Carbon-X di Hugging Face legge il DNA come un linguaggio e risponde in inglese

Come funziona

Un modello AI gratuito che fai girare sul tuo computer e che legge le lettere del DNA spiegandole in parole semplici.

1. 💻Carica i tuoi dati del DNA sulla tua GPU
2. 🗣️Fai una domanda sui geni in italiano
3. 📖Ricevi subito una risposta chiara e semplice

Cosa ci si può fare

• Un ricercatore nel campo delle biotecnologie potrebbe chattare con sequenze di DNA grezzo sui propri GPU e ottenere risposte in inglese semplice sulle mutazioni, per una frazione irrisoria del costo degli strumenti basati su API ¹.
• Un laboratorio clinico potrebbe eseguire Carbon-X su dati genetici sensibili senza inviarli a terze parti, mantenendo tutto sui propri GPU sotto licenza open-source ¹.
• Uno studente di biologia potrebbe prevedere se una mutazione specifica è benigna o dannosa, segnalare regioni regolatorie o identificare il nucleotide successivo in una strandsa di DNA usando un singolo modello open ¹.

Un esempioInventato per spiegare

Priya, studentessa di dottorato che studia le mutazioni genetiche

PriyaQuesta variazione del DNA è innocua o pericolosa?

Carbon-XQuesta mutazione si trova in una regione regolatrice e potrebbe essere dannosa.

PriyaQuale parte del gene è coinvolta?

Carbon-XSi trova vicino a un sito di splicing che controlla come il gene viene letto.

PriyaPosso fidarmi di questo risultato?

Carbon-XIl mio livello di confidenza è moderato; consiglio una validazione sperimentale.

Ha salvato la sua analisi in locale e non ha pagato nessuna tariffa API.

Un nuovo tipo di modello

Carbon-X è costruito sopra Qwen3-14B, un modello linguistico open, ma con un tocco speciale. Invece di trattare DNA e parole come cose separate, le mescola insieme usando un tokenizer ibrido. Il tokenizer mantiene il vocabolario abituale di Qwen3 per l'inglese e aggiunge 5.515 token specifici per il DNA. Ogni token del DNA rappresenta sei coppie di basi — le lettere A, C, G e T che compongono il codice genetico ¹.

Il modello ha 40 strati e una dimensione nascosta di 5.120. Usa una struttura decoder-only, il che significa che non fa affidamento su un encoder di DNA separato come facevano alcuni tool più vecchi ¹. Un token del DNA copre sei coppie di basi, e qualsiasi sequenza di sei o più basi A, C, G o T viene taggata automaticamente .

Come ha imparato a leggere il DNA

L'addestramento è avvenuto in quattro fasi. La prima è stata un warmup degli embedding usando circa 10 miliardi di token con il modello principale bloccato, permettendo solo ai nuovi pezzi di DNA di imparare. Poi è arrivato il mid-training su 302 miliardi di token a una lunghezza di sequenza di 8.192, miscelando il 55 percento di DNA grezzo, il 20 percento di testo in inglese, il 15 percento di scrittura biologica e il 10 percento di dati di istruzioni ¹.

Le fasi finali hanno usato supervised fine-tuning su 20 dataset e reinforcement learning chiamato GRPO, che dà al modello premi quando le sue risposte superano i check costruiti da esperti del settore ¹. La parte più difficile, secondo il post di rilascio, è stata scegliere il learning rate giusto. Tassi alti insegnavano il DNA ma facevano dimenticare al modello l'inglese; un tasso più basso in un arco temporale più lungo ha risolto il compromesso .

Cosa sa fare

Carbon-X segna il 66,7 percento in media su cinque benchmark del DNA, dietro di sole 0,8 punti rispetto a GPT-6.1 Sol ¹. Guida tutti i modelli testati su BioReason Coding al 74,9 percento e su NextBase prediction al 39,4 percento . Il suo punteggio più debole è il 29,8 percento sulle domande di GenomeQA relative ai siti di splicing .

Il modello conserva anche capacità di ragionamento generali, raggiungendo il 79,3 percento sul benchmark IFEval per il follow-up di prompt ¹. Può prevedere se una mutazione è innocua o dannosa, segnalare regioni regolatorie, classificare organismi e indovinare il prossimo nucleotide del DNA .

È fondamentale notare che i punteggi sono auto-segnalati da Hugging Face, e Carbon-X ha funzionato con il pensiero disabilitato mentre i rivali erano al loro massimo sforzo di reasoning ¹. Su benchmark come NextBase, alcuni modelli concorrenti hanno addirittura segnato peggio quando hanno provato con più impegno perché i rifiuti sono aumentati .

Indovina

Quanto costerebbe analizzare 2,4 milioni di varianti sulle API all'avanguardia?

Da 32.000 a 4 milioni di dollari300 dollariCirca 5 dollari

Prezzo e accesso

Il modello è distribuito sotto licenza Apache 2.0, quindi i laboratori possono mantenere sequenze genetiche sensibili sul proprio hardware ¹. Funziona su un singolo GPU da 80 GB in bfloat16 attraverso vLLM o la libreria Transformers, e una versione ufficiale GGUF pesa 15,8 GB (Q8_0) oppure 9,6 GB (Q4_K_M) .

Hugging Face prezza Carbon-X a circa $5 all'ora su un GPU H200, il che equivale a circa 1/1.800 del costo di GPT-6.1 Sol per problema ¹. Analizzare 2,4 milioni di varianti genetiche incerte da ClinVar costerebbe circa $300, contro i $32.000-$4 milioni richiesti dalle API all'avanguardia .

Anche Kimi K3 beneficia del modello: il suo indice di DNA è salito dal 49,4 percento al 60,5 percento quando ha consultato Carbon-X ¹.

Questa storia segnala una tendenza a scopo puramente informativo. Non costituisce parere né incoraggiamento a fare alcunché.

Quanto è bravo

Secondo Hugging Face, Carbon-X fa una media del 66,7 percento su cinque benchmark del DNA, dietro di sole 0,8 punti rispetto a GPT-6.1 Sol ¹. Guida tutti i modelli testati su BioReason Coding al 74,9 percento e su NextBase prediction al 39,4 percento . Il suo risultato più debole è il 29,8 percento sulle domande di GenomeQA relative ai siti di splicing . Questi punteggi sono auto-segnalati da Hugging Face ed è stato raccolto con il pensiero disabilitato, mentre i concorrenti hanno funzionato al loro massimo sforzo di ragionamento .

percentage of correct answers on DNA-specific tests. Più alto è meglio. Numeri: Hugging Face (self-reported). Grafico di Herald of AI.

I fatti principali

• 14,8B parametri, context da 40.960 token, funziona su 1x GPU da 80GB

Ha ottenuto una media del 66,7% su 5 benchmark del DNA, piazzandosi a 0,8 punti dietro GPT-6.1 Sol

• Guida tutti i modelli testati su BioReason Coding al 74,9%
• Costa circa 1/1.800 di GPT-6.1 Sol per ogni inferenza per problema
• Licenza Apache 2.0; il DNA sensibile resta sull'hardware dell'utente

Fonti

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