Hva Anthropic sier den fikk
Anthropic la 16. oktober fram resultater der selskapet hevder at modellen Claude Mythos 5 laget kvantekretser som slår de beste designene i publisert litteratur for åtte beregningsprimitiver, innen kjemi, optimering, kvantesimulering, tallteori og numerisk beregning.
To beskrives i detalj i selskapets tekst. Den første er addisjon av punkter på elliptiske kurver, det indre steget i kvantealgoritmer for det diskrete logaritmeproblemet. Ett av modellens design bruker 12 prosent flere kvantebiter enn den minste tidligere kretsen, men 17 ganger færre porter. Anthropic påpeker at settet med design utvider fronten av avveininger mellom antall kvantebiter og kjøretid, framfor å vinne på ett enkelt tall.
Den andre er Reed-Solomon-dekoding inne i dekodet kvanteinterferometri, DQI, brukt på optimal polynomskjæring. Der kutter modellens krets antallet porter rundt 12 ganger mot Google Quantum AIs tidligere konstruksjon, noe Anthropic beskriver som drøyt én tierpotens billigere totalt.
Hvordan sløyfen virket
Claude skrev hver krets som Python-kode. En ekstern evaluator kontrollerte at kretsen gjorde det spesifikasjonen krevde, og ga de gyldige poeng etter antall kvantebiter ganger antall porter, et nærmetall for kjøretid. Poengsummen gikk tilbake til modellen, som rettet og prøvde igjen. Ifølge Anthropic grep ingen mennesker inn mellom rundene.
Resultatet for punktaddisjon kom ut av én enkelt kjøring på 53 timer startet fra et oppdrag på ett avsnitt, der modellen utforsket flere tilnærminger parallelt. Mennesker oppfordret den av og til til å utvide søket. For steget med modulær invertering bygde Claude en reversibel utgave av algoritmen divsteps, utledet dekodingsregelen matematisk, kontrollerte den mot storskala simuleringer og formaliserte så påstanden i Lean.
Dekoderresultatet henger på minnet. En naiv reversibel implementering ville trenge opptil 840 kvantebiter for å holde grenregistre, og å reservere for verste tilfelle ville fortsatt kreve 665. Claudes krets reserverer 19, etter at en simulator kjørte 403 millioner prøvedekodinger for å måle hvor ofte mer trengs. Om lag én kjøring av 10 000 svikter av mangel på plass, noe Anthropic sier ligger innenfor feilmarginen oppgaven tillater.
Hvorfor dekoderen betyr noe
Google Quantum AIs egne ressursanslag gjør dekodingen til den dominerende kostnaden i DQI, så et kutt der flytter hele anslaget. Anthropic sammenligner kretsene sine med de publiserte designene selskapet sier det slår, nevnt ved navn: Schrottenloher og Luo et al., begge fra 2026, for punktaddisjon, og konstruksjonen med utvidet Euklids algoritme fra Khattar et al. i 2025 for dekoderen.
Hva som ikke hevdes
Anthropic rapporterer ikke at noen av kretsene er kjørt på fysisk kvantemaskinvare, og hevder ikke at designene er optimale, bare at de slår de beste publiserte på det oppgitte målet. Teksten gir ingen tall for de seks andre primitivene og viser til en figur. Selskapet minner også om at kretsdesign er én del av en fungerende kvantedatamaskin, med feilretting og maskinvarestyring som egne problemer, og at raskere design “kunne” korte ned veien, uten å sette noen dato.
Selskapet er ærlig om modellens legning og beskriver den som forsiktig, tilbøyelig til å tvile på egne resultater og til å gripe etter kjente metoder om den ikke blir bedt om å lete videre. Det ofte siterte fallet i anslått kostnad ved å simulere FeMoco, fra rundt 50 billioner Toffoli-porter i 2017 til omkring 340 millioner, kommer fra litteraturen generelt og ikke fra Claudes arbeid.
Hva man bør følge
Hvert tall her er Anthropics eget, gitt av en evaluator Anthropic har bygd. Prøven blir om noen utenfor selskapet kjører evaluatoren på nytt på divsteps- og DQI-kretsene og får de samme tallene.
