拿到一个真核基因组组装后，很多团队会先问：能不能直接用AI找蛋白编码基因？2026年10月发布的Carbon-Annotator（Carbon-A）给出了很有吸引力的答案：一个1.2B参数检查点，覆盖哺乳动物、其他脊椎动物、无脊椎动物、植物、真菌和原生生物六大类群，直接从DNA序列预测CDS。
但“模型权重只有4.6GB”不等于“普通显卡就能稳跑”。Carbon-A每个窗口读取98,304 bp，转成16,384个6-mer token；官方模型卡特别提醒，如果硬件或PyTorch没有使用融合SDPA内核，注意力矩阵会额外需要超过32GB显存。真正的部署问题，不是下载模型，而是把GPU内核、窗口批量、主机内存和后处理串成可重复的注释流程。
先看数字：它为什么值得关注
论文在42个真核基因组上比较了AUGUSTUS、Helixer、Tiberius、ANNEVO、OrionGeno、SegmentNT和NTv3等方法。Carbon-A总体核苷酸水平宏平均F1为0.944，并给每个预测基因输出置信度；该置信度区分“结构与参考完全匹配”和“不完全匹配”的汇总AUROC为0.876。
更大的规模来自Carbon Annotation Database：作者对48,167个组装、22,617个分类单元、合计27.18 Tbp序列运行模型，得到5.6634亿个预测蛋白编码位点。这说明AI注释已经不是单个小样本演示，而是会迅速进入批量基因组、数据库重注释和下游蛋白筛选场景。
| 部署判断项 | 官方可核验信息 | 对项目的直接影响 |
|---|---|---|
| 模型规模 | 1.2B参数，权重约4.6GB | 权重大小只是显存预算的起点 |
| 单次上下文 | 16,384 token，即98,304 bp | 长染色体会被切窗并重叠计算 |
| 窗口重叠 | 1,024 token，即6,144 bp | 降低边界问题，但增加推理量 |
| 内核风险 | 未用融合SDPA时，注意力矩阵额外占用超过32GB显存 | “能加载”不等于“能完整推理” |
| 输出 | GFF、CDS/蛋白FASTA、逐碱基概率与基因置信度 | 还要规划存储、质控和版本追踪 |
| 已测硬件 | 官方功能检查使用NVIDIA H100、BF16 | 其他显卡应先做小规模实测 |
为什么服务器比工作站更稳
第一，显存峰值不只由参数量决定。模型加载、激活值、16,384×16,384长序列注意力、批量大小和后处理网络都会占资源。官方流程支持通过--gpu-count控制可见GPU；减小batch可以省显存，但官方推理指南也指出，batch变化可能让单碱基概率产生轻微差异。因此项目需要固定模型版本、软件版本、精度和batch，而不是在不同机器上“哪里空闲跑哪里”。
第二，GPU之外还有主机内存与磁盘。流程会生成逐碱基概率Parquet、GFF、CDS和蛋白FASTA；大染色体的逐碱基数组必须在主机侧处理。几十个组装并行时，临时文件、模型缓存、输入压缩包和BUSCO质控结果很容易把本地盘塞满。服务器可以把高速临时盘、归档盘和结果目录分开，并为多样本设置队列，避免一个任务抢光资源。
第三，环境一致性决定结果能否复现。Carbon-A要求Linux、Python 3.10+、CUDA版PyTorch和C++/OpenMP编译环境。内核没有走到预期的融合路径，可能不是慢一点，而是直接多出数十GB显存需求。固定容器或锁定环境、记录GPU型号和提交参数，往往比反复处理OOM更省时间。
配置时还要把“单样本能跑”和“整批按时跑完”分开。单个组装只占用一张卡，不代表十个组装可以在同一目录同时启动；模型缓存、概率文件和后处理会叠加争用内存与磁盘带宽。建议把基准结果换算成三个指标：每Gbp推理时间、每Gbp临时空间、单任务峰值显存，然后用样本总碱基数估算队列长度。若最长染色体明显大于基准，主机内存要单独留余量；若大量序列短于100 kb，还应先决定是否修改默认过滤条件，否则“完成”后才发现不少contig没有进入结果。
对于多GPU服务器，也不应只看GPU数量。官方流程默认使用所有可见GPU，也可以显式限定数量；生产环境最好让调度器为每个任务绑定设备，并限制CPU线程和临时目录，防止多个样本互相挤占。首轮基准需要保存命令、模型revision、输入文件校验值和日志。这样后续更换显卡或升级PyTorch时，才能判断差异来自生物学输入、模型版本还是计算内核。
可执行的三步部署法
不要一开始就把全部物种送入队列。更稳的做法是先选一个公开或可复现的小型真核基因组做基准，记录权重下载、峰值显存、峰值内存、总耗时和输出体积；再用项目中的一个代表性组装测试非标准碱基比例、染色体长度和遗传密码表；最后才按测得的吞吐量规划并行数。
bash Carbon-A-1.2B/annotation_pipeline/run_annotation.sh \
--input genome.fna.gz --gpu-count 1 --batch-size 1
跑完至少检查四件事：是否出现WARNINGS.txt；短于默认100,000 bp的记录是否被跳过；置信度阈值0.1是否适合当前用途；GFF与BUSCO、转录本或同源蛋白证据是否一致。官方流程默认不自动运行参考注释评估或BUSCO，不能把“命令完成”当成“注释可信”。
适用边界：它不是功能注释，也不是最终真值
Carbon-A针对真核蛋白编码基因结构，不适用于细菌和病毒。模型输出的CDS、外显子边界和置信度，不能直接回答蛋白功能、致病性或调控机制；可变剪接、短序列记录、含大量N的区域和特殊遗传密码仍需单独核查。论文中的0.944是特定42个组装上的宏平均结果，不代表你的物种一定达到同样精度。
它更适合作为缺少近缘证据时的统一候选注释层，随后与RNA-seq/Iso-Seq、同源蛋白、BUSCO和人工审查交叉验证。已有成熟参考注释的物种，也应把Carbon-A作为补充或复核，而不是无条件覆盖原注释。
先做基准，再决定租算力还是委托交付
如果你准备在Carbon-A上跑一个或一批真核基因组，可先整理：组装数量与总碱基数、最长染色体、物种类群、是否有特殊遗传密码、现有GPU型号与显存、希望保留的输出及时间要求。云生信可以先协助判断环境、显存、主机内存、存储和并行策略，再分别确认三种范围：在云生信服务器上部署并交接环境、租用算力自行运行，或委托完成约定范围的注释与质控。三种方式的交付内容和费用需分别确认。
