Hugging Face publicó el jueves 22 de octubre Carbon-X, un modelo de inteligencia artificial de código abierto diseñado para comprender y generar secuencias de ADN. Con 14.800 millones de parámetros, el modelo fue desarrollado en colaboración con la Academia Zhongguancun de China y la Universidad de Nápoles Federico II de Italia, y se basa en el Qwen3-14B de Alibaba Cloud.
A diferencia de las herramientas tradicionales de bioinformática, que requieren conocimientos especializados en programación y genómica, Carbon-X opera mediante diálogo en lenguaje natural. Los usuarios pegan una secuencia genética y preguntan si una mutación específica es probable que sea benigna o patógena. El modelo responde con una predicción y explica su razonamiento en términos accesibles. Esta es la capacidad que el equipo de Hugging Face describe como la posibilidad de conversar con el ADN.
El entrenamiento del Carbon-X consistió en 302 mil millones de tokens de datos de ADN, texto biológico e inglés, aprendiendo a leer código genético y lenguaje humano dentro del mismo flujo de tokenización. No existe un codificador separado para ADN. Todo opera a través de un solo decodificador. Las secuencias de ADN dentro de los prompts se detectan y marcan automáticamente con etiquetas que enrutan a un modo de tokenización específico de 6-mers, es decir, fragmentos de seis nucleótidos.
Los resultados en benchmarks son competitivos. En los cinco tests evaluados, que cubren predicción de efecto de variantes, comprensión de secuencias y predicción de próxima base, el Carbon-X alcanzó un promedio de 66,7%. El modelo se sitúa a solo 0,8 puntos porcentuales del GPT-6.1 Sol de OpenAI (67,5%) y lidera en dos tareas específicas: efecto de variantes de codificación (BioReason Coding al 74,9%) y predicción de próxima base (NextBase al 39,4%). En comparación con su modelo base Qwen3-14B, el salto fue de 27 puntos porcentuales.
El contexto de lanzamiento es significativo. Carbon-X salió semanas después de que Nvidia anunciara la adquisición del Hugging Face por aproximadamente 12.900 millones de dólares. Esta es la segunda compra más grande de la compañía, después del acuerdo de 20.000 millones de dólares por los activos de Groq. La transacción debería cerrarse en el primer semestre de 2027. Lewis Tunstall, científico senior de investigación del Hugging Face y figura central en el desarrollo del Carbon-X, dijo a Business Insider que el equipo excluyó deliberadamente virus de los datos de entrenamiento para reducir riesgos de uso indebido, como ingeniería biológica maliciosa.
Hay un aspecto que merece destaque: los pesos del Carbon-X caben en una sola GPU de 80 GB. Esto significa que laboratorios pueden ejecutar el modelo localmente, sin enviar datos sensibles de pacientes a servidores de terceros. El modelo está licenciado bajo Apache 2.0, lo que permite uso comercial y modificación sin las restricciones de licencias más restrictivas.
Pero el Hugging Face fue transparente sobre las limitaciones. La tarjeta del modelo afirma explícitamente que el Carbon-X no fue validado clínicamente y no debe usarse para decisiones médicas. Las predicciones tampoco fueron testeadas en experimentos de laboratorio reales. Tunstall describió el objetivo a largo plazo como el Santo Grial de la medicina personalizada, donde pacientes podrían estudiar sus propios registros médicos y genomas. Pero esto permanece como una visión, no como realidad alcanzada.
Lo que Carbon-X realmente representa es un avance en la frontera entre modelos de lenguaje generalistas y herramientas especializadas en ciencia. En los últimos años, hemos visto LLMs aplicados a química, matemáticas y programación, pero la genómica tiene una característica única: la secuencia de ADN es un código literal, un alfabeto de cuatro letras (A, C, G, T) que puede ser tokenizado y procesado de forma análoga a las palabras humanas. Esta convergencia entre tokenización de texto y tokenización de nucleótidos no es trivial. Es lo que hace posible entrenar un modelo para entender tanto una receta de programación como la secuencia de un gen BRCA2 en el mismo espacio latente.
El modelo forma parte de una familia más amplia de modelos genómicos del Hugging Face. Además del Carbon-X (14,8B), existe el Carbon-3B (500M y 3B parámetros), que según la compañía combate o supera al Evo2 7B, y el Carbon-8B para casos que requieren rendimiento adicional. La empresa también lanzó el repositorio huggingface/carbon en GitHub, con código de evaluación, scripts de benchmark y herramientas de perturbación genética, incluyendo tareas como detección de repeticiones CAG (asociadas a la enfermedad de Huntington) y sustitución de codones sinónimos.
La filosofía detrás del Carbon-X se conecta a un movimiento más amplio del Hugging Face: democratizar el acceso a herramientas de IA que tradicionalmente quedan confinadas a los grandes laboratorios. En lugar de depender de APIs propietarias de OpenAI, Anthropic o Google, investigadores en universidades menores, hospitales públicos o startups de biotech pueden descargar el modelo, ejecutarlo en hardware accesible y mantener el control total sobre los datos. La Nvidia, que está comprando el Hugging Face, prometió que la plataforma continuaría abierta a todos los ecosistemas. Pero el timing no podría ser más simbólico: la primera aplicación científica de peso del Hugging Face bajo la nueva propiedad es precisamente sobre usar IA open-source para acelerar la ciencia genómica.
La pregunta que queda es clara: si un modelo de 14.800 millones de parámetros corriendo en una GPU de consumidor puede analizar secuencias de ADN con precisión cercana a modelos propietarios que cuestan 100 dólares por consulta, ¿cuál será el próximo dominio científico que la IA open-source va a desbloquear?
Fuentes: Wired, Business Insider, The Next Web, Nvidia Blog, Hugging Face
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
