sie viermal schneller bei minimalem Präzisionsverlust, knapp doppelt so schnell bei identischer Ausgabe. Der Code ist offen, der technische Bericht auch.
FlashPairformer
Moderne Strukturvorhersage — AlphaFold3, OpenFold3, Boltz-2 — verbringt den Großteil ihrer Rechenzeit in zwei Operationen: Triangle Attention und Triangle Multiplication. Beide sind kubisch in Laufzeit und Speicher. Doppelt so großes System heißt achtfache Kosten, dreifach heißt siebenundzwanzigfache.
Dafür schreibt man Kernel, also hardwarenahe Übersetzungsschichten. NVIDIA hat das mit cuEquivariance und zuletzt mit dem BioNeMo Inference Runtime getan. Claude hat daraus FlashPairformer gemacht und schlägt den Feldstandard im Schnitt um das 2,7- bis 2,9-Fache bei Triangle Attention und um das 1,7- bis 3,2-Fache bei Triangle Multiplication, je nach Konfiguration.
Big mode: ein Ribosom auf einem Knoten
Der zweite Teil ist Speicher. Große molekulare Maschinen — Ribosomen, Atmungskettenkomplexe, Chaperone — bestehen aus Dutzenden Bauteilen, und ihre Funktion hängt daran, wie die zusammenpassen. Solche Systeme vorherzusagen brauchte bisher Inferenz über mehrere GPU-Knoten.
Claudes „Big”-Modus schafft Systeme über 10.000 Token auf einem einzigen NVIDIA-Knoten. Gefaltet wurden unter anderem der menschliche mitochondriale Komplex I, der TRiC-Chaperonkomplex, ein Proteasom und ein bakterielles Ribosom, jeweils nah an der experimentell bestimmten Struktur. Zum Vergleich: AlphaFold3 sagte das 40S-Ribosom mit 7.663 Token vorher.
Getestet wurde auch die Grenze. Auf einem 8-GPU-B300-Knoten hat Claude komplette Virenkapside mit 31.000 bis über 70.000 Token gerechnet. Die Vorhersagen kollabieren — fast zwei Größenordnungen über dem Trainingskontext funktioniert es nicht. Aber die Rechnung läuft überhaupt, und das auf einem Knoten.
10.000 Dollar werden 150
Im früheren Versuch bekam Claude einen Prompt von rund 16.000 Wörtern, durfte Subagenten einsetzen und bis zu 10.000 Dollar pro Ziel auf Modal ausgeben — etwa 2.500 H100-Stunden in 24 Stunden.
Diesmal: ein einzelnes Modell, eine H200, 24 Stunden, ein Prompt von etwa 1.100 Wörtern, ein Merkblatt zu den vorinstallierten Werkzeugen. Keine Subagenten, keine menschliche Steuerung der Entwürfe. Über 16 Ziele gemittelt erreichen Mythos 5.1, Mythos 5 und Opus 5 etwa dieselben ipSAE-Werte wie die alte Kampagne — bei rund zwei Größenordnungen weniger GPU-Stunden und zusammen etwa 150 Dollar für Rechenzeit und Tokens.
Dazu kommt ein Wettbewerb mit Adaptyv Bio: fünf Aufgaben, bis zu eine Million Dollar in Claude-Credits, 250.000 Dollar Modal-Compute und Laborvalidierung für über 5.000 Entwürfe.
Zwei Betreuer ohne Kernel-Erfahrung sind die eigentliche Zahl
In der Meldung steht ein Nebensatz, der mehr sagt als jede Beschleunigungszahl: Betreut wurde die Arbeit von zwei Anthropic-Mitarbeitern, die sich mit biomolekularer Modellierung auskennen — und vorher weder mit Inferenzoptimierung noch mit Kernel-Entwicklung zu tun hatten.
Solche Optimierungen kosten ein erfahrenes Team pro Modell Wochen, und sie übertragen sich meist nicht auf das nächste. Hier waren es gut dreißig Modelle in knapp vier Wochen. Das passt zu der Zahl, die Anthropic heute früh selbst genannt hat: 26 Prozent der eigenen KI-Forschung führt Claude aus.
Die 5.000 Laborvalidierungen aus dem Wettbewerb landen übrigens irgendwo in echten Laboren — passend dazu, dass Anthropic gerade ein eigenes Nasslabor gebaut hat. Am Ende bleibt die Pipette.
Quellen: