科學 AI／推論最佳化
Anthropic 公開 36 組生物模型加速套件，將數值一致性納入執行模式
Claude 協助開發的 36 組套件，以共享 GPU 核心加速生物模型並降低記憶體需求。官方區分輸出完全一致與近似加速，但公開版本不承諾持續維護。
Anthropic 於 9 月 17 日公開由 Claude 協助開發的 36 組生物模型推論最佳化套件，涵蓋結構預測、蛋白質設計與基因體模型。官方在結構預測測試中報告，容許少量數值差異時平均約加速四倍；要求輸出完全一致時則約為 1.6 倍，兩種口徑必須分開看。[研究公告](https://www.anthropic.com/research/claude-uplifts-biomolecular-modeling)
技術核心是 FlashPairformer，針對分子結構模型反覆使用的三角注意力與三角乘法提供 GPU 核心。共享執行層依裝置、資料型別與張量形狀選擇實作，並以介面連接 PyTorch、JAX 及不同核心後端，讓多個模型重用最佳化成果。[共享核心文件](https://raw.githubusercontent.com/anthropics/uplifting-biomolecular-modeling/main/common/opt_core/README.md)
套件把行為拆成四種模式：off 執行固定版本的上游程式，exact 追求相同輸出，fast 接受記錄在案的數值差異，big 優先降低顯示記憶體需求。這讓研究者可先決定容許的誤差，再選效能策略；各模型實際提供的模式仍有差異。[專案說明](https://github.com/anthropics/uplifting-biomolecular-modeling)
以 Boltz-2 為例，exact 使用 CUDA Graph 與移出迴圈的不變計算，fast 再接入低精度三角運算；big 則分塊處理，並可把成對表徵按列分散至同一主機的多張 GPU。但文件指出，每次呼叫仍有約 25 秒啟動、載入權重及特徵處理成本，小型輸入的端到端收益因此較低。部分 A100 輸入長度也無法維持逐位元一致，exact 會回報未啟用並以錯誤碼結束。[Boltz-2 文件](https://raw.githubusercontent.com/anthropics/uplifting-biomolecular-modeling/main/boltz2/README.md)
重現流程也被包進發布內容：各套件列出上游版本、相依套件與權重摘要值，並提供容器或虛擬環境路徑。執行前可先檢查模式能否啟用，日誌則記錄實際採用的最佳化。這些資訊有助區分模型差異、執行環境差異與加速核心失效，降低只比較單一秒數造成的誤判。[重現與執行紀錄](https://github.com/anthropics/uplifting-biomolecular-modeling)
部署限制同樣具體：這是固定上游版本的參考發布，Anthropic 明言不計畫持續更新，也不接受合併請求；原創程式採 Apache 2.0，上游程式仍各有授權。對研究團隊而言，可立即利用的是可檢查的核心與模式切換機制，後續應在自家資料上分別量測冷啟動、穩態推論、峰值記憶體及結果誤差，再確認上游升級後是否仍相容。[版本與維護說明](https://github.com/anthropics/uplifting-biomolecular-modeling)