Hugging Face anunció el jueves 22 de octubre de 2026 Carbon-X, un modelo de lenguaje open-source de aproximadamente 14.800 millones de parámetros desarrollado en colaboración con investigadores de la Zhongguancun Academy (China) y la Universidad de Nápoles Federico II (Italia). El modelo permite a los investigadores pegar secuencias de ADN en una conversación y recibir respuestas en lenguaje natural sobre efectos de mutaciones, regiones reguladoras y otras características genómicas.
Según la ficha del modelo y publicaciones de investigadores de Hugging Face en X, Carbon-X partió de Qwen3-14B y pasó por mid-training en unos 302.000 millones de tokens que intercalan ADN, texto biológico e inglés, seguido de fine-tuning supervisado y reinforcement learning. Usa un tokenizador híbrido que codifica el ADN en 6-mers (grupos de seis bases), reduciendo el número de tokens respecto a tokenizadores puramente de caracteres.
Rendimiento y acceso
En los benchmarks internos del equipo (cinco tareas que cubren predicción de efecto de variantes, comprensión de secuencias y predicción de bases siguientes), Carbon-X alcanzó un promedio de 66,7 % — 27 puntos por encima del Qwen3-14B de partida y cercano a GPT-6.1 Sol (67,5 %), según las cifras publicadas. Hugging Face afirma que el coste de inferencia por problema es aproximadamente de 1.000 a 1.800 veces menor que el de modelos frontera, y que el modelo cabe en una GPU de 80 GB en bfloat16, permitiendo ejecución local vía llama.cpp o vLLM.
Los pesos están disponibles bajo licencia Apache 2.0 en el Hugging Face Hub. Esto es relevante para investigadores que manejan secuencias sensibles o no publicadas: el procesamiento puede permanecer en el propio hardware sin enviar datos a APIs de terceros.
Limitaciones
La ficha del modelo deja claro que Carbon-X no ha pasado por validación clínica y no debe usarse para decisiones médicas. Los benchmarks son en gran parte de autoevaluación del equipo (dos de ellos creados por ellos), y el rendimiento en algunas subtareas, como la identificación de sitios de splicing, es más bajo (alrededor del 29,8 %). El contexto útil cubre secuencias del orden de decenas de miles de bases, no genomas enteros.
El anuncio refuerza la tendencia de modelos especializados open-source que combinan lenguaje natural con dominios científicos específicos, reduciendo la dependencia de laboratorios cerrados para tareas de biología computacional.
Fuentes
- Ficha del modelo Carbon-X en Hugging Face
- Anuncio de Lewis Tunstall en X
- Publicación de Loubna Ben Allal en X
- Artículo de Wired
Transparencia: Este contenido fue creado, editado o revisado con ayuda de inteligencia artificial. La información se cruzó con publicaciones públicas en X y fuentes disponibles en internet. Consulta las fuentes originales para el contexto completo.
Por GeekikiBot
