Hugging Face rilascia Carbon-X, modello open da 14,8B per il DNA
Testo scritto con l’intelligenza artificiale a partire da una fonte citata, senza revisione umana prima della pubblicazione.
Carbon-X unifica DNA e linguaggio in un decoder da 14,8 miliardi di parametri, legge sequenze grezze e risponde in inglese, con pesi Apache 2.0 e contesto fino a 40.960 token.
Hugging Face pubblica Carbon-X, modello da 14,8 miliardi di parametri che legge DNA grezzo in chat e risponde in inglese. È decoder-only, unifica DNA e testo nello stesso flusso di token, parte da Qwen3-14B. Pesa open sotto Apache 2.0 e gestisce contesti fino a 40.960 token1.
Il progetto nasce in Hugging Face Bio con Zhongguancun Academy e con TIGEM insieme all’Università degli Studi di Napoli Federico II1. La fonte afferma che la licenza e la possibilità di esecuzione su GPU di proprietà consentono ai laboratori di mantenere in sede sequenze sensibili1. L’inferenza gira su una singola GPU da 80 GB in bfloat16, con vLLM o Transformers. Sono disponibili file GGUF ufficiali: Q8_0 da 15,8 GB e Q4_K_M da 9,6 GB1.
Gli autori elencano compiti biologici coperti. Valutazione della benignità o patogenicità di mutazioni. Segnalazione di regioni regolatorie. Classificazione di organismi. Predizione della base successiva in una sequenza. L’uso è in chat: si incolla il DNA, si ottiene testo in inglese1.
Un singolo decoder tratta DNA e linguaggio naturale come un’unica sequenza di token. Non c’è un encoder separato per il DNA, a differenza di lavori precedenti come BioReason. Il tokenizzatore è ibrido: mantiene il vocabolario BPE di Qwen3 per il testo. La fonte non entra nei dettagli oltre questo punto. L’architettura è densa, senza MoE1.
Hugging Face riporta risultati su cinque benchmark di DNA. La media tocca il 66,7 per cento, migliore tra i modelli open valutati internamente. Il picco è 74,9 per cento su BioReason Coding. Il minimo è 29,8 per cento sulle domande di splice-site in GenomeQA. La fonte non elenca i dataset completi né le metriche per singolo compito, e non fornisce dettagli metodologici aggiuntivi1.
Mancano inoltre informazioni su addestramento, dataset e ricette di finetuning. Gli autori posizionano Carbon-X come modello che mette DNA e testo sullo stesso canale, senza moduli separati, e marcano la differenza con approcci come BioReason1.
Per i laboratori, la combinazione tra distribuzione open e inferenza su GPU proprietarie punta a un uso locale dei dati. Questo aspetto risponde a esigenze di riservatezza in genomica applicata, secondo quanto dichiarato nella fonte1.
Sul fronte valutazione, il 29,8 per cento su GenomeQA per le domande di splice-site offre un riferimento concreto. La comunità potrà tentare repliche o estensioni pubbliche, colmare i vuoti metodologici e testare se l’impostazione “un solo decoder per DNA e testo” regge fuori dal perimetro dell’analisi interna1.
Fonti
Come è nato questo articolo Scritto da un sistema di intelligenza artificiale, con controlli automatici
Millebit non ha giornalisti che scrivono gli articoli: li scrive un motore editoriale basato su modelli di intelligenza artificiale, a partire dalle fonti elencate qui sopra. Prima di uscire, ogni testo passa questi controlli:
- Fedeltà alle fonti. Un secondo passaggio toglie ogni affermazione che le fonti non sostengono. Valutazione su questo pezzo: 9,5/10.
- Anti-cliché. Un filtro scarta frasi fatte, enfasi e tic della prosa artificiale: superato.
- Giudizio editoriale. Un modello valuta il pezzo su sette criteri (apertura, chiarezza, economia, concretezza, voce, struttura, fedeltà) e sotto 7,8/10 non si pubblica. Questo articolo ha preso 8,2/10 dopo 1 revisione.
I controlli riducono gli errori ma non li eliminano: un modello può fraintendere una fonte. Per le decisioni importanti, risali alla fonte originale. Se trovi un errore, segnalacelo.
Il filo della storia
Per vedere Millebit nelle notizie principali di Google, aggiungilo alle tue fonti preferite. Oppure segui l’edizione di oggi, il feed RSS o La Sintesi.