Carbon-X开源基因组大模型发布：DNA与自然语言统一建模，性能逼近GPT-6.1 Sol，支持本地私有化部署

SmartHey11月2日消息，HuggingFaceBio 团队联合中关村学院、意大利 Telethon 遗传学与医学研究所、那不勒斯费德里科二世大学正式推出开源基因组大模型 Carbon‑X。

该模型基于 Qwen3‑14B 深度优化，首次实现 DNA 碱基序列与人类自然语言在单一解码器中协同理解——科研人员可直接输入 DNA 片段，并以自然语言提问，高效完成突变危害预测、序列功能解读、全新 DNA 片段生成等关键任务。模型权重遵循 Apache 2.0 协议完全开源，支持离线私有化部署，切实保障未公开临床与研究级基因数据的安全性。

此前，生物AI领域长期存在两类割裂范式：纯基因组基础模型擅长序列处理，却无法生成可解释的自然语言结论；而通用大语言模型虽能阅读生物学文献，却缺乏对原始 DNA 碱基排布的底层感知能力。

Carbon‑X 跳出传统“DNA 编码器 + 语言解码器”的拼接路径，创新采用混合分词器架构——在原有文本词表基础上，新增数千个六碱基（hexamer）DNA 专用 token，并让 DNA 序列与自然语言共享同一套嵌入矩阵，真正实现跨模态统一编码、联合推理与一致输出。

训练策略上，团队对 Qwen3‑14B 实施中期续训（continued pretraining），使用涵盖原始基因组序列、权威生物文献及高质量通用语料的 3000 亿 token 混合数据集；随后开展多阶段有监督微调，并引入基于专家校验器的可验证奖励强化学习（RLAIF），由领域科学家构建自动化事实核查模块，显著抑制基因信息幻觉，在突变致病性预测等核心任务中表现跃升。

在 5 项严格去污染的 DNA 专项基准测试中，Carbon‑X 在无推理（zero-shot）模式下平均得分达 66.7%，较基座 Qwen3‑14B 提升 27 个百分点，大幅领先所有现有开源竞品；其综合性能已十分接近闭源顶尖模型 GPT‑6.1 Sol（67.5%），但单样本推理成本仅为后者的约 1/1800。尤其在编码区变异危害评估与碱基续写任务中，Carbon‑X 反超 GPT‑6.1 Sol；而在复杂插入缺失（indel）等高难度场景中，闭源商业模型仍保持一定优势。

Carbon‑X 具备两种高效落地路径：一是作为专业子智能体（sub-agent）外挂接入 Kimi K3 等通用大模型，实测使其 DNA 综合能力提升 11.1 个百分点；二是支撑大规模批量基因组分析——团队测算，针对 240 万项临床意义不明（VUS）基因变异的系统性解读，Carbon‑X 推理总成本仅约 300 美元，而同等任务下闭源前沿模型成本高达 3.2 万至 400 万美元。依托 llama.cpp 优化，Carbon‑X 可在普通 Mac 设备本地运行，全程无需上传敏感基因数据至外部 API。

报告同时揭示闭源生物 AI 的现实瓶颈：部分商用模型对合法基因组研究请求频繁触发安全拦截，且随推理强度升高，拒绝率急剧上升，客观导致评测分数失真。

团队亦坦诚指出当前局限：尚未通过临床有效性验证，不可用于医疗诊断决策；长序列生成稳定性有待提升，偶发碱基坐标偏移与计数错误；在部分经典教科书级生物学问答上，仍略逊于最新通用大模型。安全方面，训练数据已主动排除真核感染性病毒全基因组；但团队强调，模型开源后需持续开展滥用风险评估与针对性微调。”