Les laboratoires Frontier Labs développent les capacités en intelligence artificielle pour la biologie, mais ils empêchent les bonnes personnes (scientifiques, universités, organisations non lucratives, agences de santé,...) d’y utiliser, d’étudier et de comprendre ces technologies grâce à des limites étroites et généralisées, que les mauvaises personnes peuvent facilement contourner (je me suis bloqué pour corriger ce tweet, par exemple 😅).
Cela entraînera automatiquement une asymétrie et des risques massifs au cours des prochaines années, tout comme en matière de cybersécurité, surtout maintenant que les laboratoires de frontière construisent des laboratoires humides (scénario de cybersécurité pour la biologie, quand ?).
C’est pour cette raison que nous avons créé Carbon-X, le meilleur modèle de ADN open-source, en cours de formation Qwen3-14B sur 300B tokens de ADN, d’anglais et de données intercalées. Nous avons également utilisé un tokenizer hybride qui tokenise l’anglais avec BPE et l’ADN avec un tokenizer de 6 mots.
En conséquence, Carbon-X surpasse tous les modèles de langage ouverts que nous avons évalués sur cinq benchmarks de compréhension et de génération de données ADN. Cela représente une amélioration de 27 points par rapport à Qwen3-14B, montrant à quel point un modèle de langage peut progresser grâce à l’entraînement sur des données ADN. Il atteint également le niveau de frontière de l’API, avec un coût 1 800 fois inférieur à celui de GPT 6.1 Sol!
Nous espérons que Carbon-X aidera les chercheurs à explorer l’ADN de nouvelles manières. Le fait de le rendre public permettra à n’importe qui d’étudier ses capacités, ses limites et ses risques. Faisons en sorte que la frontière de la biologie par l’IA devienne open source, afin qu’elle soit sûre et utile pour le monde entier (et non seulement pour quelques entreprises).
Modèle Apache 2.0 sur @huggingface : https://huggingface.co/HuggingFaceBio/Carbon-X