Claude 四周内优化了 30 多个开源生物分子模型：平均提速约 4 倍，代码全部开源

做了什么

Anthropic 让一个内部的通用研究模型去优化科研界常用的开源生物模型，目标不是提出新架构，而是把已有模型的推理做得更快、更省内存。结果是在不到四周里处理了 30 多个针对不同生物学任务的深度学习模型（结构预测、蛋白质设计、基因组学、蛋白质语言模型等），平均提速约 4 倍，输出完全一致时约 2 倍。

低内存模式解决的是什么

现代结构预测模型（AlphaFold3、OpenFold3、Boltz-2 等）大部分算力与内存花在三角注意力与三角乘法上，这两个操作对运行时和内存都是三次方增长——体系规模翻倍，开销变成 8 倍。Anthropic 说优化后的低内存模式让超过 1 万个 token 的生物分子体系可以在单个 NVIDIA GPU 节点上完成预测，这是此前多数团队做不到的规模。

算力账与后续

Anthropic 提到此前用专家级编排做 de novo binder 设计时，每个靶点最多花 1 万美元（约 2500 H100 GPU 小时），这个量级远超绝大多数蛋白质设计者的可用资源；结合这次优化与流程简化后，达到同等 in silico 表现所需的 GPU 小时降低了两个数量级。优化代码已全部开源，另有技术报告；与 Adaptyv Bio 合办的蛋白质设计竞赛给出五个前沿难题，配最高 100 万美元 Claude 额度、25 万美元 Modal 算力额度，并为 5000 多个设计做湿实验验证。

把开源科学模型的运行成本压下一个量级，比多发一个榜单第一更能改变谁能做这件事。