HuggingFaceBio發表Carbon-X：14.8B參數DNA與自然語言共用模型，DNA基準平均66.7%接近GPT-6.1 Sol

HuggingFaceBio發表開源模型Carbon-X，參數量14.8B，以Qwen3-14B為基礎，在DNA序列與自然語言文字上聯合訓練。模型可在一般對話中直接輸入原始DNA，以英文回答，任務包括預測突變為良性或致病、辨識調控基因活性的區域、依生物類群分類序列、預測後續鹼基，並說明推理過程。回應可同時包含DNA與自然語言。 架構上，DNA與文字共用同一個解碼器與單一token串流，不另設DNA編碼器。混合式tokenizer對文字沿用Qwen3的BPE詞表，對DNA則以不重疊的6-mer編碼，每個DNA token涵蓋6個鹼基對，另有5,515個DNA相關token（4,096個6-mer、1,364個處理長度非6倍數的尾端token，以及標記用的特殊符號）。上下文視窗為40,960 tokens。訓練流程為302B tokens的DNA、生物學文本、英文與指令資料中期訓練，接著進行監督式微調與以可驗證獎勵為基礎的強化學習。 在涵蓋變異效應預測、序列理解與下一鹼基預測的五項DNA基準上，Carbon-X在關閉思考模式下平均達66.7%，比其起始模型Qwen3-14B高27個百分點，並領先所有受測的其他開源模型。與GPT-6.1 Sol（67.5%）相近，單題推論成本約為其1/1,800。在編碼區變異效應與下一鹼基預測兩項上，它領先所有受測模型。由於模型直接作答、不進行長篇推理，每題輸出token很少。作者估計分析ClinVar中240萬筆意義不明變異（VUS）的成本約300美元，相較之下前沿模型約需3.2萬至400萬美元。 權重在單張80 GB GPU上以bfloat16即可載入，研究者可把敏感或未發表的序列留在自有基礎設施上執行。模型支援vLLM單卡推論，並已釋出GGUF版本於Hugging Face，可用llama.cpp在本機執行。 ⚠️ 來源分歧：推論成本差距，主要報導標示約為GPT-6.1 Sol的1/1,800，補充報導則寫約低1,000倍；另補充報導稱「matches」GPT-6.1 Sol，主要報導則為「接近」（66.7% vs 67.5%）。