> For the complete documentation index, see [llms.txt](https://minara.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://minara.ai/docs/minara-handbook/ja/ji-shu/dmind/model-family.md).

# モデルファミリー

DMindは、3世代にわたって7つのオープンソースモデルに加え、DMind Benchmarkデータセットを公開しました。すべての重みは、寛容なライセンスのもとHugging Faceで公開されています。

## DMind-3（2026年、現行世代）

Edge-Local-Cloudスタックとして連携する3つのモデル。参照 [主権アーキテクチャ](/docs/minara-handbook/ja/ji-shu/dmind/sovereign-architecture.md) それらがどのように組み合わさるかについて。

### DMind-3-Nano（270M）

ブラウザ拡張機能、ウォレットアプリ、そしてモバイル上で動作する2億7000万パラメータのモデルです。署名時に決定論的な安全性チェックを行い、calldataを解析し、無制限承認を識別し、不審なパターンにフラグを立てます。完全にオンデバイスで動作し、ネットワークは不要です。標準化された関数呼び出しプロトコルを中心に構築されています。

### DMind-3-Mini（4B）

ユーザーのローカルマシン上で動作する40億パラメータのモデルで、コンシューマー向けGPUや最新のApple Siliconも含まれます。ユーザーのポートフォリオを文脈として用い、非公開の戦略推論と高度な調査を処理します。C³-SFTで学習されています（参照 [学習手法](/docs/minara-handbook/ja/ji-shu/dmind/training-methods.md)）そのため、回答を生成し、自己批評し、最終化する前に修正します。

### DMind-3（21B）

210億パラメータのクラウドモデルです。OpenAIのgpt-oss-20bベースの上に構築され、カスタムTransformerとMulti-Scale RoPE位置エンコーディングにより256kトークンのコンテキストウィンドウを実現しています。ネイティブのBF16/FP16精度。50万件超の精選ドキュメントと数テラバイト規模のオンチェーンデータで学習されています。クラウドまたはプライベートVPCで動作し、ユーザー端末では動作しません。

## DMind-2シリーズ（2025年）

DMind-2は、ツール呼び出しと暗号資産投資分析に重点を置いた移行期の世代でした。DMind-3がこれらを上回っているため、両モデルは現在も使用可能ですが、もはや第一推奨ではありません。

### DMind-2-107B

ツール呼び出し対応の、暗号資産投資分析向け1070億パラメータのフラッグシップモデルです。このモデルは、オンチェーンデータAPI、取引所API、マーケットデータサービスを直接呼び出せます。

### DMind-2-4B

同系列の40億パラメータの軽量版です。小さなフットプリントで、同じ投資分析特化性能を持つローカル展開向けに設計されています。

## DMind-1シリーズ（2025年）

初代であり、オープンウェイトを持つ初の公開Web3ネイティブLLMです。AlibabaのQwen3ベースモデルを基盤に構築され、32.7GBのソース文書から蒸留された13,276件の専門家選定Web3知識項目でファインチューニングされています。

### DMind-1（32B）

オリジナルのWeb3ネイティブLLMです。Qwen3-32Bを基盤に構築されています。2段階で学習されており、まず厳選データセットでLoRAによる教師ありファインチューニングを行い、その後、Web3特化の報酬モデルを用いたPPOによるRLHFを実施しています。Web3タスクでは、はるかに大規模な汎用モデルに匹敵する性能を、トークンコストの10〜30%で実現します。

### DMind-1-mini（14B）

Qwen3-14Bを基盤にした蒸留版で、DMind-1と汎用SOTAモデルの両方を双教師として使用しています。蒸留は3つのレベルで行われます。学生は教師の最終出力、各トークンに対する教師の完全な確率分布、そして教師の中間層表現を学習します。これはシリーズで最もダウンロードされているモデルで、ほとんどのエージェントアプリケーションでは、フラッグシップよりも小型で高速なモデルが必要だからです。

## 一覧

| モデル          | サイズ  | 実行場所            | 主な用途               |
| ------------ | ---- | --------------- | ------------------ |
| DMind-3-Nano | 270M | ブラウザ／ウォレット／モバイル | トランザクションの安全性チェック   |
| DMind-3-Mini | 4B   | ユーザー端末          | 非公開の戦略と調査          |
| DMind-3      | 21B  | クラウド／プライベートVPC  | 市場全体の調査            |
| DMind-2-107B | 107B | クラウド            | ツール呼び出し付きの投資分析     |
| DMind-2-4B   | 4B   | ローカル            | 軽量な投資分析            |
| DMind-1      | 32B  | クラウド            | 初のWeb3ネイティブLLM     |
| DMind-1-mini | 14B  | クラウド／ローカル       | 蒸留されたWeb3エージェントモデル |

7つのモデルすべてとベンチマークデータセットは、以下で利用できます [huggingface.co/DMindAI](https://huggingface.co/DMindAI).


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://minara.ai/docs/minara-handbook/ja/ji-shu/dmind/model-family.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.