Carbon-X একটি ফ্রি ও ওপেন-সোর্স মডেল প্রদান করে যা ক্রুড DNA-কে সাধারণ ইংরেজিতে রূপান্তরিত করে, ফলে ল্যাবগুলি গোপনীয় ডেটা ব্যক্তিগতভাবে প্রক্রিয়া করতে পারে এবং জিনোমিক বিশ্লেষণকে সহজলভ্য করে তোলে।
এআই দিয়ে তৈরি সারাংশ। প্রেক্ষাপট ও নির্ভুলতার জন্য মূল প্রতিবেদন দেখুন।
উৎসের অংশবিশেষ
এটি ফিডে পাওয়া অংশবিশেষ। এটি সংক্ষিপ্ত বা প্রকাশকের মূল ভাষায় হতে পারে।
Hugging Face has released Carbon-X, an open DNA language model with 14.8B parameters. Carbon-X is a decoder-only model from Hugging Face Bio. It reads raw DNA in a chat and answers in English. It predicts whether mutations are benign or pathogenic, flags regulatory regions, classifies organisms and predicts next bases. The weights ship under Apache 2.0, so labs can keep sensitive sequences on their own GPUs. Hugging Face built it with Zhongguancun Academy and TIGEM / University of Naples Federico II. TL;DR Size: 14.8B parameters (dense, no MoE), 40,960-token context. Runs on: 1 x 80 GB GPU in bfloat16 via vLLM or Transformers. Official GGUF: Q8_0 is 15.8 GB, Q4_K_M is 9.6 GB. Performance: 66.7% average on 5 DNA benchmarks, best of every open model tested (self-reported). Best: 74.9% on BioReason Coding, ahead of every model tested, open or closed. Worst: 29.8% on GenomeQA splice-site questions. What is Carbon-X and how does it work? Carbon-X starts from Qwen3-14B. DNA and text share 1 token stream in 1 decoder. There is no separate DNA encoder, unlike earlier work such as BioReason. The key structure piece is a hybrid tokenizer. It keeps Qwen3’s BPE vocabulary for text and adds 5,515 DNA tokens. These include 4,096 non-overlapping 6-mers, 1,364 tail tokens and 3 markers. One DNA token covers 6 base pairs. DNA runs of 6 or more A/C/G/T bases are tagged automatically. The backbone is a standard Qwen3 stack. It has 40 layers, hidden size 5120 and GQA with 8 KV heads. How was Carbon-X trained? Training ran in four stages, per the model card: Embedding warmup: about 10B tokens with the transformer frozen, so only the new DNA embeddings learn. Mid-training: 302B tokens at 8,192 sequence length. The mix is 55% raw DNA, 20% English, 15% biology text and 10% instruction data. SFT: 3 epochs over 20 dataset subsets, with responses checked by deterministic verifiers built with domain experts. RL: asynchronous GRPO with verifiable rewards over 2 rounds, using TRL
অগ্রাধিকার সম্পর্কে
উৎসের বিশ্বাসযোগ্যতা, শব্দ ও সত্তার ভিত্তিতে ১–১২ স্কেলে স্বয়ংক্রিয়ভাবে সাজানোর সহায়ক। উচ্চ: ৯–১২; মাঝারি: ৬–৮; নিম্ন: ১–৫। এটি জরুরিতা বা খবরের সত্যতা নির্ধারণ করে না এবং সম্পাদকীয় অনুমোদন নয়।
ন্যানবেইজ ৪.৩-৩৩বি একটি গুরুত্বপূর্ণ ওপেন-সোর্স রিলিজ, কারণ এটি এজেন্টিক কোডিং এবং লং-কনটেক্সট টাস্কের জন্য বিশেষভাবে অপ্টিমাইজড, উচ্চ-পারফর্মিং, Apache 2.0 লাইসেন্সযুক্ত একটি ৩৩বি মডেল প্রদান করে।
টোকেনগেট নির্ভুলতা হ্রাস না করে দীর্ঘ-সংবাদের এলএলএম প্রসেসিং ১১.৩ গুণ পর্যন্ত ত্বরান্বিত করে, যা বৃহৎ-স্কেলের অ্যাপ্লিকেশনের জন্য লেটেন্সি এবং মেমোরি ব্যবহার উল্লেখযোগ্যভাবে কমায়।
অ্যানথ্রোপিকের ফ্রি AI স্ক্যানারটি ওপেন-সোর্স কোডে গুরুত্বপূর্ণ ভুলনারেবিলিটি দ্রুত শনাক্ত করে, তবে ট্রিয়েজের দায়িত্ব সরাসরি প্রজেক্ট মেইনটেইনারদের ওপর ফেলে দেয়।