Le fait
Le 22 octobre 2026, Hugging Face a publié Carbon-X, un modèle de langage ouvert (licence Apache 2.0) capable de lire de l’ADN au milieu d’une conversation ordinaire et de répondre en anglais. Il a été développé avec la Zhongguancun Academy (Chine) et l’Institut Telethon de génétique et de médecine / Université de Naples Frédéric-II (Italie).
Comment il fonctionne
- 14,8 milliards de paramètres, à partir de Qwen3-14B.
- Un tokeniseur hybride : le texte garde son vocabulaire habituel, l’ADN est découpé en blocs de six lettres (6-mers), dans un seul et même flux.
- 302 milliards de tokens d’entraînement intermédiaire mêlant ADN (mammifères, autres vertébrés, invertébrés, plantes, champignons, protozoaires), textes de biologie, anglais et instructions, puis réglage fin et apprentissage par renforcement.
- Une fenêtre de 40 960 tokens, soit des fragments d’environ 50 000 paires de bases : impossible de soumettre un génome entier.
Selon Wired, l’équipe a volontairement exclu les virus des données d’entraînement pour limiter les usages dangereux.
Les performances revendiquées
Sur cinq benchmarks (effet des variants, compréhension de séquences, prédiction des bases suivantes), Carbon-X obtient 66,7 % en moyenne selon Hugging Face, soit 27 points de plus que Qwen3-14B et près de GPT-6.1 Sol (67,5 %), pour environ 1/1 800 du coût d’inférence par problème. L’équipe estime qu’analyser les 2,4 millions de variants « de signification incertaine » de la base ClinVar coûterait environ 300 dollars avec Carbon-X, contre 32 000 dollars à 4 millions avec les modèles de pointe testés. Le modèle reste faible sur les sites d’épissage et les marques d’histones.
Local, mais pas sur n’importe quelle machine
Les poids tiennent sur un seul GPU de 80 Go en bfloat16, ce qui permet de garder des séquences sensibles sur sa propre infrastructure. Wired évoque un usage possible sur ordinateur portable ; la fiche officielle, elle, mentionne un GPU de 80 Go et précise que les environnements GGUF comme llama.cpp ne sont pas pris en charge à cause du tokeniseur spécifique.
Les limites affichées
Hugging Face prévient : Carbon-X n’est pas validé cliniquement et ne doit pas servir à des décisions médicales. Il n’a pas non plus été confronté à des expériences en laboratoire, il peut se tromper dans le comptage des bases ou inventer la fonction d’une séquence.
Lecture Neurone21
Carbon-X montre une voie intéressante pour l’IA scientifique : des modèles spécialisés, ouverts et assez compacts pour respecter la confidentialité des données génétiques. Pour les laboratoires et biotechs européens, c’est un outil de recherche à tester, pas un outil de diagnostic.