Hugging Face 开源 Carbon-X：基于 Qwen3-14B 用对话分析 DNA

不再错过任何新闻！

Carbon-X：Hugging Face 的新开源模型如何用 DNA 序列聊天

人类遗传物质中的单个变异究竟是无害的，还是会引发严重疾病，这常常让科研人员困惑不已。一种源自软件开发的新方法，如今将这类生物数据与一种不同寻常的接口结合了起来。

新的语言模型能与 DNA 聊天。（图片来源：Shutterstock/vectorfusionart）

美国 AI 公司 Hugging Face 以 Carbon-X 之名发布了一款新的开源语言模型，它能在英语对话中直接解析 DNA 的字母编码。该系统由 Hugging Face 与中国北京中关村学院、意大利 Telethon 遗传与医学研究所以及那不勒斯费德里科二世大学的研究人员共同开发。这一信息来自 Carbon-X 的模型文档。广告广告

研究人员可以在聊天窗口中向这款以自由 Apache-2.0 许可证提供的模型提交基因片段，并用日常语言询问某个特定突变是无害的还是会增加患病风险。据《连线》报道，Hugging Face 高级研究科学家 Lewis Tunstall 表示：“我们为语言模型开辟了一项新能力，其核心就是与 DNA 聊天。”

Carbon-X 如何基于 Qwen3–14B 将遗传密码与语言结合起来

人类语言由单词和句子构成，而作为遗传信息载体的 DNA 则将其编码存储在由四种化学基本单元——即腺嘌呤、胞嘧啶、鸟嘌呤和胸腺嘧啶（缩写为 A、C、G 和 T）——组成的链中。此前的生物学模型，如总部位于伦敦的谷歌子公司 DeepMind 的 AlphaGenome，或由加利福尼亚州帕洛阿尔托的非营利组织 Arc Institute 与美国芯片公司英伟达（位于圣克拉拉）联合开发的 Evo 2，虽然能以计算方式处理这种编码，但并不提供直接的文本对话。广告广告

热门文章

为填补这一空白，开发团队以中国科技集团阿里巴巴的开源语言模型 Qwen3-14B 作为技术基础，并扩展了其词表。所谓混合分词器——即把模型输入拆分为可处理片段的软件模块——会像往常一样切分英语单词，但会将 DNA 链自动归并为每个由六个字母组成的固定块。

随后，研究人员用来自英语专业文献的 3020 亿个文本与基因单元，以及哺乳动物、其他脊椎动物、植物、真菌和单细胞生物的遗传物质对该系统进行了训练。在此过程中，开发者必须把握好训练的剂量，使模型学会遗传物质中的新模式，同时又不覆盖其已有的英语能力。据 Tunstall 向《连线》表示，团队则有意放弃了病毒遗传物质，以防该软件被滥用于设计危险的病原体。

推荐编辑内容

在这里你可以找到来自 TargetVideo GmbH 的外部内容，它们补充了我们在 t3n.de 上的编辑内容。点击“显示内容”即表示你同意我们当前及未来可在我们的页面上向你显示 TargetVideo GmbH 的内容。在此过程中，个人数据可能会被传输至第三方平台。

数据保护提示

很遗憾，出了点问题……

此处通常会显示来自 TargetVideo GmbH 的外部内容，但我们无法获取你的同意设置。

请重新加载页面或手动调整你的同意设置。

与 GPT-6.1 Sol 的对比：为何 Carbon-X 在 ClinVar 分析中能降低成本

在五项用于基因变异分类和后续 DNA 单元预测的测试中，拥有 148 亿参数的 Carbon-X 平均达到了 66.7% 的命中率，比其基础模型 Qwen3-14B 高出 27 个百分点。它由此几乎追平了 AI 领军者 OpenAI 的商用大模型 GPT-6.1 Sol，后者达到 67.5%，而同样位于旧金山的开发商 Anthropic 的 Claude Opus 5.5 达到 60.9%，谷歌的 Gemini 4 Argon 则为 49.8%。

大型语言模型在给出回答前往往会经历漫长的内部推理循环，而Carbon-X则无需这种额外计算开销，直接输出结果，每次查询的成本比GPT-6.1 Sol低约1800倍。例如，如果研究人员想要筛查公共数据库ClinVar中全部240万条健康影响尚不明确的基因突变，使用Carbon-X的计算成本约为300美元。而在所测试的竞争模型中，成本范围则从3.2万美元到400万美元不等。这一范围会有所波动，具体取决于使用的是像DeepSeek V4.1 Flash那样推理量较短的廉价方案，还是像GPT-6.1 Sol那样处于最高推理级别的昂贵模型。广告广告

Carbon-X的本地使用、与Claude Code的对接以及实践中的局限

对于医学研究机构而言，数据保护同样重要，因为患者的敏感或未公开遗传数据不得随意传输至外部云服务器。大型语言模型在数据中心通常至少需要由最多八块各带80GB显存的服务器显卡组成的集群，而Carbon-X在实验室运行中仅需一块这样的显卡，据开发者称，甚至可以在配置相应的笔记本电脑上本地运行。本地使用的限制仅在于特殊的Python分词器，它需要Transformers或VLLM程序，因而排除了Llama.cpp等家用电脑常用工具。

在内容层面，Carbon-X也受到明确限制，因为每次请求最多只能同时覆盖约49000个碱基对——即DNA梯子上彼此相连的横档——因此始终只能分析完整人类基因组60亿个字母中的极小片段。由于语言模型在长字母串中逐位计数时可能数错，或在缺少附加信息时可能凭空编造功能，Hugging Face随附提供了面向Claude Code或Codex CLI等编程代理的现成接口，将计数工作交由经典Python脚本处理。

该软件在判断细胞在哪些位置剪接转录出的基因蓝图，或化学标记如何控制基因是否活跃方面仍不可靠。这两项的命中率分别仅为29.8%和34.6%。此外，据开发者称，Carbon-X的结论既未经临床验证，也未在真实实验室实验中检验，因此该系统仅适用于研究，不得用于医疗决策。

首页