‏Carbon-X: مدلی که DNA می‌خونه و رو سرور خودت اجرا می‌شه

تو این مقاله از MindStudio اومده که Carbon-X یه مدل open-weight (یعنی وزن‌هاش رو دانلود می‌کنی و خودت اجراش می‌کنی) با ۱۴.۸ میلیارد پارامتره که روی Qwen3-14B ساخته شده. Hugging Face Bio اونو هم‌زمان روی متن و DNA آموزش داده و هیچ encoder جدایی برای DNA نداره. یعنی می‌تونی توالی خام رو وسط یه چت معمولی بهش بدی و درباره‌ش سؤال بپرسی. نسخه‌ی bfloat16 کامل روی یه GPU هشتاد گیگی مثل H100 یا H200 جا می‌شه.

برای اجرا کافیه vLLM رو نصب کنی و با vllm serve HuggingFaceBio/Carbon-X --trust-remote-code سرور رو بالا بیاری. فلگ --trust-remote-code لازمه چون tokenizer مدل کد سفارشی داره که تو کتابخونه‌ی Transformers نیست. بعدش یه endpoint سازگار با OpenAI روی localhost:8000 در دسترسه و با همون کلاینت OpenAI صداش می‌زنی. فقط باید enable_thinking رو خاموش بذاری، چون مدل همین‌طوری آموزش دیده و ارزیابی شده:

client = OpenAI(base_url="http://localhost:8000/v1", api_key="EMPTY")
response = client.chat.completions.create(
    model="HuggingFaceBio/Carbon-X",
    messages=[{"role": "user", "content": "What does this sequence encode?\n\nATGGTGCATCTGACTCCTGAGGAGAAGTCTGCCGTT"}],
    extra_body={"chat_template_kwargs": {"enable_thinking": False}},
)

بخش جالبش tokenizer هست. هر رشته‌ای از حداقل ۶ حرف A، C، G و T خودکار تشخیص داده می‌شه، تو تگ dna پیچیده می‌شه و به 6-merهای بدون هم‌پوشانی شکسته می‌شه؛ یعنی هر توکن نماینده‌ی شش باز DNA هست، نه یه کاراکتر. اگه یه 6-mer حرف غیراستاندارد مثل N داشته باشه، کلش یه توکن oov می‌شه، پس بهتره اول توالی رو تمیز کنی. vocabulary کلاً ۱۵۷٬۱۸۴ توکنه که ۵٬۵۱۵ تاش مخصوص DNA هست.

طبق مقاله، Carbon-X با thinking خاموش تو پنج بنچمارک DNA میانگین ۶۶.۷٪ دقت گرفته. این ۲۷ واحد بیشتر از Qwen3-14B و نزدیک به ۶۷.۵٪ مدل GPT-6.1 Sol هست. تو BioReason Coding با ۷۴.۹٪ و NextBase با ۳۹.۴٪ حتی اول شده. ولی عدد اصلی هزینه‌ست: بررسی کل ۲.۴ میلیون variant با اهمیت نامشخص تو ClinVar (یعنی جهش‌هایی که هنوز معلوم نیست بیماری‌زا هستن یا نه) با Carbon-X حدود ۳۰۰ دلار درمیاد، ولی با APIهای بزرگ بین ۳۲ هزار تا ۴ میلیون دلار.

البته همه‌جا بهترین نیست. تو BioReason Non-SNV و FrontierVEP مدل‌های بزرگ‌تری مثل Opus 5.5 و GPT-6.1 Sol جلوترن، context window هم سقفش ۴۰٬۹۶۰ توکنه و GPU هشتاد گیگی هم سخت‌افزار خونگی نیست. نویسنده پیشنهاد می‌کنه Carbon-X رو به‌شکل یه tool تو یه agent بذاری: مدل عمومی گفتگو رو جلو می‌بره و سؤال‌های DNA رو می‌فرسته سمت Carbon-X. یعنی برای کار پرحجم یا داده‌ی حساس، هم هزینه پایین میاد هم داده از سازمان بیرون نمی‌ره.

نکات کلیدی:

• مدل ۱۴.۸ میلیارد پارامتری بر پایه‌ی Qwen3-14B که روی یه GPU هشتاد گیگی در bfloat16 اجرا می‌شه
• اجرا با vLLM و فلگ --trust-remote-code، با endpoint سازگار با OpenAI
• DNA به 6-merهای بدون هم‌پوشانی توکن می‌شه و ۵٬۵۱۵ توکن مخصوص DNA داره
• میانگین ۶۶.۷٪ تو پنج بنچمارک DNA، در برابر ۶۷.۵٪ برای GPT-6.1 Sol
• هزینه‌ی تخمینی ۳۰۰ دلار برای کل ۲.۴ میلیون variant در ClinVar
• thinking باید خاموش بمونه و context window حداکثر ۴۰٬۹۶۰ توکنه