HuggingFace 发布教大模型懂 DNA 的最大数据集

HuggingFace 发布了 FineDNA 数据集。按它自己的说法，这是教任何大模型懂 DNA 的最大数据集。把 Qwen3-14B 训练成 Carbon-X 用的全部数据，都在这份数据集里。

三个部分

FineDNA 按训练阶段切成三块。中训练数据 3000 亿以上 token，内容是基因组和富含 DNA 的文本。SFT 数据约 20 万条对话。RL 数据约 9.8 万条可验证提示。

顺序也清楚：先让模型读 DNA，再让它按指令回答，最后按奖励信号调优。三块拼成一条完整路径。

3000 亿 token 这个量级，和“最大”这个说法是对得上的，尽管官方没说明“最大”是按什么口径比的。

训练出来的模型

用这套数据训出来的是 Carbon-X，底座 Qwen3-14B。HuggingFace 说它是当前 DNA 任务上最强的开源语言模型。

数据集在 HuggingFace 的 HuggingFaceBio/FineDNA 页面，代码在 GitHub 的 huggingface/carbon 仓库。链接都给了，可以直接下载。

代码和配方同样公开，也可以套到别的底座上，不必绑死 Qwen3-14B。

没有说明的部分

数据集里是哪几个物种的基因组，没写。Carbon-X 具体在哪些任务上最强，没列。拿 FineDNA 去训别的模型能不能拿到接近的效果，也没有数据。

许可协议是更大的空白。能不能商用，目前不清楚。对打算把 DNA 模型做成产品的团队来说，这一条比数据集有多大更要紧。

帖子底下只有 5 条讨论。一条在道谢，一条在确认这份数据是否与生物学和特定 DNA 基因组相关。

FineDNA 把进门的第一步变成了下载和微调。数据这一关，HuggingFace 替后来的人做完了。