评论Anthropic蛋白质设计成果：开源模型贡献最大，agent仅做整合
转推 @ziv_ravid: 如果没有公关包装，Anthropic 的新结果公告读起来会是这样的：
Claude 编排了开源蛋白质设计模型 PXDesign、RFdiffusion、Genie、BoltzGen，基于一个 30k-token 的专家提示词和 12,500 个 H100 小时的计算量，针对 15 个靶点中的 14 个设计了结合剂。命中率为 22–35%，而基线为 10–15%，其中一些工具的单独报告数字已经与此相当。
编排确实令人印象深刻。但完成大部分工作的是开源模型，它们来自 Baker 实验室、哥伦比亚大学、MIT、字节跳动 Seed，而且大多数在 Claude 介入之前已经经过湿实验验证。
这也设定了上限。所有这些生成器共享单一的 PDB 形态训练分布，所以调用四个并不能分散盲点，因为它们会一起失败。成功的靶点是那些已被充分研究的靶点。
因此，合理的说法是：在堆栈已经有效的领域，agent 现在可以胜任地驱动这个堆栈。
然而，我们得到的却是这样的公告：
Claude 编排了开源蛋白质设计模型 PXDesign、RFdiffusion、Genie、BoltzGen，基于一个 30k-token 的专家提示词和 12,500 个 H100 小时的计算量，针对 15 个靶点中的 14 个设计了结合剂。命中率为 22–35%，而基线为 10–15%，其中一些工具的单独报告数字已经与此相当。
编排确实令人印象深刻。但完成大部分工作的是开源模型，它们来自 Baker 实验室、哥伦比亚大学、MIT、字节跳动 Seed，而且大多数在 Claude 介入之前已经经过湿实验验证。
这也设定了上限。所有这些生成器共享单一的 PDB 形态训练分布，所以调用四个并不能分散盲点，因为它们会一起失败。成功的靶点是那些已被充分研究的靶点。
因此，合理的说法是：在堆栈已经有效的领域，agent 现在可以胜任地驱动这个堆栈。
然而，我们得到的却是这样的公告：