Hugging Face 开源 Carbon-X：能“聊天”的 DNA 模型

发生了什么

Carbon-X 由 Hugging Face 与中关村学院、意大利那不勒斯腓特烈二世大学的研究者联合开发，起点是 Qwen3-14B。它用混合分词器把 DNA 切成 6 个碱基一组（6-mer），在 Qwen3 词表上新增 5515 个 DNA token，让 DNA 与文本共享同一个 token 流、同一个解码器，没有独立的 DNA 编码器；训练分 3000 亿 token 中期训练、监督微调与可验证奖励强化学习两段。

按模型卡，Carbon-X 可判断突变是良性还是致病、识别调控基因活性的区域、按生物类群给序列分类、预测序列下一个碱基，并用自然语言解释推理过程；单次可读约 5 万个碱基对，上下文窗口 40960 token。团队称其定位与 DeepMind AlphaGenome（数值预测）、Arc 研究所 Evo 2（生成完整基因组）不同：Carbon-X 做的是“对话式”基因分析。

本地运行是这次发布的卖点：bfloat16 精度下权重可装进单块 80GB GPU，发布演示在 MacBook 上运行；Hugging Face 高级研究科学家 Lewis Tunstall 称，团队有意把模型做小，让实验室不必把可识别的患者基因数据上传到前沿模型。Thomas Wolf 在 X 上称，其 DNA 基准得分为 67%，对比 Claude Opus 5.5 的 61%、Gemini 4 Argon 的 50%，与 GPT-6.1 Sol 相差不到 1 个百分点而成本低约 1000 倍（公司自报口径）。开发者同时提醒：预测尚未经过湿实验室验证，准确度待确认。

关键事实

1. 发布：2026 年 10 月 22 日；148 亿参数 decoder-only 模型，Apache 2.0 开源，权重已上 Hugging Face Hub
2. 架构：起点 Qwen3-14B；混合分词器（Qwen3 BPE + 5515 个 DNA token，1 个 token 覆盖 6 个碱基）；上下文 40960 token；单次约 5 万碱基对
3. 训练：约 3000 亿 token（DNA + 英文 + 生物描述配对），覆盖人类、脊椎动物、无脊椎动物、植物、真菌、原生生物；主动排除病毒序列
4. 能力（模型卡口径）：突变良恶性判断、基因调控区域识别、生物类群分类、下游碱基预测、自然语言解释推理
5. 本地运行：bfloat16 下单块 80GB GPU 可跑，演示在 MacBook 上运行；基因组数据不经过 Hugging Face 或任何公司服务器
6. 基准（公司自报）：DNA 基准 67%，Claude Opus 5.5 为 61%、Gemini 4 Argon 为 50%，与 GPT-6.1 Sol 相差不到 1 个百分点；预测未经湿实验室验证