Carbon-X od Hugging Face: analiza DNA i jej granice

Hugging Face ogłosiło Carbon-X, otwarty model językowy do analizowania dostarczonych sekwencji DNA. CNET poinformował o ogłoszeniu 22 października 2026 r. Carbon-X może odpowiadać na pytania o sekwencję i przewidywać właściwości wariantów, ale nie sekwencjonuje DNA. Wyniki testów opublikowanych przez Hugging Face opisują ewaluację firmy, a model nie został zwalidowany klinicznie.

Jak Carbon-X przetwarza DNA

Carbon-X ma 14,8 mld parametrów i bazuje na Qwen3-14B. Jego tokenizer, czyli narzędzie dzielące tekst na jednostki przetwarzane przez model, łączy Qwen3 BPE dla zwykłego tekstu z tokenami DNA. Każdy token DNA reprezentuje sześć par zasad. Model działa na licencji Apache 2.0.

Użytkownik może podać sekwencję w zwykłym komunikacie i zapytać na przykład o przewidywany wpływ wariantu lub cechy fragmentu DNA. Hugging Face zaleca umieszczać sekwencję i pytanie w tej samej wiadomości, a przy pytaniach o wariant podawać sekwencję referencyjną i alternatywną albo pozycję oraz zmianę zasady.

Co pokazuje pięć testów Hugging Face

Hugging Face podało średni wynik Carbon-X wynoszący 66,7% w pięciu benchmarkach. W ewaluacji wyłączono tryb „thinking”, zastosowano domyślne ustawienia próbkowania i wygenerowano jedną odpowiedź dla każdego zadania. Wyniki dotyczą różnych zadań i miar, więc średnia nie jest jedną miarą dokładności dla wszystkich zastosowań.

Wewnątrz GenomeQA rezultaty także się różniły: Carbon-X uzyskał 29,8% dla miejsc splicingowych i 34,6% dla znaków histonowych. To przykłady zadań, w których wynik modelu był wyraźnie niższy niż w klasyfikacji grup organizmów eukariotycznych, gdzie osiągnął 93,2%.

Hugging Face szacuje koszt analizy 2,4 mln wariantów o niepewnym znaczeniu z ClinVar na około 300 USD dla Carbon-X. W przypadku porównywanych modeli frontier firma podaje szacunek od 32 tys. do 4 mln USD. Kalkulacja Carbon-X zakłada przepustowość na godzinę pracy H200 wycenioną na 5 USD; dla pozostałych modeli wykorzystuje standardowe ceny API.

Kontekst modelu a długość sekwencji

Hugging Face podaje okno kontekstu o długości 40 960 tokenów. Osobno opisuje sekwencje treningowe o długości 8 192 tokenów, którym przypisuje około 49 tys. par zasad DNA. Ta druga liczba dotyczy danych użytych w treningu, a nie maksymalnej długości wejścia. Firma informuje też, że nie oceniała wejść znacznie dłuższych niż sekwencje treningowe. Sam rozmiar okna kontekstu nie daje więc gwarancji, że pełny genom można przeanalizować w jednym zapytaniu.

Uruchomienie lokalne i obsługa danych

Hugging Face opisuje uruchamianie przez Transformers w wersji 5 lub nowszej z własnym kodem tokenizera oraz serwowanie modelu przez vLLM. W udokumentowanej konfiguracji agenta wskazuje pojedynczy procesor graficzny z 80 GB pamięci. llama.cpp i inne środowiska GGUF nie obsługują poprawnie niestandardowego tokenizera, przez co DNA byłoby tokenizowane błędnie.

Uruchomienie modelu na własnej infrastrukturze może pozostawić przetwarzanie sekwencji w jej obrębie. Korzystanie z hostowanego API, punktu końcowego, demonstracji Spaces lub usługi innego dostawcy podlega natomiast zasadom obsługi danych właściwym dla danego dostawcy. Oficjalna dokumentacja Carbon-X opisuje konfigurację oraz wymagania modelu.

Granice zastosowania

Hugging Face ostrzega, że Carbon-X może błędnie liczyć zasady, mylić współrzędne i wprowadzać nieprawidłowe zmiany w sekwencji. Przy braku kontekstu może też zgadywać jej tożsamość lub funkcję, a jakość długich generowanych sekwencji spada. Model nie był trenowany do projektowania DNA; ma odczytywać i objaśniać istniejące sekwencje.

Hugging Face podkreśla, że Carbon-X nie został zwalidowany klinicznie i nie należy używać go do podejmowania decyzji medycznych.