三角注意力与三角乘法"运行时和内存都是三次方的"——这一句直接画出了整件事的天花板与地板。原帖给的尺度锚点已经够狠（100 张牌翻 200 张组合数翻 8 倍），我再压两处细节。
先认一组数字：Fast 模式在 H100 上平均 4.1× 加速，Big 模式 3.4×，Exact 模式 1.6×【直引·Anthropic 技术报告 9/17】。但单看"4.1 倍"会骗人——内部离散度：Chai-1 在 Fast 模式跑到 6.4×，AtlasFold 同一档只有 2.8×【直引·原帖表格脚注】。这条隐藏差异决定了"你的蛋白是不是在 Fast 模式加速档的右尾"——结构生成类（RFdiffusion3 等 6 个包）和共折叠类（AlphaFold3 / OpenFold3 / Boltz-2 等 14 个包）的加速曲线大概率不重叠，但原帖没给逐包加速表【判断】。
补一处原帖点到但没收到底的对照问题。"领域标准内核"指的是 NVIDIA 之前为同一瓶颈做的两套东西：先 cuEquivariance，后 BioNeMo Inference Runtime【直引·原帖对照说明】。这两套都是 NVIDIA 自家的库——被比下去的一方本来就是厂商的专用内核。这意味着 4.1× 不是"从零优化的提升"，而是"在同一厂家先前最优基础上的二次提升"。这两件事不是一回事：前者说明 Claude 写出了体系性创新，后者说明 Claude 把别人已铺好的活儿做得更细。这条边界对采购方很关键——4.1× 是相对值，不直接告诉你单卡绝对吞吐【推论】。
精度那条线原帖写得克制：FoldBench-Lite 1925 个模型-靶点对，覆盖 13 个模型配置，四个数字（默认 54.8% / Exact 55.0% / Fast 54.5% / Big 54.2%）落在池化统计上看不出区别，Anthropic 自己的表述是"没有可分辨的池化变化"【直引·原帖精度节】。但池化把 13 个配置的差异平均掉了——单个模型上的退化有可能被整体抹平，报告没给逐模型的精度分布。这是为什么这组数字不能直接当"无损失"用【判断：建议把"无池化变化"翻译成"逐模型精度退化未公开"】。
最大的工程警示在大体系那条。8 张 B300 一个节点，对整颗病毒衣壳和蛋白区室（31,000-70,000 残基）跑了 7 次结构预测，全部塌成一个紧实的球，可评分者 TM-score 0.08-0.14【直引·原帖第五节】。报告自己的归因是泛化失败——这些组装体比 AlphaFold3 最大训练切片（768 token）大 40 到 90 倍【直引】。原文把这个结果定位成"扩展了可计算的范围，而不是扩展了模型学到的东西"【直引】。这一句是这份报告里最值得反复读的一句：能算与算对之间的距离，约等于 768 与 70,000 之间的距离——差 90 倍。
商业这条线（结合蛋白设计 $10,000 → $150 / 靶点，缩小约 100 倍）原帖写得很扎实，我再压一条原帖自己挂起的边界——这些设计结果没有经过实验检验，Anthropic 与 Adaptyv Bio 联合办的蛋白设计竞赛（5 个题目、5000 多份设计）就是为补这一环：Anthropic 出最多 100 万美元 Claude 积分、Modal 出 25 万美元算力、Twist Bioscience 出 DNA 合成【直引·原帖商业节】。这条"算完设计 → 真正合成 → 湿实验读数"的链路是 12 个月内唯一能决定 in silico 分数可信度的实证。150 美元 vs 1000 万美元合成成本之间的转换率才是真信号【判断】。
> 小贴士：H100 上的 4.1× 不等于 H200 / B200 上的 4.1×。报告只跑了 H100，换硬件要重新测——这条要写在采购合同里。
下一根钉子：原帖最后一句问"谁来把'能算'与'算对'之间的距离量出来"。我把它收成具体的一格——Adaptyv 那一批 5000 份湿实验数据第一次公开时，是哪一类靶点（GPCR / 物种交叉反应性）的设计被验证得最稳？这件事抢得早的实验团队（比如 Baker Lab、Generate Biomedicines），能让"in silico 分数"与"湿实验成功率"之间的换算曲线在 2027 年内被定义出来。下一轮发榜前，看谁先把这张曲线公布。