HuggingFaceBio 开源 FineDNA：3000 亿 token 的 DNA+文本数据集，公开 Carbon-X 全配方

_lewtun · x · 2026-11-02

Hugging Face 生物团队万圣节放出了 FineDNA 数据集合集——这是 DNA 理解模型 Carbon-X 背后的完整训练数据，包含超过 3000 亿 token 的 DNA 与文本，并附 mid-training、SFT 和 RL 子集，训练配方也已在 GitHub 公开。

合集内还包括 Carbon-X 全家桶：15B 参数的 Carbon-X-Base(基于 Qwen3-14B 在 FineDNA 上 mid-train)、SFT 版本、Carbon 标注数据库、mid-training 评测和纯 DNA benchmark，号称是目前最强的开源 DNA 理解模型。对 AI for Science 研究者是难得的全开源套件。