Hugging Face开源Carbon-X：14B基因组大模型，可本地运行，用自然语言与DNA对话

Hugging Face联合中关村学院、意大利那不勒斯费德里科二世大学，推出开源基因组大模型Carbon-X，可以同时理解DNA序列与自然语言，研究人员能用对话方式查询DNA片段、预测基因突变带来的生物学效应，模型支持笔记本本地部署，敏感基因组数据无需上传云端。

• 模型：https://huggingface.co/HuggingFaceBio/Carbon-X

Carbon-X基于Qwen3-14B改造，在合计3000亿token混合数据集上完成训练，数据包含多物种DNA序列（哺乳动物、脊椎动物、植物、真菌等，不含病毒基因组，规避潜在滥用风险）、生物文献文本；模型扩展专属六碱基DNA分词器，相比普通BPE分词，编码DNA时token用量缩减至约1/3。许可证为Apache 2.0，允许研究人员本地部署、二次微调。

核心能力与性能

1. 任务能力：解读DNA序列、预测突变致病/良性效应、补全DNA序列、生成新DNA片段；可作为子专家代理，嵌入其他大模型，专门负责基因组解析。测试中接入Kimi K3后，其DNA智能指数从49.4%提升至60.5%。
2. 基准表现：在五项DNA基准测试上，Carbon-X超过同级别所有开源模型，平均成绩接近GPT-6.1 Sol，但单次推理成本仅为后者的1/1800。例如大规模遗传变异筛查，240万条未知影响变异使用Carbon-X推理预估仅需300美元，闭源前沿模型成本可达数万至数百万美元。
3. 硬件部署：140亿参数，兼容llama.cpp，支持Mac笔记本本地离线运行；单次输入DNA片段上限约50000碱基对，不支持一次性上传完整人类基因组。

典型案例：输入携带A→G单点突变的人类8192碱基窗口，Carbon-X能够识别该变异会破坏剪接位点AG，判定为致病突变。

训练方案设计

整个训练流程分为三阶段：中期预训练 → 监督微调SFT → 带可验证奖励的强化学习RL。

团队专门构建序列确定性验证器，用来校验模型输出的生物学结论，减少幻觉；强化学习阶段针对突变效应预测、DNA问答等任务优化，在突变效应预测任务上获得最大提升。

局限性（重点）

1. 尚未经过湿实验室实验、临床验证，预测结果不能直接当作临床诊断依据；
2. 长序列场景容易出错：碱基计数、基因坐标定位、长DNA生成容易出现偏差；
3. 缺少上下文时会产生生物学幻觉，需要搭配基因注释资料交叉核验；
4. 基础生物学问答题上，顶尖闭源模型依旧具备优势。

安全考量

训练集排除病毒基因组，降低生物安全双重用途风险；模型在危险序列编辑任务上能力有限，性能不及传统确定性生物信息工具。开源发布也方便学术界独立评估风险。