Em 17 de setembro, a Anthropic publicou um relatório de pesquisa: a empresa usou o Claude para otimizar a inferência de mais de 30 modelos biomoleculares de código aberto e, em menos de quatro semanas, aumentou a velocidade média de execução em cerca de 4 vezes, com perda mínima de precisão. Se a exigência for precisão sem nenhuma perda, o ganho médio cai para cerca de 1,6 vez. Todo o código já está no repositório anthropics/uplifting-biomolecular-modeling, no GitHub.
Os modelos abrangem quatro categorias: predição de estrutura, design de proteínas, modelos de linguagem de proteínas e modelos de genômica. O relatório cita nominalmente AlphaFold3, OpenFold3, Boltz-2 e ColabFold 1.6.3; na área de design, cobre design por alucinação, geração de estrutura e inverse folding, com arquiteturas subjacentes como difusão, flow matching e redes neurais em grafo. Os demais modelos não são listados individualmente no relatório.
Duas pessoas e um modelo
O projeto foi supervisionado por dois funcionários técnicos da Anthropic. O relatório destaca especificamente o perfil deles: familiarizados com modelagem biomolecular, mas sem experiência prévia em otimização de inferência nem em escrever kernels de GPU. O trabalho concreto foi feito pelo Claude no ambiente Claude Science; as versões de modelo testadas foram Mythos 5.1, Mythos 5 e Opus 5.
O ganho de velocidade ocorre em duas camadas. Uma é genérica: o Claude escreveu um kernel personalizado chamado FlashPairformer, voltado ao módulo Pairformer, o mais custoso computacionalmente nesse tipo de modelo — a triangle attention ficou de 2,7 a 2,9 vezes mais rápida, e a triangle multiplication, de 1,7 a 3,2 vezes. A outra camada é feita modelo a modelo, como armazenar em cache cálculos repetidos ou cortar ramos não utilizados.
Sobre como se mede a perda mínima de precisão, o relatório dá o critério: para predição de interface, usa-se o escore DockQ, considerado aceitável acima de 0,23; para resultados de design, usa-se o ipSAE, um escore computacional correlacionado com a taxa de sucesso em experimentos de bancada.
Até que tamanho dá para dobrar
Além da velocidade, o que mais chama atenção é a escala. O limite anterior do AlphaFold3 era de 7663 tokens; após a otimização, um único nó NVIDIA B300 chega a mais de 70 mil tokens, suficiente para capsídeos virais inteiros e compartimentos proteicos — montagens de grande porte.
These are among the largest structures ever folded accurately using structure prediction models.
Em tradução livre: estas estão entre as maiores estruturas já dobradas com precisão usando modelos de predição de estrutura.
O relatório também expõe os limites: previsões de capsídeos virais acima de 70 mil tokens deixam de ser precisas. A barreira de hardware continua existindo — sistemas grandes exigem nós B300, e mesmo tarefas comuns exigem placas da classe H200.
Ligando com a rodada de design do mês passado
Em meados de agosto, a Anthropic havia divulgado um experimento em que o Claude desenhava ligantes de proteínas do zero — de 15 alvos, 14 geraram designs utilizáveis, algo já noticiado aqui. Naquela rodada, múltiplos subagentes e um grande volume de prompts rodaram na nuvem Modal e, segundo este novo relatório, cada alvo custava cerca de US$ 10 mil.
Desta vez, o design de proteínas foi refeito com a pilha de modelos otimizada: em testes com 16 alvos, uma única H200 rodando 24 horas de tempo de relógio bastou, com custo total de GPU e tokens de cerca de US$ 150 — a Anthropic afirma que o custo caiu cerca de duas ordens de grandeza. Como os alvos das duas rodadas não são exatamente os mesmos e o relatório não traz dados de validação em bancada para os novos resultados de design, só é possível comparar diretamente custo e tempo; a taxa de acerto ainda depende de resultados futuros.
De agosto a setembro, a sequência de movimentos da Anthropic em ciências da vida ficou clara: primeiro provar que o modelo consegue desenhar moléculas validadas em laboratório, depois voltar para aprimorar as próprias ferramentas de design. Esse segundo passo pode ter impacto mais direto sobre laboratórios acadêmicos — muitos grupos têm apenas algumas poucas placas, e sistemas grandes que antes não dobravam agora contam com uma versão acelerada e de código aberto para testar diretamente.
Fontes: relatório de pesquisa da Anthropic, CocoLoop, repositório de código anthropics/uplifting-biomolecular-modeling; confira no relatório original os fatores médios de ganho de velocidade, as faixas de aceleração do FlashPairformer, os limites de 7663 e mais de 70 mil tokens, e os valores de custo por alvo.