Модель Carbon-X: Hugging Face научила нейросеть разговаривать с ДНК — бесплатно и локально
22 октября Hugging Face выпустила открытую модель, которой можно задать вопрос о фрагменте ДНК обычными словами. Разбираем, как она устроена, что показали тесты и где её пределы.
- Carbon-X — 14,8 млрд параметров, основа Qwen3-14B, дообучение на 302 млрд токенов ДНК и текста, лицензия Apache 2.0.
- В среднем по пяти ДНК-бенчмаркам у неё 66,7% против 67,5% у GPT-6.1 Sol — это данные самой Hugging Face.
- Авторы прямо предупреждают: в мокрой лаборатории модель не проверяли, для медицинских решений она не годится.
Открытая модель Carbon-X от Hugging Face, вышедшая 22 октября, умеет то, чего раньше не умели чат-боты: ты вставляешь в диалог кусок ДНК и спрашиваешь обычными словами, что он делает и опасна ли мутация. Модель бесплатная, работает локально и, по заявлению авторов, почти догоняет фронтир-модель OpenAI на генетических тестах при цене запроса в 1 800 раз ниже.
Что произошло
Hugging Face, которую в сентябре согласилась купить Nvidia почти за $13 млрд, выпустила Carbon-X вместе с исследователями из Академии Чжунгуаньцунь (Китай) и Неаполитанского университета имени Фридриха II (Италия). Как пишет Wired, идея — дать исследователям «ChatGPT для ДНК». Старший научный сотрудник Hugging Face Льюис Танстолл говорит, что команда открыла новую способность языковых моделей — буквально разговаривать с ДНК.
Раньше похожие задачи решали другие инструменты. AlphaGenome от Google DeepMind предсказывает эффект мутаций, но отвечает числами и требует больше вычислений. Evo 2 от Arc Institute и Nvidia говорит на языке ДНК и умеет генерировать целые геномы. Carbon-X соединяет ДНК и естественный язык в одном чате.
Как устроена модель Carbon-X
По карточке модели на Hugging Face, текст и ДНК идут в одном потоке токенов, отдельного ДНК-энкодера нет. Гибридный токенизатор оставляет обычный словарь Qwen3 для текста и добавляет 5 515 ДНК-токенов: последовательность режется на кусочки по шесть букв. Последовательности длиннее шести оснований модель распознаёт и размечает сама.
Ключевые цифры из карточки:
- Обучение: сначала около 10 млрд токенов с замороженным телом, чтобы выучились только новые ДНК-эмбеддинги, затем 302 млрд токенов полного дообучения, потом SFT и обучение с подкреплением на ДНК-задачах.
- Контекст — 40 960 токенов; по Wired, это примерно 50 тыс. пар оснований за раз, так что целый геном человека в неё не загрузить.
- Среднее по пяти тестам — 66,7% с отключённым «мышлением», на 27 пунктов выше исходной Qwen3-14B.
- Вирусы исключили из обучающих данных, чтобы модель было сложнее использовать во вред.
Что именно проверяли. В наборе пять тестов: BioReason Coding (1 018 мутаций в белок-кодирующих участках, имя гена из запроса убрано), BioReason Non-SNV (873 вставки, делеции и другие сложные изменения), GenomeQA (2 600 вопросов о промоторах, энхансерах, сайтах сплайсинга и группах организмов), а также два собственных теста Hugging Face — NextBase на предсказание следующих оснований и FrontierVEP на оценку одиночных мутаций в длинной последовательности до 8 192 оснований. Обучающие данные, по словам авторов, очищали от пересечений с этими тестами тремя способами. При этом модель не разучилась быть обычным ассистентом: на IFEval у неё 79,3% по строгой метрике.
Обзор AI Intel Report добавляет важную деталь: в формате bfloat16 модель помещается на одну видеокарту на 80 ГБ и запускается через vLLM. Для обычного железа есть квантованные GGUF-версии — от Q4 до Q8 — для llama.cpp, Ollama и LM Studio.
Самое ценное в Carbon-X — не бенчмарк, а то, что данные никуда не уходят: генетика остаётся на твоём железе.
Что это значит для тебя
Carbon-X не про крипту напрямую, но про тренд, который касается всех, кто работает с чувствительными данными. Медицинские данные, как и приватные ключи, нельзя отдавать в чужое облако. Танстолл объясняет, почему модель сделали маленькой: исследователям запрещено загружать идентифицируемые данные пациентов во фронтир-модели. Модель Carbon-X запускается у тебя, и по словам Hugging Face, никакие данные не отправляются ни ей, ни другим компаниям.
Где стоит притормозить:
- Все цифры — от авторов. Пять тестов не покрывают всю биологию, независимой проверки ещё нет.
- Модель не проходила лабораторную валидацию, поэтому её ответы нельзя считать диагнозом.
- Сравнение цены «в 1 800 раз дешевле» — оценка Hugging Face при аренде H200 за $5 в час, а не счёт из твоей практики.
Если ты фармишь, торгуешь или пишешь ботов, практический вывод другой: открытые узкие модели на 10–40 млрд параметров быстро догоняют закрытых гигантов в своих нишах. Мы видели это на примере локальной модели для кода LFM2.5 от Liquid AI, а теперь та же логика пришла в биологию.
FAQ
Сколько стоит модель Carbon-X? Ничего: веса лежат на Hugging Face под Apache 2.0, коммерческое использование разрешено.
Можно ли загрузить в неё свой геном? Нет. Модель принимает фрагменты примерно до 50 тыс. пар оснований, а не целый геном, и не подходит для медицинских выводов.
Нужен ли мощный компьютер? Полная версия рассчитана на одну видеокарту на 80 ГБ, но есть квантованные GGUF-сборки для llama.cpp и Ollama.
Итог: модель Carbon-X — сильный пример того, как маленькая открытая нейросеть закрывает узкую задачу почти на уровне фронтира. Но пока это заявка авторов, а не проверенный инструмент; как быстро открытые модели догоняют лидеров, мы обсуждали и в материале про Muse Spark Open.
Материал не является инвестиционной рекомендацией. Крипта — высокий риск, решения принимаешь сам.
