El Carbon-X de Hugging Face lee el ADN como un lenguaje y responde en inglés

Cómo funciona

Un modelo de IA gratuito que ejecutas en tu propia computadora y que lee las letras del ADN y te las explica en palabras sencillas.

1. 💻Sube tus datos de ADN a tu propia GPU
2. 🗣️Hazle una pregunta sobre los genes en inglés
3. 📖Recibe una respuesta clara al instante

Qué puedes hacer con ello

• Un investigador de biotecnología podría chatear con secuencias crudas de ADN en sus propias GPUs y obtener respuestas en inglés sencillo sobre mutaciones, por una fracción minúscula del costo de las herramientas basadas en API ¹.
• Un laboratorio clínico podría ejecutar Carbon-X con datos genéticos sensibles sin necesidad de enviarlos a terceros, manteniéndolo todo en sus propias GPUs bajo una licencia de código abierto ¹.
• Un estudiante de biología podría predecir si una mutación específica es benigna o perjudicial, marcar regiones regulatorias, o identificar la siguiente base en una cadena de ADN usando un único modelo abierto ¹.

Un ejemploInventado para explicarlo

Priya, estudiante de posgrado que investiga mutaciones genéticas

Priya¿Este cambio en el ADN es benigno o peligroso?

Carbon-XEsa mutación está en una región reguladora y podría ser dañina.

Priya¿Qué parte del gen se ve afectada?

Carbon-XEstá cerca de un sitio de empalme que controla cómo se lee el gen.

Priya¿Puedo fiarme de este resultado?

Carbon-XTengo una confianza moderada; se recomienda validación experimental.

Guardó su análisis localmente y se ahorró los costes por completo.

Un nuevo tipo de modelo

Carbon-X está construido sobre Qwen3-14B, un modelo de lenguaje abierto, pero con un giro especial. En lugar de tratar el ADN y las palabras como cosas separadas, las combina en un flujo usando un tokenizador híbrido. El tokenizador mantiene el vocabulario habitual de Qwen3 para el inglés y agrega 5.515 tokens específicos de ADN. Cada token de ADN representa seis pares de bases — las letras A, C, G y T que conforman el código genético ¹.

El modelo tiene 40 capas y un tamaño oculto de 5.120. Usa una arquitectura estándar solo de decodificador, lo que significa que no depende de un codificador de ADN separado como hicieron algunas herramientas anteriores ¹. Un token de ADN cubre seis pares de bases, y cualquier secuencia de seis o más bases A, C, G o T se marca automáticamente .

Cómo aprendió a leer el ADN

El entrenamiento ocurrió en cuatro etapas. Primero vino un calentamiento de embebidos usando alrededor de 10 mil millones de tokens con el modelo principal congelado, permitiendo que solo las nuevas piezas de ADN aprendieran. Luego vino el entrenado intermedio con 302 mil millones de tokens a una longitud de secuencia de 8.192, mezclando 55 por ciento de ADN crudo, 20 por ciento de texto en inglés, 15 por ciento de escritura biológica y 10 por ciento de datos de instrucciones ¹.

Las etapas finales usaron ajuste fino supervisado en 20 conjuntos de datos y aprendizaje por refuerzo llamado GRPO, que da recompensas al modelo cuando sus respuestas pasan verificaciones integradas por expertos en el dominio ¹. La parte más difícil, según el post de lanzamiento, fue elegir la tasa de aprendizaje correcta. Las tasas altas enseñaban ADN pero hacían que el modelo olvidara inglés; una tasa menor durante más tiempo arregló el compromiso .

Qué puede hacer

Carbon-X obtiene 66,7 % en promedio en cinco pruebas de ADN, quedando por detrás de GPT-6.1 Sol por solo 0,8 puntos ¹. Lidera todos los modelos evaluados en BioReason Coding con 74,9 % y en predicción NextBase con 39,4 % . Su puntuación más baja es 29,8 % en preguntas de GenomeQA sobre sitios de empalme .

El modelo también conserva habilidades generales de razonamiento, alcanzando 79,3 por ciento en el benchmark de seguimiento de instrucciones IFEval ¹. Puede predecir si una mutación es inofensiva o perjudicial, marcar regiones regulatorias, clasificar organismos y adivinar la siguiente base de ADN .

De manera crítica, las puntuaciones son autoinformadas por Hugging Face, y Carbon-X corrió con la función de razonamiento desactivada mientras que los rivales corrieron con su máxima capacidad de razonamiento ¹. En benchmarks como NextBase, algunos modelos competidores incluso obtuvieron peores puntuaciones cuando intentaron más porque aumentaron las negativas a responder .

Adivina

¿Cuánto costaría evaluar 2,4 millones de variantes en las APIs de última generación?

32.000 dólares a 4 millones de dólares300 dólaresUnos 5 dólares en total

Precio y acceso

El modelo se distribuye bajo la licencia Apache 2.0, por lo que los laboratorios pueden mantener secuencias genéticas sensibles en su propio hardware ¹. Corre en una sola GPU de 80 GB en bfloat16 a través de vLLM o la librería Transformers, y una versión oficial GGUF viene en 15,8 GB (Q8_0) o 9,6 GB (Q4_K_M) .

Hugging Face cobra por Carbon-X alrededor de 5 dólares por hora en una GPU H200, lo que representa aproximadamente 1/1.800 del costo de GPT-6.1 Sol por problema ¹. Procesar 2,4 millones de variantes genéticas inciertas de ClinVar costaría alrededor de 300 dólares, en comparación con 32.000 a 4 millones en las API de última generación .

Kimi K3 también se beneficia del modelo: su índice de ADN subió de 49,4 por ciento a 60,5 por ciento cuando consultó Carbon-X ¹.

Este informe trata sobre una tendencia con fines únicamente informativos. No constituye asesoramiento ni aliento para realizar ninguna acción basada en él.

Qué tan bueno es

Según Hugging Face, Carbon-X promedia 66,7 % en cinco pruebas de ADN, ubicándose 0,8 puntos por detrás de GPT-6.1 Sol ¹. Lidera todos los modelos evaluados en BioReason Coding con 74,9 % y en predicción NextBase con 39,4 % . Su resultado más débil es 29,8 % en preguntas de GenomeQA sobre sitios de empalme . Estas puntuaciones son autoinformadas por Hugging Face y fueron recolectadas con la función de razonamiento desactivada, mientras que los competidores corrieron con su máxima capacidad de razonamiento .

percentage of correct answers on DNA-specific tests. Más alto es mejor. Datos: Hugging Face (self-reported). Gráfico de Herald of AI.

Los datos clave

• 14,8B parámetros, contexto de 40.960 tokens, corre en 1x GPU de 80GB

Obtuvo un promedio de 66,7% en 5 pruebas de ADN, ubicándose 0,8 puntos por detrás de GPT-6.1 Sol

• Lidera todos los modelos evaluados en BioReason Coding con 74,9%
• Costos ~1/1.800 del de GPT-6.1 Sol por problema de inferencia
• Licencia Apache 2.0; el ADN sensible permanece en tu propio hardware

Fuentes

1. Hugging Face Releases Carbon-X, a 14B Open DNA Language Model that Brings DNA and Natural Language Together for the Firs — marktechpost.com