L’équipe biologie de Hugging Face (HuggingFaceBio) a publié le 22 octobre 2026, sous licence Apache 2.0, FineDNA, le corpus qui a servi à entraîner Carbon-X, un modèle de 14,8 milliards de paramètres capable de lire des séquences d’ADN. Carbon-X a été développé à partir de Qwen3-14B, modèle d’Alibaba, avec l’Institut Telethon de génétique et de médecine (TIGEM), l’Université de Naples Frédéric-II et la Zhongguancun Academy.

Le jeu de données compte 514 milliards de jetons, dont 302 milliards effectivement lus à l’entraînement : 55 % d’ADN, 15 % de textes de biologie, 20 % d’anglais courant et 10 % d’instructions. Carbon-X obtient 66,7 % en moyenne sur cinq bancs d’essai. Il n’est pas validé pour un usage clinique.

D’autres équipes peuvent désormais reproduire l’entraînement ou réutiliser le corpus

Source : HuggingFaceBio, fiche du jeu de données FineDNA publiée le 22 octobre 2026 – fiabilité : déclarative