Pada 17 September, Anthropic merilis laporan riset yang menjelaskan bagaimana pihaknya meminta Claude mengoptimalkan inferensi lebih dari 30 model biomolekul open source, memangkas waktu eksekusinya rata-rata sekitar 4 kali lipat dalam waktu kurang dari empat minggu, dengan penurunan akurasi yang sangat kecil. Jika akurasi sama sekali tidak boleh turun, percepatan rata-ratanya hanya sekitar 1,6 kali lipat. Seluruh kodenya sudah tersedia di GitHub, di repositori anthropics/uplifting-biomolecular-modeling.
Model-model ini mencakup empat kategori: prediksi struktur, desain protein, model bahasa protein, dan model genomika. Laporan menyebut secara spesifik AlphaFold3, OpenFold3, Boltz-2, dan ColabFold 1.6.3; kategori desain mencakup desain berbasis halusinasi, generasi struktur, dan inverse folding, dengan arsitektur dasar mulai dari diffusion, flow matching, hingga graph neural network. Model-model lainnya tidak dirinci satu per satu dalam laporan.
Dua orang plus satu model
Proyek ini hanya diawasi oleh dua orang insinyur Anthropic. Laporan secara khusus menyebut latar belakang keduanya: memahami pemodelan biomolekul dengan baik, tetapi belum pernah melakukan optimasi inferensi maupun menulis kernel GPU sebelumnya. Pekerjaan sebenarnya dikerjakan oleh Claude di lingkungan Claude Science, dengan versi model yang diuji adalah Mythos 5.1, Mythos 5, dan Opus 5.
Cara mempercepatnya terbagi dalam dua lapisan. Lapisan pertama bersifat umum: Claude menulis kernel khusus bernama FlashPairformer untuk modul Pairformer, bagian paling berat secara komputasi dalam model-model ini, mempercepat triangle attention sebesar 2,7 hingga 2,9 kali dan triangle multiplication sebesar 1,7 hingga 3,2 kali. Lapisan kedua bersifat khusus per model, seperti melakukan caching untuk perhitungan berulang dan memangkas cabang yang tidak terpakai.
Soal bagaimana "penurunan akurasi yang sangat kecil" itu diukur, laporan memberikan patokannya: untuk prediksi antarmuka digunakan skor DockQ, dengan angka di atas 0,23 dianggap dapat diterima; untuk hasil desain digunakan ipSAE, sebuah skor hasil perhitungan yang berkorelasi dengan tingkat keberhasilan pengikatan di eksperimen basah (wet-lab).
Seberapa besar struktur yang bisa dilipat
Selain kecepatan, yang lebih mencolok adalah perubahan skala. Batas prediksi AlphaFold3 sebelumnya adalah 7.663 token; setelah dioptimalkan, angka itu kini melampaui 70.000 token pada satu node NVIDIA B300, cukup besar untuk target seperti kapsid virus utuh dan kompartemen protein.
"These are among the largest structures ever folded accurately using structure prediction models."
Laporan juga menyebutkan batasannya secara terbuka: prediksi kapsid virus di atas 70.000 token tidak lagi akurat. Ambang batas perangkat keras pun tetap ada — struktur besar membutuhkan node B300, sementara tugas biasa saja tetap perlu GPU setara H200.
Dikaitkan dengan putaran desain bulan lalu
Pertengahan Agustus lalu, Anthropic mempublikasikan eksperimen di mana Claude mendesain pengikat protein (protein binder) dari nol, dan berhasil mendapatkan desain yang layak pakai untuk 14 dari 15 target — situs ini juga pernah memberitakannya. Putaran itu menggunakan banyak subagen dan prompt dalam jumlah besar, dijalankan di cloud Modal, dan menurut laporan terbaru ini menghabiskan biaya sekitar 10.000 dolar AS per target.
Kali ini, Anthropic mengulang desain protein tersebut dengan tumpukan model yang sudah dioptimalkan. Dalam pengujian terhadap 16 target, satu unit H200 yang dijalankan selama 24 jam waktu nyata (wall-clock) menghasilkan total biaya GPU dan token sekitar 150 dolar AS, yang menurut Anthropic berarti biaya turun sekitar dua orde besaran (dua digit kali lipat). Target di kedua putaran tidak sepenuhnya sama, dan laporan ini juga tidak menyertakan data validasi eksperimen basah untuk hasil desain kali ini, sehingga yang bisa dibandingkan secara langsung baru biaya dan waktu pengerjaan — tingkat keberhasilannya masih harus menunggu hasil selanjutnya.
Dari Agustus ke September, urutan langkah Anthropic di bidang life science terlihat jelas: pertama membuktikan model bisa mendesain molekul yang terbukti valid di laboratorium, baru kemudian kembali memperbaiki alat desainnya sendiri. Langkah kedua ini kemungkinan berdampak lebih langsung bagi laboratorium akademik — banyak kelompok riset hanya memiliki beberapa unit GPU, dan struktur besar yang sebelumnya tidak bisa dilipat kini punya versi open source yang lebih cepat untuk dicoba.
Sumber: laporan riset Anthropic, CocoLoop, repositori kode anthropics/uplifting-biomolecular-modeling; untuk angka pasti rata-rata percepatan, rentang percepatan tiap bagian FlashPairformer, batas 7.663 dan 70.000 token, serta dasar perhitungan biaya per target, silakan cek laporan aslinya.