Hugging Face 开源 Carbon-X：14.8B 参数 DNA 语言模型，可在聊天中读取原始 DNA

一句话看懂：Hugging Face Bio 于 2026 年 10 月 25 日发布 Carbon-X，一个 14.8B 参数、Apache 2.0 许可的开源 DNA 语言模型，可直接读取原始 DNA 并用英文作答，让基因序列解读第一次能用单张 80GB GPU 私有化运行。

事件核心：发生了什么

Carbon-X 由 Hugging Face 联合中关村学院与 TIGEM / 那不勒斯费德里科二世大学开发，以 Qwen3-14B 为底座，采用单一解码器处理 DNA 与文本混合的单一 token 流，不再另设独立的 DNA 编码器。其混合分词器保留 Qwen3 的 BPE 词表，额外加入 5,515 个 DNA token，其中一个 token 覆盖 6 个碱基对，上下文长度 40,960。

据模型卡，训练分四阶段：约 10B token 的嵌入预热、302B token 的中期训练、SFT，以及基于 TRL 和 vLLM 的异步 GRPO 强化学习。权重以 Apache 2.0 发布，可单卡 bfloat16 部署于 vLLM 或 Transformers，官方 GGUF 量化版本 Q4_K_M 约 9.6GB。

Hugging Face 自报的 5 项 DNA 基准平均得分 66.7%，高于其测试的 Qwen3-14B 和全部开源模型，略低于 GPT-6.1 Sol 的 67.5%；在 BioReason Coding 上以 74.9% 领先，但在 GenomeQA 剪接位点题上只有 29.8%。

为什么重要

此前 DNA 模型多为“只读序列”的专用模型，如 Evo 2 不输出自然语言；通用大模型虽能对话，却不擅长长序列基因数据。Carbon-X 把两类能力放进同一架构，并选择开源权重，意味着实验室可以把敏感序列留在自建 GPU 上，无需上传第三方 API。官方按 H200 每小时 5 美元测算，称其单题推理成本约为 GPT-6.1 Sol 的 1/1800，给 ClinVar 中 240 万个意义未明变异打分的成本约 300 美元。这一定价方式目前公开信息显示仅为 Hugging Face 自报，尚待第三方复现。

对用户/开发者/创作者的影响

对生物信息团队，Carbon-X 提供了可私有部署的“DNA 聊天”入口，能预测变异致病性、标注调控区、识别物种和预测下一位碱基，也可作为子代理被通用模型调用。对开发者，OpenAI 风格工具接口和 Inspect agent 降低了集成门槛。需注意官方要求关闭 thinking 模式，且旧版 llama.cpp 会错误分词 DNA。对普通用户，这类模型不会直接替代临床诊断，其评测成绩也限定在自报的特定基准和任务上。