Hugging Face 开源 Carbon-X：14B 模型把 DNA 当一门语言读
10 月 22 日，Hugging Face 的生物模型团队开源 Carbon-X：一个 14.8B 参数、Apache 2.0 许可的解码器模型，从 Qwen3-14B 出发，中训练阶段喂了 302B token 的 DNA 序列、生物文本与指令数据。与常见的「DNA 专用编码器 + 语言模型」两段式不同，它把 DNA 按不重叠的 6-mer 编进与英文同一个 token 流，一个 DNA token 覆盖 6 个碱基，因此可以直接在对话里贴一段序列问「这个突变是良性还是致病」。上下文 40,960 token，bf16 权重单张 80GB 卡可装，官方 GGUF 最低压到 9.6GB，便于把敏感序列留在本地。
官方在五个 DNA 基准上给出均分 66.7（关闭思考模式）：编码区变异效应 74.9（GPT-6.1 Sol 71.0）、次碱基预测 NextBase 39.4（Sol 32.9）、GenomeQA 63.6、FrontierVEP 70.4、非 SNV 变异 85.1；均分只比 Sol 的 67.5 低 0.8 分，而按官方口径单题推理成本约为后者的千分之一量级。它据此估算：把 ClinVar 里 240 万个意义未明变异全部跑一遍约 300 美元，前沿模型要 3.2 万至 400 万美元。
边界也写得清楚：剪接位点（29.8）与组蛋白修饰（34.6）明显偏弱；训练数据刻意不含病毒；官方承认尚未做湿实验验证、不能用于医疗决策，长序列生成质量下降（它的定位是读与解释，不是设计新序列）。模型由 Hugging Face 与中关村学院、那不勒斯费德里科二世大学合作完成，是 10 月 8 日 1.2B 的 Carbon-A 之后同一家族的第二款发布。
核验记录
发布日期取 WIRED 10-22 报道（称其「周四发布」）与官方仓时间戳：HF 官方仓 createdAt 2026-10-21T10:21Z、lastModified 10-22T09:55Z，GGUF 仓 createdAt 10-21T11:28Z，即权重 10-21 已可下、公告晚一天；官方发布页（HF Space Carbon-X-Release）是静态页、无日期字段，官方博客 feed 888 条里也没有该篇，故卡片 date 取公告日 10-22。全部基准为厂商自测（BioReason、GenomeQA 来自文献，FrontierVEP、NextBase 为官方自建），无第三方复现，湿实验未做。配图取官方模型卡 figures/carbon-x-banner.png，裸请求与带站内 Referer 均 200、PNG 1999×500。