Carbon-X：可与 DNA 对话的开源模型（图：Hugging Face 官方）
Hugging Face 本周四（10 月 22 日）发布了 Carbon-X，一个开源的 DNA 理解与生成模型，第一次让研究人员能像用 ChatGPT 一样“和 DNA 对话”：直接粘贴一段 DNA 序列，用自然语言提问——比如“这个突变会增加患病风险吗”——模型会给出预测并解释推理过程。它还能生成新的 DNA 序列、识别调控基因活动的区域、判断序列来自哪类生物，以及补全缺失的碱基。
Carbon-X 的底座是 Qwen3-14B。团队给它加了一套 DNA 专用词表——每 6 个碱基编码成一个 Token，让 DNA 和自然语言跑在同一个 token 流里，然后用约 3020 亿 token（基因组序列、生物学文本和指令数据）继续训练。模型共约 148 亿参数，训练数据覆盖人类、哺乳动物、植物、真菌的 DNA，由 Hugging Face 与北京中关村学院、意大利 Telethon 遗传医学研究所及那不勒斯费德里科二世大学联合开发，Apache 2.0 协议开源。
数据是这次发布最硬的部分：在 5 项 DNA 理解与生成基准测试中，Carbon-X 平均得分 66.7%，超过所有参测的开源模型，逼近闭源的 GPT-6.1 Sol（67.5%），在蛋白质编码区突变判断和 DNA 序列补全两项上甚至拿了第一。按官方估算，它的单题推理成本只有 GPT-6.1 Sol API 的约 1/1800。模型很小：完整精度下塞进一块 80GB 显卡就能跑，官方演示直接跑在 MacBook 上，GGUF 量化版也已放出——实验室可以在本地处理敏感的基因数据，不用把序列上传到云端。
团队也坦承了局限：训练数据明确排除了病毒相关序列，防止模型被滥用；同时 Carbon-X 尚未经过湿实验室验证，模型卡明确写着不能用于临床决策，预测只能当作研究假设的起点。
为什么值得关注：这是继 Google DeepMind 的 AlphaGenome、Arc Institute 的 Evo 2 之后，又一个把“读基因组”变成“对话”的里程碑式开源模型。它把基因组分析从“写代码跑流程”降维成“提问”，非程序员也能直接上手；本地可跑则解决了基因数据的隐私合规难题。更值得玩味的是动机——Hugging Face 高级研究科学家 Lewis Tunstall 直言，不想让生物学研究重蹈数学的覆辙：最好的模型都锁在大厂手里，开放社区只能干瞪眼。在英伟达约 129 亿美元收购案落定前夜，Hugging Face 还在推开放权重，态度很明确。
来源：WIRED（凤凰网科技编译）、Hugging Face 官方模型卡，原文：凤凰网科技报道、Carbon-X 模型卡
没有回复内容