Hugging Face bracht Carbon-X uit als een open taalmodel dat aangeleverde DNA-sequenties analyseert en vragen daarover beantwoordt. CNET berichtte op 22 oktober 2026 over de aankondiging. Carbon-X leest bestaande DNA-data; het is geen apparaat dat DNA sequentieert. De gepubliceerde prestaties zijn resultaten van Hugging Face, en het bedrijf zegt dat het model niet klinisch is gevalideerd.
Wat Carbon-X met DNA doet
Carbon-X is een taalmodel met 14,8 miljard parameters, gebaseerd op Qwen3-14B en uitgebracht onder de Apache 2.0-licentie. Het model kan onder meer mutatie-effecten voorspellen, sequenties indelen, bepaalde DNA-kenmerken herkennen en volgende basen voorspellen. Het is bedoeld om bestaande sequenties te lezen en uit te leggen; Hugging Face zegt dat het niet is getraind om DNA te ontwerpen.
De tokenizer, de software die invoer omzet in verwerkingseenheden, gebruikt Qwen3 BPE voor tekst en overlappende DNA-eenheden van zes basen, zogeheten 6-mers. Zo verwerkt het model DNA en gewone taal in één gesprek. Hugging Face raadt aan de sequentie en de vraag samen in één bericht te zetten. Bij een vraag over een variant helpt het om de referentie- en alternatieve sequentie mee te geven, of de referentiesequentie met de positie en de gewijzigde base.
Wat de vijf benchmarks meten
Hugging Face rapporteert een gemiddelde score van 66,7% over vijf DNA-benchmarks, met denken uitgeschakeld, de standaardinstellingen voor sampling en één antwoord per opgave. De tests gebruiken verschillende maten en soorten vragen; het gemiddelde is dus geen algemene maat voor klinische nauwkeurigheid.
| Benchmark | Maatstaf | Score Carbon-X | Testomvang |
| BioReason Coding | Gebalanceerde nauwkeurigheid | 74,9% | 1.018 varianten in coderende genregio’s |
| BioReason Non-SNV | Gebalanceerde nauwkeurigheid | 85,1% | 873 inserties, deleties en andere varianten die geen SNV zijn |
| GenomeQA | Nauwkeurigheid, gemiddeld over zes taken | 63,6% | 2.600 vragen over DNA-kenmerken |
| NextBase | Nauwkeurigheid per base | 39,4% | 600 sequenties |
| FrontierVEP | Nauwkeurigheid | 70,4% | 1.000 varianten, getest in sequenties tot 8.192 basen |
De verschillen tussen taken zijn relevant: op twee onderdelen van GenomeQA haalde Carbon-X 29,8% voor splice-sites en 34,6% voor histonmerken. De resultaten zijn dus niet gelijkmatig over alle DNA-vragen verdeeld.
Hugging Face schat dat het analyseren van 2,4 miljoen ClinVar-varianten met onzekere betekenis met Carbon-X ongeveer 300 dollar kost. Voor de frontiermodellen in de vergelijking raamt het bedrijf de kosten op 32.000 tot 4 miljoen dollar. De berekening voor Carbon-X gebruikt de verwerkingssnelheid per H200-uur tegen 5 dollar per uur; voor de andere modellen gebruikt Hugging Face standaard API-tarieven.
Contextvenster en trainingslengte zijn verschillende maten
Carbon-X heeft een contextvenster van 40.960 tokens. Een token is een eenheid waarin tekst of DNA wordt verwerkt. De circa 49 kbp aan DNA die Hugging Face noemt, hoort bij sequenties van 8.192 tokens die tijdens de middentraining zijn gebruikt. Het is geen opgegeven maximum in baseparen. Het bedrijf zegt dat invoer die veel langer is dan de trainingssequenties niet is geëvalueerd; de contextlengte op zichzelf bepaalt daarom niet of een volledig persoonlijk genoom in één prompt past.
Lokale installatie en gegevensverwerking
De officiële modeldocumentatie van Hugging Face beschrijft uitvoering via Transformers versie 5 of hoger, met aangepaste tokenizercode, en serveren via vLLM. Voor het beschreven gebruik als agent noemt Hugging Face een GPU met ongeveer 80 GB geheugen. Het bedrijf zegt dat de modelgewichten in bfloat16 op één GPU van 80 GB passen.
llama.cpp en andere GGUF-runtimes ondersteunen de aangepaste Python-tokenizer niet; daardoor zouden ze DNA niet correct verwerken. Lokale uitvoering kan sequenties op de eigen infrastructuur houden. Bij gebruik van API’s, endpoints, Spaces-demo’s en externe aanbieders verschilt de gegevensverwerking per dienst.
Onderzoek, geen klinisch hulpmiddel
Hugging Face zegt expliciet dat Carbon-X niet klinisch is gevalideerd en niet voor medische beslissingen mag worden gebruikt. Het model kan basen verkeerd tellen, coördinaten verwarren of edits verkeerd uitvoeren. Bij te weinig context kan het ook de identiteit of functie van een sequentie verkeerd invullen, en de kwaliteit neemt af bij het genereren van lange DNA-sequenties.
