Hugging Face دىن DNA بىلەن «سۆزلىشەلەيدىغان» ئوچۇق مودېل: Carbon-X

سۈنئىي ئەقىل سۇپىسى Hugging Face ئۆكتەبىرنىڭ 22-كۈنى (ئامېرىكا ۋاقتى، پەيشەنبە) Carbon-X ناملىق يېڭى ئوچۇق مودېلنى ئېلان قىلدى. بۇ مودېل DNA تىزمىلىرى (DNA sequences) ۋە ئادەتتىكى تىل تېكىستى بىلەن بىرلىكتە مەشىقلەندۈرۈلگەن. ئىشلەتكۈچى پاراڭ (chat) ئىچىگە خام DNA نى چاپلاپ، ئىنگلىزچە سوئال سورىسا، مودېل ئىنگلىزچە جاۋاب بېرىدۇ. Hugging Face نىڭ يۇقىرى دەرىجىلىك تەتقىقاتچىسى Lewis Tunstall بۇنى «DNA بىلەن پاراڭلىشىش» دەپ تەرىپلىدى. مودېل جۇڭگۇەنسۈن ئاكادېمىيىسى (Zhongguancun Academy) ۋە ئىتالىيەدىكى ناپولى Federico II ئۇنىۋېرسىتېتى تەتقىقاتچىلىرى بىلەن ھەمكارلىشىپ ياسالغان.

Carbon-X نېمە قىلالايدۇ؟

مودېل كارتىسى (model card) غا قارىغاندا، Carbon-X تۆۋەندىكى ۋەزىپىلەرنى ئورۇندىيالايدۇ:

• بىر ئۆزگىرىش (mutation) نىڭ زىيانسىز (benign) ياكى كېسەللىك پەيدا قىلىدىغان (pathogenic) ئىكەنلىكىنى پەرەز قىلىش؛
• گېن پائالىيىتىنى كونترول قىلىدىغان رايونلارنى بايقاش؛
• تىزمىلارنى جانلىقلار گۇرۇپپىسى بويىچە تۈرگە ئايرىش؛
• تىزمىنىڭ كېيىنكى ئاساسلىرىنى (bases) پەرەز قىلىش ۋە ئۆز پىكرىنى چۈشەندۈرۈش.

WIRED نىڭ خەۋىرىچە، تەتقىقاتچىلار بۇنىڭدىن دورا ۋە گېن داۋالاش ئۇسۇللىرىنى لايىھەلەشتە پايدىلىنالايدۇ. ئۆزگىرىشنىڭ زىيانلىق ياكى زىيانسىز ئىكەنلىكىنى ئايرىش نىشانلىق داۋالاشنىڭ مۇھىم بىر قەدىمى.

تېخنىكىلىق تەپسىلاتلار

• پارامېتىر: 14.8 مىليارد، يالغۇز دېكودېر (decoder-only) قۇرۇلمىسى. ئاساسى Qwen3-14B مودېلى.
• توكېنلاشتۇرغۇچ (tokenizer): تېكىست ئۈچۈن BPE لۇغىتى ساقلانغان، DNA بولسا ئالتە ھەرپتىن گۇرۇپپىلىنىپ (6-mer) ئوقۇلىدۇ. ئايرىم DNA كودلىغۇچى (encoder) يوق.
• مەشىق: DNA، بىئولوگىيە تېكىستى ۋە ئىنگلىزچە سانلىق مەلۇماتتىن ئىبارەت 302 مىليارد توكېن ئۈستىدە داۋاملىق مەشىق، ئاندىن نازارەتلىك تەڭشەش (supervised fine-tuning) ۋە كۈچەيتىلگەن ئۆگىنىش (reinforcement learning).
• مەزمۇن كۆزنىكى (context window): 40,960 توكېن. ئىنسان گېنومىنى پۈتۈنلەي يۈكلىگىلى بولمايدۇ، پەقەت كىچىك بۆلەكلىرىنىلا سورىغىلى بولىدۇ.
• ئىجازەتنامە: Apache 2.0.

WIRED نىڭ يېزىشىچە، تەتقىقات ئەترىتى خەتەرلىك ئىشلىتىلىشنىڭ ئالدىنى ئېلىش ئۈچۈن مودېلنى ۋىرۇس (virus) DNA سى بىلەن مەشىقلەندۈرمىگەن.

نەتىجە ۋە تەننەرخ

Hugging Face نىڭ ئېيتىشىچە، Carbon-X بەش DNA سىنىقى (benchmark) دا ئوتتۇرا ھېساب بىلەن 66.7% نومۇر ئالغان. بۇ ئاساسىي مودېل Qwen3-14B دىن 27 نومۇر يۇقىرى بولۇپ، باھالانغان باشقا ئوچۇق مودېللارنىڭ ھەممىسىدىن ئالدىدا. ئۇ GPT-6.1 Sol (67.5%) غا يېقىن، ئەمما ھەر بىر مەسىلىگە كېتىدىغان چىقىمى تەخمىنەن 1,800 ھەسسە ئاز. ئەترەتنىڭ مۆلچەرىچە، ClinVar ساندانىدىكى ئەھمىيىتى ئېنىق بولمىغان 2.4 مىليون ئۆزگىرىشنى تەھلىل قىلىش Carbon-X بىلەن تەخمىنەن 300 دوللارغا چۈشىدۇ؛ سېلىشتۇرۇلغان ئالدىنقى قاتاردىكى مودېللار بىلەن بولسا 32 مىڭ دوللاردىن 4 مىليون دوللارغىچە كېتىدۇ.

نېمە ئۈچۈن يەرلىك ئىجرا مۇھىم؟

گېنېتىك سانلىق مەلۇمات ئىنتايىن مەخپىي بولغاچقا، ئەترەت قەستەن كىچىكرەك مودېل ياسىغان. مودېل ئېغىرلىقلىرى bfloat16 فورماتىدا بىرلا 80 GB لىق GPU غا پاتىدۇ، شۇڭا تەتقىقاتچىلار سانلىق مەلۇماتنى ئۆز مۇلازىمېتىرىدا ساقلىيالايدۇ. llama.cpp ئۈچۈن GGUF نەشرلىرىمۇ تارقىتىلغان، ئەڭ كىچىكى Q4_K_M تەخمىنەن 9.6 GB.

ئاگاھلاندۇرۇش

ياسىغۇچىلار Carbon-X نىڭ كلىنىكىلىق جەھەتتىن دەلىللەنمىگەنلىكىنى (not clinically validated)، داۋالاش قارارى چىقىرىشقا ئىشلىتىشكە بولمايدىغانلىقىنى ئەسكەرتتى. WIRED نىڭ يېزىشىچە، مودېل تېخى تەجرىبىخانا سىنىقىدىن ئۆتكۈزۈلمىگەچكە، پەرەزلىرىنىڭ قانچىلىك توغرا ئىكەنلىكىنى ھازىرچە ئېيتقىلى بولمايدۇ. مودېل يەنە ئاساسلارنى خاتا ساناش ياكى تىزمىنىڭ كىملىكىنى ئويدۇرۇپ چىقىرىش (hallucination) قاتارلىق خاتالىقلارنى سادىر قىلىشى مۇمكىن.