Hugging Face hat am 22. Oktober Carbon-X veröffentlicht: ein offenes Modell mit 14,8 Milliarden Parametern, das rohe, in eine Chatnachricht eingefügte DNA entgegennimmt und in schlichtem Englisch beantwortet. Ist diese Variante gutartig oder pathogen? Ist diese Region ein Enhancer oder ein Promotor? Welche Base kommt als nächste – und wie viele Basen haben Sie gerade falsch gezählt?
Es geht nicht um die Oberfläche. Es geht darum, wer das Modell laufen lassen darf. Die Gewichte passen in bfloat16 auf eine einzelne 80-GB-GPU, die Lizenz ist Apache 2.0, und das Trainingsrezept liegt neben den Gewichten: 302 Milliarden Token Mid-Training, danach überwachtes Feintuning und zwei Runden GRPO mit codegeprüften Verifiern. Ein Labor mit unveröffentlichten Sequenzen muss sie nicht länger an eine Cloud-API schicken, um eine Einschätzung zu bekommen.
Ein Decoder, zwei Alphabete. Carbon-X startet von Qwen3-14B und erweitert dessen Vokabular um 5.515 DNA-Token. Ein hybrider Tokenizer behält BPE für Text und kodiert DNA als überlappungsfreie 6-mere – ein DNA-Token deckt also sechs Basenpaare ab. Einen separaten DNA-Encoder gibt es nicht; Sequenz und Prosa teilen sich einen Tokenstrom, und genau das macht natürlichsprachige Fragen zu einer Sequenz überhaupt möglich. Abschnitte mit mindestens sechs A/C/G/T-Basen werden automatisch erkannt und markiert.
Die Zahlen. Über fünf Benchmarks erreicht Carbon-X mit abgeschaltetem Reasoning im Schnitt 66,7 Prozent:
- Kodierende Varianteneffekte (BioReason Coding): 74,9 – vor GPT-6.1 Sol mit 71,0 - Vorhersage der nächsten Base: 39,4 gegenüber 32,9 bei GPT-6.1 Sol – und 1,1 bei einem mitgetesteten Frontier-Modell - Komplexe Nicht-SNV-Varianten: 85,1, hinter Opus 5.5 Max mit 94,8 - Einzelbasen-Varianteneffekte (FrontierVEP): 70,4, hinter 76,2 - Durchschnitt: 66,7 – das beste getestete Frontier-Modell liegt bei 67,5, das nächste bei 60,9
Das sind 27 Punkte mehr als beim Ausgangsmodell Qwen3-14B und mehr als bei jedem anderen offenen Modell, das das Team evaluiert hat. Bei reiner Leistungsfähigkeit gewinnt es nie. Es kommt bis auf 0,8 Punkte an den Sieger heran und verbraucht dabei rund 1/1.800 der Kosten pro Aufgabe, weil es direkt antwortet, statt laut zu denken.
Die Ökonomie ist die eigentliche Schlagzeile. Hugging Face schätzt, dass die Bewertung der 2,4 Millionen Varianten unklarer Signifikanz in ClinVar – der aufgelaufene Rückstand der klinischen Genetik, Varianten, die niemand derzeit klassifizieren kann – mit Carbon-X etwa 300 Dollar kostet. Mit den getesteten Frontier-Modellen kostet dieselbe Arbeit 32.000 bis 4 Millionen Dollar. Selbst wenn man das Kostenmodell eines Anbieters discountet: Das ist der Unterschied zwischen einem Triageschritt, den niemand durchführt, und einem Routinevorgang.
Wo es bricht. Splice-Site-Fragen landen bei 29,8 Prozent, Histonmarkierungen bei 34,6 Prozent auf GenomeQA – beim ersten Wert schlechter als ein Münzwurf. Das Modell verzählt Basen, verwechselt Koordinaten und macht fehlerhafte Bearbeitungen in langen Sequenzen; es erfindet die Identität einer Sequenz, wenn dem Prompt die Annotation fehlt; bei der Erzeugung langer DNA bricht die Qualität ein, weil es darauf trainiert wurde, Sequenzen zu lesen, nicht sie zu entwerfen. Es ist nicht klinisch validiert und sollte nicht für medizinische Entscheidungen verwendet werden. Und es läuft nicht unter llama.cpp oder einer anderen GGUF-Runtime: Der DNA-Tokenizer ist eigener Python-Code, und die Modellkarte sagt das ausdrücklich.
Der Kontext zählt hier. Nvidia hat im September zugestimmt, Hugging Face für rund 13 Milliarden Dollar zu kaufen; der Abschluss wird in der ersten Hälfte von 2027 erwartet. Carbon-X ist jedoch kein Schaufensterstück des Konzerns, sondern ein Gemeinschaftsprojekt mit der Zhongguancun Academy sowie dem Telethon Institute of Genetics and Medicine und der Universität Neapel Federico II.
Die Veröffentlichung fällt zudem in eine raue Saison für geschlossene Wissenschaft. Als proprietäre Modelle lange offene Mathematikprobleme lösten, ohne die Mathematiker zu konsultieren oder ihren Lösungsweg zu zeigen, ging es in der Kritik um Nachprüfbarkeit ebenso wie um Urheberschaft. „Forschende brauchen Modelle, die sie studieren, anpassen und mit sensiblen oder unveröffentlichten Sequenzen auf ihrer eigenen Hardware betreiben können“, sagte der Forschungs scientist Lewis Tunstall gegenüber CNET. Das Rezept zu veröffentlichen ist kein Entgegenkommen, sondern das Argument selbst.
Worauf zu achten ist. Auf drei Dinge. Erstens, ob jemand darauf einen echten klinisch-genetischen Workflow baut statt einer Demo. Zweitens, ob der Chat-Rahmen den Kontakt mit der Praxis übersteht – die Praxis will meist Batch-Bewertung und gut kalibrierte Unsicherheit, kein Gespräch. Und drittens, ob die Schätzung der niedrigen Variantenkosten außerhalb eines Benchmark-Harness hält, wo echte Sequenzen länger, unordentlicher und weit weniger sauber etikettiert sind als die balancierten Sets von BioReason.
