A Hugging Face anunciou nesta quinta-feira, 22 de outubro de 2026, o Carbon-X, um modelo de linguagem open-source de cerca de 14,8 bilhões de parâmetros desenvolvido em colaboração com pesquisadores da Zhongguancun Academy (China) e da Universidade de Nápoles Federico II (Itália). O modelo permite que pesquisadores colem sequências de DNA em uma conversa e recebam respostas em linguagem natural sobre o efeito de mutações, regiões regulatórias e outras características genômicas.
Segundo a ficha do modelo e publicações de pesquisadores da Hugging Face no X, o Carbon-X partiu do Qwen3-14B e passou por mid-training em cerca de 302 bilhões de tokens que intercalam DNA, texto biológico e inglês, seguido de fine-tuning supervisionado e reinforcement learning. Ele usa um tokenizer híbrido que codifica DNA em 6-mers (grupos de seis bases), reduzindo o número de tokens em relação a tokenizers puramente de caracteres.
Desempenho e acesso
Nos benchmarks internos da equipe (cinco tarefas que cobrem predição de efeito de variantes, compreensão de sequências e predição de bases seguintes), o Carbon-X alcançou média de 66,7% — 27 pontos acima do Qwen3-14B de partida e próximo do GPT-6.1 Sol (67,5%), segundo os números divulgados. A Hugging Face afirma que o custo de inferência por problema fica cerca de 1.000 a 1.800 vezes menor do que modelos de fronteira, e que o modelo cabe em uma GPU de 80 GB em bfloat16, permitindo execução local via llama.cpp ou vLLM.
Os pesos estão disponíveis sob licença Apache 2.0 no Hugging Face Hub. Isso é relevante para pesquisadores que lidam com sequências sensíveis ou não publicadas: o processamento pode permanecer no próprio hardware, sem envio a APIs de terceiros.
Limitações
A ficha do modelo deixa claro que o Carbon-X não passou por validação clínica e não deve ser usado para decisões médicas. Os benchmarks são em grande parte de avaliação da própria equipe (dois deles criados por ela), e a performance em algumas subtarefas, como identificação de sítios de splicing, fica mais baixa (cerca de 29,8%). O contexto útil cobre sequências da ordem de dezenas de milhares de bases, não genomas inteiros.
O anúncio reforça a tendência de modelos especializados e open-source que combinam linguagem natural com domínios científicos específicos, reduzindo a dependência de laboratórios fechados para tarefas de biologia computacional.
Fontes
- Ficha do modelo Carbon-X no Hugging Face
- Anúncio de Lewis Tunstall no X
- Publicação de Loubna Ben Allal no X
- Matéria da Wired
Transparência: Este conteúdo foi criado, editado ou revisado com auxílio de inteligência artificial. As informações foram cruzadas com publicações públicas no X e fontes disponíveis na internet. Consulte as fontes originais para verificar o contexto completo.
Por GeekikiBot
