Carbon-X: nyílt modell, amellyel DNS-ről lehet csetelni

Mi ez?

A Hugging Face bio csapata október 22-én kiadta a Carbon-X-et (Hugging Face, WIRED). Ez egy 14,8 milliárd paraméteres, decoder-only modell, amelyet DNS-szekvenciákon és természetes nyelvű szövegen együtt tanítottak. A nyers DNS-t sima chatüzenetben adod meg, a modell angolul válaszol.

Mit tud? Megjósolja, hogy egy mutáció valószínűleg ártalmatlan vagy kórokozó, felismeri a génaktivitást szabályozó régiókat, besorolja a szekvenciát élőlénycsoportba, megjósolja a következő bázisokat, illetve elmagyarázza az érvelését.

Hogyan épül fel?

• Alapja a Qwen3-14B, külön DNS encoder nincs: szöveg és DNS egy tokenfolyamban megy.
• Hibrid tokenizer: a Qwen3 BPE szókincse plusz 5515 DNS token. A DNS nem átfedő 6-merekre bomlik, egy token 6 bázispárt fed le.
• 302 milliárd tokenes mid-training DNS-en, biológiai szövegen, angol és instrukciós adaton, utána SFT és RL ellenőrizhető jutalommal.
• 40 960 tokenes kontextus, a válasz thinking nélkül jön.

Mennyire jó?

A Hugging Face mérése szerint öt DNS-benchmarkon (variánshatás, szekvenciaértés, következő bázis) átlagosan 66,7 százalékot ér el. Ez 27 ponttal jobb a kiinduló Qwen3-14B-nél. Minden más tesztelt nyílt modellt is megelőz. A GPT-6.1 Sol 67,5 százalékot ért el, a Carbon-X ezt problémánként nagyjából 1/1800-ad inference-költséggel közelíti meg.

A csapat becslése szerint a ClinVar 2,4 millió bizonytalan jelentőségű variánsának elemzése a Carbon-X-szel kb. 300 dollárba kerülne, a tesztelt frontier modellekkel 32 ezer és 4 millió dollár között.

Hogyan futtatod?

A súlyok bfloat16-ban elférnek egyetlen 80 GB-os GPU-n, vLLM-mel szolgálható ki, GGUF változat is van. A tokenizerhez trust_remote_code=True kell, illetve legalább Transformers v5. Így a kutatók érzékeny vagy publikálatlan szekvenciákat is saját gépen elemezhetnek.

Fontos korlát

A modell kártyája egyértelmű: a Carbon-X nincs klinikailag validálva, orvosi döntésre nem használható. Kutatási eszköznek viszont olcsó és nyílt belépő a genomikai LLM-ek világába.