Estudo independente sugere que modelos Claude foram treinados com sequências de proteínas em larga escala
Um investigador independente, Xinming Tu, publicou a 17 de novembro uma análise que sugere que os modelos Claude Opus 5.5 e Claude Fable 5.2, da Anthropic, foram treinados com sequências de proteínas em escala suficiente para memorizarem padrões de proteínas pouco estudadas — uma capacidade que nenhum outro modelo testado demonstrou, incluindo o GPT e o Gemini.
A metodologia usada foi a previsão do próximo aminoácido: dado o início de uma proteína, o modelo deve continuar a sequência corretamente. Para isolar conhecimento genuíno de ordem das sequências, cada teste foi repetido numa cópia da mesma proteína com os aminoácidos baralhados. O conjunto de teste incluiu 668 proteínas bacterianas e arqueais de 167 famílias Pfam de função desconhecida, sem estrutura resolvida e com, no máximo, três artigos científicos publicados sobre cada uma.
Os resultados mostram que o Fable 5.2 acertou 54% das vezes em proteínas reais, contra apenas 9% nas versões baralhadas (uma diferença de 45,1 pontos percentuais); o Opus 5.5 mostrou uma diferença de 27,4 pontos (34,9% vs 7,5%). GPT, Gemini e sete modelos de pesos abertos ficaram praticamente a zero nesta diferença. O Opus 5.5 igualou o desempenho do modelo especializado ProtGPT3-10B.
Como evidência adicional de que se trata de conhecimento de treino, o autor nota que a precisão aumenta com o tamanho da família de proteínas — um padrão típico de modelos de linguagem de proteínas — e que o efeito persiste mesmo em famílias sem artigos científicos associados. O código e os dados foram publicados no GitHub. Trata-se de uma análise independente, não confirmada pela Anthropic.
Fontes
- Blog de Xinming Tu (análise original) xinmingtu.cn
Resumo editorial em português feito com apoio de inteligência artificial a partir das fontes indicadas. Como fazemos o Boletim IA.