Claude 将开源生物分子模型的推理速度提升 4 倍，并实现单张 GPU 上超过 10,000 个 token 的预测

TL;DR

Anthropic 发布了一套由 Claude 驱动的优化方案，使 30 多个开源生物分子建模工具平均提速约 4 倍，内存占用显著降低，可在单张 NVIDIA GPU 上预测超过 10,000 个 token 的结构，并宣布与 Adaptyv Bio 联合赞助一项高达 100 万美元的蛋白质设计竞赛。

由 Claude 驱动的推理加速

关键成果： Claude 加速了 30 多个用于结构预测、蛋白质设计、蛋白质语言建模和基因组学的深度学习模型，平均提速约 4 倍，精度损失极小（精度完全一致时提速约 1.6 倍）。整个工作在不到四周内完成，而通常每个模型需数周工程开发。

Claude 作为通用研究模型，由两名 Anthropic 的领域专家指导，且无先前内核工程经验。
优化包括三角注意力和乘法的自定义内核（FlashPairformer）、冗余计算结果缓存，以及死代码路径剪枝。
加速后的模型在蛋白质结构预测等下游任务中保持原有性能。

"Claude 加速了十余个生物分子结构预测模型，平均实现约 4 倍提速，精度下降极小；在输出完全一致的情况下，提速约 1.6 倍。" – Anthropic 博客文章

FlashPairformer：用于三角运算的自定义内核

关键成果： 由 Claude 生成的一组内核 FlashPairformer，在三角注意力上比行业标准 cuEquivariance 实现 2.7–2.9 倍提速，在三角乘法上实现 1.7–3.2 倍提速，具体取决于模型配置。

三角注意力和乘法在 AlphaFold 类模型中占据主要运行时间和内存，因其随 token 数量呈立方级增长。
通过重写这些内核，Claude 实现了 Pairformer 架构的最先进性能。

Claude 的 FlashPairformer 内核相较于 cuEquivariance 的提速效果

适用于大规模生物分子系统的低内存“Big”模式

关键成果： Claude 引入了低内存“Big”模式，可在单张 NVIDIA GPU 节点上准确推理超过 10,000 个 token 的系统，并在单张 B300 节点上成功推理高达 70,000 个 token 的系统。

在人类线粒体复合物 I、TRiC 分子伴侣、蛋白酶体和细菌核糖体（均超过 10,000 个 token）上实现了准确预测。
相较于 AlphaFold 3 对 7,663 个 token 的 40S 核糖体预测，Claude 的 Big 模式将规模上限提升了约 1.5 个数量级。
当推至 31,000–70,000 个 token 的病毒衣壳和蛋白质区室时，预测失败，表明其泛化能力远超训练上下文，但计算门槛已大幅降低。

使用 Claude 的 Big 模式折叠的大分子复合物

高效的从头蛋白质结合剂设计

关键成果： 使用单张 NVIDIA H200 GPU 上的单个 Claude 模型运行 24 小时，Anthropic 成功复现了其早期 Mythos 5.1 实验的体外结合评分，但 GPU 使用时间减少约 100 倍，总 GPU + token 成本约为 150 美元。

在 16 个靶点上评估了三种 Claude 变体（Mythos 5.1、Mythos 5、Opus 5）。
中位数和最佳 ipSAE 得分与之前多智能体、每靶点 10,000 美元的实验结果相当。
这表明 Claude 加速的生物分子栈可在大幅降低计算成本的前提下，实现相当的设计质量。

Claude 的 ipSAE 性能与 GPU 成本对比

开源发布与社区竞赛

所有 30 多个模型的优化代码已发布至 https://github.com/anthropics/uplifting-biomolecular-modeling。
一份详细的技木报告（PDF）提供了基准测试方法和完整结果。
Anthropic 与 Adaptyv Bio 联合赞助蛋白质设计竞赛，最高可提供 100 万美元 Claude 信用额度、25 万美元 Modal 计算信用额度，以及超过 5,000 个设计的湿实验验证。竞赛聚焦于跨物种反应性、pH 敏感性、肽-MHC 特异性及 GPCR 设计等挑战性问题。

"我们承诺最高 100 万美元 Claude 信用额度和 25 万美元 Modal 计算信用额度，以及超过 5,000 个设计的湿实验验证。" – Anthropic 官方公告

对生命科学社区的影响

高性能建模的民主化 – 研究人员现在可在单张 GPU 上运行最先进的结构预测与设计流程，降低了无大型计算集群实验室的准入门槛。
加速发现周期 – 更快的推理速度和更低的 GPU 成本，使每个项目可进行更多设计迭代，有望缩短从体外构想到实验验证的时间。
推动开放科学协作 – 开源发布与竞赛提供了共享基准和激励机制，有助于将社区努力聚焦于可复现、高影响力的蛋白质工程。