Los Frontier Labs están avanzando las capacidades de la IA para la biología, pero impiden que los buenos (científicos, academia, organizaciones sin fines de lucro, agencias de salud,...) la utilicen, estudien y comprendan ella, con barreras amplias pero superficiales que los malos pueden superar fácilmente (me bloquearon, por ejemplo, para revisar este tweet 😅).
Esto creará automáticamente una asimetría y riesgos masivos en los próximos años, al igual que en ciberseguridad, especialmente ahora que los laboratorios de vanguardia están construyendo laboratorios húmedos (¿cuándo será el escenario de ciberseguridad para biología?).
Por esta razón, creamos Carbon-X, el mejor modelo de ADN de código abierto, mediante el entrenamiento de Qwen3-14B en 300B tokens de ADN, inglés y datos intercalados. También utilizamos un tokenizer híbrido que tokeniza el inglés con BPE y el ADN con un tokenizer de 6 caracteres.
Como resultado, Carbon-X supera a todos los modelos de lenguaje abiertos que evaluamos en cinco puntos de referencia de comprensión y generación de ADN. Esto representa una mejora de 27 puntos respecto a Qwen3-14B, lo que demuestra cuánto puede ganar un modelo de lenguaje con el entrenamiento en ADN. También se encuentra en el nivel de frontera de la API, con un coste 1,800 veces menor que GPT 6.1 Sol.
Esperamos que Carbon-X ayude a los investigadores a explorar el ADN de maneras nuevas. Su divulgación abierta significa que cualquiera puede estudiar sus capacidades, limitaciones y riesgos. Hagamos que la frontera de la biología artificial sea de código abierto, para que sea segura e impactante para todo el mundo (no solo para unas pocas empresas).
Modelo Apache 2.0 en @huggingface: https://huggingface.co/HuggingFaceBio/Carbon-X