Hugging Face publicou na quinta-feira (22) o Carbon-X, um modelo de inteligência artificial open-source projetado para entender e gerar sequências de DNA. Com 14,8 bilhões de parâmetros, o modelo foi desenvolvido em colaboração com o Zhongguancun Academy, na China, e a Universidade de Nápoles Federico II, na Itália, e é baseado no Qwen3-14B da Alibaba Cloud.
Diferente de ferramentas tradicionais de bioinformática, que exigem conhecimento especializado em programação e genômica, o Carbon-X opera por meio de diálogo em linguagem natural. O usuário cola uma sequência genética e pergunta se uma mutáção específica é provável de ser benigna ou patogênica. O modelo responde com uma previsão e explica seu raciocínio em palavras acessíveis. Esta é a capacidade que a equipe do Hugging Face descreve como a possibilidade de conversar com DNA.
O treinamento do Carbon-X consistiu em 302 bilhões de tokens de dados de DNA, texto biológico e inglês, com o modelo aprendendo a ler código genético e linguagem humana no mesmo fluxo de tokenização. Não existe um codificador separado para DNA. Tudo opera em um único decoder. A sequência de DNA dentro do prompt é detectada e marcada automaticamente com tags que roteam para um modo de tokenização específico de 6-mers, ou seja, fragmentos de seis nucleotídeos.
Os resultados em benchmarks são competitivos. Nos cinco testes avaliados, que cobrem predição de efeito de variantes, compreensão de sequências e previsão de próxima base, o Carbon-X alcançou média de 66,7%. O modelo fica a apenas 0,8 ponto percentual do GPT-6.1 Sol da OpenAI (67,5%) e lidera em duas tarefas específicas: efeito de variantes de codificação (BioReason Coding, 74,9%) e previsão de próxima base (NextBase, 39,4%). Em comparação ao modelo base Qwen3-14B, o salto foi de 27 pontos.
O contexto de lançamento é significativo. O Carbon-X saiu semanas depois da Nvidia anunciar a aquisição do Hugging Face por cerca de US$ 12,9 bilhões. Esta é a segunda maior compra da empresa, atrás apenas dos ativos da Gro por US$ 20 bilhões. A transação deve ser concluída no primeiro semestre de 2027. Lewis Tunstall, cientista sênior de pesquisa do Hugging Face e figura central no desenvolvimento do Carbon-X, disse ao Business Insider que a equipe excluiu deliberadamente vírus dos dados de treinamento para reduzir riscos de uso indevido, como engenharia biológica maliciosa.
Há um aspecto que merece destaque: os pesos do Carbon-X cabem em uma única GPU de 80 GB. Isso significa que laboratórios podem executar o modelo localmente, sem enviar dados sensíveis de pacientes para servidores de terceiros. O modelo está licenciado sob Apache 2.0, o que permite uso comercial e modificação sem as restrições de licenças mais restritivas.
Mas o Hugging Face foi honesto sobre as limitações. O modelo card afirma explicitamente que o Carbon-X não foi validado clinicamente e não deve ser usado para decisões médicas. As previsões também não foram testadas em experimentos de laboratório reais. Tunstall descreveu o objetivo de longo prazo como o Santo Graal da medicina personalizada, onde pacientes poderiam estudar seus próprios registros médicos e genomas. Mas isso permanece como uma visão, não como realidade alcançada.
O que o Carbon-X realmente representa é um avanço na fronteira entre modelos de linguagem generalistas e ferramentas especializadas em ciência. Nos últimos anos, vimos LLMs aplicados a química, matemática e programação, mas a genômica tem uma caracterização única: a sequência de DNA é um código literal, um alfabeto de quatro letras (A, C, G, T) que pode ser tokenizado e processado de forma análoga a palavras humanas. Essa convergência entre tokenização de texto e tokenização de nucleotídeos não é trivial. É o que torna possível treinar um modelo para entender tanto uma receita de programação quanto a sequência de um gene BRCA2 no mesmo espaço latente.
O modelo faz parte de uma família mais ampla de modelos genômicos do Hugging Face. Além do Carbon-X (14,8B), existe o Carbon-3B (500M e 3B parâmetros), que segundo a empresa combate ou supera o Evo2 7B, e o Carbon-8B para casos que exigem performance adicional. A empresa também lançou o repositório huggingface/carbon no GitHub, com código de avaliação, scripts de benchmark e ferramentas de perturbação genética, incluindo tarefas como detecção de repetições CAG (associadas à doença de Huntington) e substituição de códons sinônimos.
A filosofia por trás do Carbon-X se conecta a um movimento mais amplo do Hugging Face: democratizar o acesso a ferramentas de IA que tradicionalmente ficam restritas aos grandes laboratórios. Em vez de depender de APIs proprietárias da OpenAI, Anthropic ou Google, pesquisadores que trabalham em universidades menores, hospitais públicos ou startups de biotech podem baixar o modelo, executá-lo em hardware acessível e manter o controle total sobre os dados. A Nvidia, que está comprando o Hugging Face, prometeu que a plataforma continuará aberta a todos os ecossistemas. Mas o timing não poderia ser mais simbólico: a primeira grande aplicação científica de peso do Hugging Face sob a nova propriedade é justamente sobre usar IA open-source para acelerar a ciência genômica.
A pergunta que fica: se um modelo de 14 bilhões de parâmetros rodando em uma GPU de consumidor pode analisar sequências de DNA com precisão próxima a modelos proprietários de US$ 100 por consulta, qual será o próximo domínio científico que a IA open-source vai desbloquear?
Fontes: Wired, Business Insider, The Next Web, Nvidia Blog, Hugging Face
✓ Fontes independentes cruzadas e verificadas antes da publicação
