The Pulse
Hugging Face pubblica Carbon-X, un modello per il DNA da 14,8 miliardi di parametri
Hugging Face ha pubblicato Carbon-X, un modello aperto da 14,8 miliardi di parametri che gestisce sequenze di DNA e domande in linguaggio naturale nella stessa conversazione. L’azienda riferisce risultati competitivi su cinque benchmark rel
AI.info Team · Scritto con l’IA · verificato ·
Hugging Face ha pubblicato Carbon-X il 22 ottobre 2026, presentandolo come un modello aperto che riceve sequenze di DNA e domande in linguaggio corrente e risponde in inglese. Il modello da 14,8 miliardi di parametri può valutare i possibili effetti delle mutazioni, individuare caratteristiche biologiche in una sequenza, classificare le sequenze per gruppo di organismi e prevedere le basi successive del DNA. I file del modello sono distribuiti con licenza Apache 2.0.
La pubblicazione offre ai ricercatori un’opzione scaricabile per combinare dati genomici e prompt conversazionali in un unico sistema. Hugging Face descrive però Carbon-X come un punto di partenza per la ricerca, non come uno strumento clinico: non è stato validato clinicamente, può commettere errori e non dovrebbe essere usato per orientare decisioni mediche.
Un unico flusso di token per DNA e testo
Carbon-X parte da Qwen3-14B di Alibaba ed è stato ulteriormente addestrato sul DNA insieme a testi in linguaggio naturale. Anziché usare un encoder separato per il DNA, elabora DNA e testo attraverso un unico decoder e un unico flusso di token. Il suo tokenizer ibrido mantiene il vocabolario testuale di Qwen e aggiunge token per il DNA che rappresentano sei basi consecutive alla volta.
Il team riferisce una fase intermedia di addestramento su 302 miliardi di token, seguita da fine-tuning supervisionato e apprendimento per rinforzo su compiti relativi al DNA. La finestra di contesto del modello è di 40.960 token, anche se gli esempi usati durante l’addestramento e nelle fasi successive erano più brevi. Secondo Hugging Face, i pesi del modello possono essere caricati su una singola GPU da 80GB in formato bfloat16, consentendo ai ricercatori di eseguirlo sulla propria infrastruttura anziché inviare le sequenze a un servizio esterno.
Il vantaggio di Carbon-X nei benchmark emerge dai test del team
Su cinque benchmark che riguardano gli effetti delle mutazioni, la comprensione delle sequenze e la previsione della base successiva, Hugging Face riferisce un punteggio medio del 66,7% con il ragionamento disattivato. Nel confronto dell’azienda, GPT-6.1 Sol ottiene il 67,5%; Hugging Face afferma che il costo di inferenza per problema di Carbon-X è circa un milleottocentesimo del suo. Le valutazioni sono state condotte dagli stessi sviluppatori; la scheda del modello indica che due benchmark provengono da ricerche precedenti e due sono stati realizzati dal team di Carbon.
I risultati variano a seconda del compito. Carbon-X ottiene il 74,9% nel benchmark sulle varianti codificanti, superando i modelli elencati nel confronto, ma raggiunge il 29,8% nelle domande sui siti di splicing e il 34,6% in quelle sulle modificazioni degli istoni in GenomeQA. Questi risultati disomogenei contano: la media complessiva non indica prestazioni uniformi nei diversi tipi di interpretazione biologica.
La scheda del modello mette in guardia dall’uso clinico
«Carbon-X è un punto di partenza per la ricerca su come collegare DNA e linguaggio», scrive Hugging Face Bio nella scheda del modello. Il team avverte che, quando i prompt non forniscono contesto, il modello può inventare l’identità o la funzione di una sequenza; può inoltre contare male le basi, confondere le coordinate o apportare modifiche errate. Consiglia di affiancare al modello altri strumenti per le operazioni che richiedono precisione sulle sequenze e di verificarne le affermazioni biologiche.
Carbon-X può generare continuazioni di sequenze di DNA, ma il team afferma che non è stato addestrato a progettare nuove sequenze e che la qualità peggiora nelle generazioni lunghe. La scheda del modello avverte inoltre che i dati genetici sono sensibili: la tutela della privacy dipende da come gli utenti eseguono il modello, anche dalla scelta fra un download locale, un servizio di inferenza o un host di terze parti. La pubblicazione rende disponibili i pesi per la ricerca e l’uso su infrastrutture locali; non dimostra che le previsioni del modello siano abbastanza affidabili per la cura dei pazienti.