Hugging Face, 22 Ekim'de Carbon-X'i yayımladı: sohbet mesajına yapıştırılan ham DNA dizisini alıp sade bir İngilizceyle yanıtlayan, 14,8 milyar parametreli açık bir model. Bu varyant iyi huylu mu yoksa patojenik mi? Bu bölge bir güçlendirici mi, yoksa bir promotör mü? Sıradaki baz hangisi — ve az önce kaç bazı yanlış saydınız?
Mesele arayüz değil. Mesele, modeli kimin çalıştırabildiği. Ağırlıklar bfloat16'da tek bir 80 GB GPU'ya sığıyor, lisans Apache 2.0 ve eğitim tarifi ağırlıkların yanında yayımlandı: 302 milyar tokenlık ara eğitim, ardından gözetimli ince ayar ve kodla doğrulanan ödüllerle iki tur GRPO. Yayımlanmamış dizileri elinde tutan bir laboratuvar, artık bir görüş almak için onları bulut API'sine göndermek zorunda değil.
Tek kod çözücü, iki alfabe. Carbon-X, Qwen3-14B'den başlıyor ve sözlüğünü 5.515 DNA tokenıyla genişletiyor. Hibrit tokenizer metin için BPE'yi koruyor, DNA'yı ise üst üste binmeyen 6'lı gruplar (6-mer) hâlinde kodluyor; yani tek bir DNA tokenı altı baz çiftini kapsıyor. Ayrı bir DNA kodlayıcısı yok; dizi ile düz metin aynı token akışını paylaşıyor — bir dizi hakkında doğal dilde soru sorulabilmesini mümkün kılan da bu. En az altı A/C/G/T bazından oluşan aralıklar otomatik olarak algılanıp etiketleniyor.
Rakamlar. Carbon-X, akıl yürütme kapalıyken beş kıyaslamada ortalama %66,7 alıyor:
- Kodlayıcı varyant etkileri (BioReason Coding): 74,9 — GPT-6.1 Sol'un 71,0'ının önünde - Sıradaki baz tahmini: 39,4; GPT-6.1 Sol 32,9 — test edilen bir sınır modeli ise yalnızca 1,1 - Karmaşık SNV dışı varyantlar: 85,1 — Opus 5.5 Max 94,8 ile önde - Tek baz varyant etkileri (FrontierVEP): 70,4 — 76,2'nin gerisinde - Ortalama: 66,7; test edilen en iyi sınır modeli 67,5, bir sonraki ise 60,9
Bu, başladığı Qwen3-14B'nin 27 puan üzerinde ve ekibin değerlendirdiği diğer tüm açık modellerin önünde demek. Ham yetenekte hiçbir zaman kazanmıyor. Kazanana 0,8 puan yaklaşıyor, ama soru başına maliyeti yaklaşık 1.800 kat düşük — çünkü sesli düşünmek yerine doğrudan yanıtlıyor.
Asıl manşet ekonomi. Hugging Face'in tahminine göre ClinVar'daki 2,4 milyon "belirsiz önemde varyant"ı — yani klinik genetiğin, kimsenin sınıflandıramadığı birikmiş kuyruğunu — Carbon-X ile puanlamak yaklaşık 300 dolar tutuyor. Test edilen sınır modelleriyle aynı iş 32.000 ila 4 milyon dolar arasında. Bir satıcının kendi maliyet modelini iskontolasak bile bu, kimsenin yapmadığı bir ön eleme adımı ile rutin bir adım arasındaki fark.
Nerede kırılıyor. GenomeQA'da ekleme bölgesi (splice site) soruları %29,8, histon işaretleri %34,6 — ilkinde yazı tura atmaktan kötü. Model bazları yanlış sayıyor, koordinatları karıştırıyor, uzun dizilerde hatalı düzenlemeler yapıyor; istem yeterli açıklama içermediğinde dizinin kimliğini uyduruyor; uzun DNA üretiminde kalite çöküyor, çünkü model dizileri okumak için eğitildi, tasarlamak için değil. Klinik olarak doğrulanmadı ve tıbbi kararlarda kullanılmamalı. Ayrıca llama.cpp veya herhangi bir GGUF çalışma zamanında çalışmayacak: DNA tokenizer'ı özel Python kodu ve model kartı bunu açıkça söylüyor.
Bağlam burada önemli. Nvidia, eylülde Hugging Face'i yaklaşık 13 milyar dolara satın almayı kabul etti; anlaşmanın 2027'nin ilk yarısında kapanması bekleniyor. Carbon-X ise bir şirket vitrini değil: Zhongguancun Akademisi ile Telethon Genetik Tıp Enstitüsü ve Napoli Federico II Üniversitesi'nin ortak projesi.
Yayın ayrıca kapalı bilim için sert geçen bir sezonun ardından geliyor. Tescilli modeller uzun süredir açık matematik problemlerini, matematikçilere danışmadan ve nasıl çözdüklerini göstermeden çözdüğünde tepki yalnızca kredi paylaşımı değil, doğrulanabilirlikti. Araştırma bilimcisi Lewis Tunstall CNET'e şöyle dedi: "Araştırmacılar, inceleyebilecekleri, uyarlayabilecekleri ve hassas ya da yayımlanmamış dizilerle kendi donanımlarında çalıştırabilecekleri modellere ihtiyaç duyuyor." Tarifi yayımlamak bir nezaket değil, argümanın kendisi.
Neye bakmalı. Üç şeye. Birincisi, birinin bunun üzerine gösteri değil, gerçek bir klinik genetik iş akışı kurup kurmayacağı. İkincisi, "sohbet" çerçevesinin pratikte çalışanlarla temas edip etmeyeceği — onlar çoğunlukla sohbet değil, toplu puanlama ve iyi kalibre edilmiş belirsizlik istiyor. Üçüncüsü, ucuz varyant maliyeti tahmininin kıyaslama düzeneğinin dışında da geçerli olup olmadığı: gerçek diziler daha uzun, daha dağınık ve BioReason'ın dengeli setlerinden çok daha az temiz etiketlenmiş durumda.
