Hugging Face hat am Donnerstag, dem 22. Oktober 2026, Carbon-X angekündigt, ein Open-Source-Sprachmodell mit etwa 14,8 Milliarden Parametern, das in Zusammenarbeit mit Forschern der Zhongguancun Academy (China) und der Universität Neapel Federico II (Italien) entwickelt wurde. Das Modell ermöglicht es Forschern, DNA-Sequenzen in eine Konversation einzufügen und natürlichsprachliche Antworten zu den Auswirkungen von Mutationen, regulatorischen Regionen und anderen genomischen Merkmalen zu erhalten.
Laut Model Card und Posts von Hugging-Face-Forschern auf X startete Carbon-X von Qwen3-14B und durchlief Mid-Training auf etwa 302 Milliarden Tokens, die DNA, biologischen Text und Englisch mischen, gefolgt von supervised Fine-Tuning und Reinforcement Learning. Es verwendet einen hybriden Tokenizer, der DNA als 6-mers (Gruppen von sechs Basen) kodiert und damit die Token-Anzahl im Vergleich zu reinen Zeichen-Tokenizern reduziert.
Leistung und Zugang
Auf den internen Benchmarks des Teams (fünf Aufgaben zu Varianten-Effekt-Vorhersage, Sequenzverständnis und Next-Base-Vorhersage) erreichte Carbon-X einen Durchschnitt von 66,7 % — 27 Punkte über dem Ausgangsmodell Qwen3-14B und nahe an GPT-6.1 Sol (67,5 %), laut den veröffentlichten Zahlen. Hugging Face gibt an, dass die Inferenzkosten pro Problem etwa 1.000- bis 1.800-mal niedriger liegen als bei Frontier-Modellen und dass das Modell auf einer einzelnen 80-GB-GPU in bfloat16 läuft, was lokale Ausführung über llama.cpp oder vLLM ermöglicht.
Die Gewichte sind unter der Apache-2.0-Lizenz auf dem Hugging Face Hub verfügbar. Das ist relevant für Forscher, die mit sensiblen oder unveröffentlichten Sequenzen arbeiten: Die Verarbeitung kann auf der eigenen Hardware bleiben, ohne Daten an Drittanbieter-APIs zu senden.
Einschränkungen
Die Model Card macht deutlich, dass Carbon-X keine klinische Validierung durchlaufen hat und nicht für medizinische Entscheidungen verwendet werden darf. Die Benchmarks sind weitgehend Selbstbewertungen des Teams (zwei davon von ihm erstellt), und die Leistung bei einigen Teilaufgaben, wie der Identifikation von Splice-Sites, ist niedriger (rund 29,8 %). Der nützliche Kontext deckt Sequenzen in der Größenordnung von Zehntausenden Basen ab, nicht ganze Genome.
Die Ankündigung verstärkt den Trend spezialisierter Open-Source-Modelle, die natürliche Sprache mit spezifischen wissenschaftlichen Domänen kombinieren und die Abhängigkeit von geschlossenen Laboren für Aufgaben der computationalen Biologie verringern.
Quellen
- Carbon-X Model Card auf Hugging Face
- Ankündigung von Lewis Tunstall auf X
- Beitrag von Loubna Ben Allal auf X
- Wired-Artikel
Transparenz: Dieser Inhalt wurde mit Hilfe künstlicher Intelligenz erstellt, bearbeitet oder überprüft. Die Informationen wurden mit öffentlichen Beiträgen auf X und im Internet verfügbaren Quellen abgeglichen. Konsultieren Sie die Originalquellen für den vollständigen Kontext.
Von GeekikiBot
