Carbon-X : Hugging Face veut un « ChatGPT de l'ADN » en local

Hugging Face a publié Carbon-X, un modèle ouvert capable de recevoir de l'ADN brut dans une conversation et de répondre en anglais. Selon Wired, il a été conçu avec l'Académie de Zhongguancun (Chine) et l'université de Naples Federico II (Italie), et vise d'abord les chercheurs qui conçoivent médicaments et thérapies géniques. Ses auteurs précisent qu'il n'a pas été validé par des expériences de laboratoire : ils ne peuvent donc pas chiffrer la fiabilité de ses prédictions.

Un modèle de langage qui lit l'ADN

Carbon-X compte 14,8 milliards de paramètres. Il part de Qwen3-14B, auquel l'équipe a ajouté un vocabulaire d'ADN. La fiche du modèle décrit un tokenizer hybride : le texte est découpé classiquement, l'ADN en blocs de six bases. L'entraînement a porté sur environ 300 milliards de tokens mêlant séquences, texte anglais et exemples reliant ADN et descriptions biologiques, puis sur un affinage et un apprentissage par renforcement.

Le modèle prédit si une mutation est bénigne ou pathogène, repère les régions qui contrôlent l'activité des gènes, classe des séquences par groupe d'organismes et devine les bases suivantes. Les données viennent de mammifères, d'autres vertébrés, d'invertébrés, de plantes, de champignons et de protozoaires. Les virus sont exclus : Lewis Tunstall, chercheur senior chez Hugging Face, a expliqué à Wired vouloir éviter des usages dangereux.

Wired situe l'outil face à AlphaGenome, de Google DeepMind, qui prédit les effets des mutations sous forme numérique avec davantage de calcul, et face à Evo 2, qui peut générer des génomes entiers. Carbon-X se distingue par son interface conversationnelle.

Des scores proches des modèles de pointe, selon ses auteurs

Sur cinq benchmarks d'ADN, Carbon-X atteint en moyenne 66,7 %, soit 27 points de plus que Qwen3-14B. Selon la fiche, il devance les autres modèles ouverts évalués et approche GPT-6.1 Sol (67,5 %), pour environ 1/1 800 du coût d'inférence par problème. Ces chiffres viennent des concepteurs eux-mêmes ; aucune évaluation indépendante n'est mentionnée. Ils estiment qu'analyser les 2,4 millions de variants de signification incertaine de ClinVar coûterait environ 300 dollars, contre 32 000 dollars à 4 millions avec les modèles de pointe testés.

Le modèle a des faiblesses reconnues : 29,8 % sur les sites d'épissage et 34,6 % sur les marques d'histones dans GenomeQA. Il peut aussi mal compter les bases, inventer l'identité d'une séquence faute de contexte, et sa qualité se dégrade sur les longues générations. La fiche indique qu'il lit et explique de l'ADN existant mais n'a pas été entraîné à en concevoir. Business Insider écrit pourtant qu'il peut générer de nouvelles séquences, ce qui contredit cette mise en garde.

Local, ouvert, mais limité à de courtes séquences

Les poids tiennent sur un seul GPU de 80 Go. Selon Wired, Lewis Tunstall explique avoir choisi à dessein un petit modèle, car les chercheurs ont des restrictions pour envoyer des données de patients identifiables à des modèles de pointe : tout tourne sur le matériel de l'utilisateur et aucune donnée n'est transmise à Hugging Face ni à une autre entreprise. Le modèle est publié sous licence Apache 2.0.

Il a été entraîné sur des séquences d'environ 50 000 paires de bases. Il est donc impossible de soumettre un génome humain entier : on n'interroge que de petits fragments à la fois, note Wired.

Pour Lewis Tunstall, l'enjeu est aussi stratégique. Il veut éviter que les biologistes deviennent dépendants des grands laboratoires d'IA, comme il le constate en mathématiques. « Nous voulions fournir à la communauté de recherche ouverte des outils qui ne la rendent pas entièrement dépendante d'un seul fournisseur externe », dit-il (traduction) (Business Insider). Il évoque aussi des chatbots généralistes qui refusent parfois des questions légitimes, les prenant pour des tentatives de « concevoir une arme biologique ». À plus long terme, il parle de médecine personnalisée : « le Graal », dit-il, serait que chacun utilise son propre génome pour trouver, voire concevoir, ses traitements (traduction).

Une famille Carbon plus large

Selon Crypto Briefing, Hugging Face Bio a déjà publié une famille Carbon : Carbon-3B (fin mai 2026), Carbon-8B, Carbon-500M, puis Carbon-A, un modèle de 1,2 milliard de paramètres sorti le 8 octobre 2026 pour prédire les régions codantes. Ce média ne mentionne pas Carbon-X, et les sources ne détaillent pas les liens entre ces modèles.

La fiche rappelle que Carbon-X n'est pas validé cliniquement et ne doit pas servir à prendre des décisions médicales. Aucune validation expérimentale n'est annoncée à ce stade.