> 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/es/tecnologia/dmind.md).

# DMind

Minara funciona con [DMind](https://dmind.ai/), una organización de investigación de código abierto que desarrolla modelos de lenguaje grandes, puntos de referencia, conjuntos de datos y herramientas para Web3 y las finanzas digitales. Los modelos de DMind manejan las partes nativas de las finanzas de Minara: analizar datos en cadena, razonar sobre protocolos DeFi, evaluar el riesgo en las transacciones y generar investigación de mercado. Estos modelos se combinan con modelos de propósito general como Claude y GPT, que se encargan de las tareas que quedan fuera de las finanzas.

## Por qué un modelo nativo del dominio

Los LLM de propósito general tienen cuatro brechas estructurales en Web3.

El contenido de Web3 está infrarrepresentado en sus datos de entrenamiento, por lo que a menudo inventan respuestas plausibles pero incorrectas sobre protocolos específicos, la mecánica de los contratos o la economía de los tokens. La inferencia solo en la nube obliga a los usuarios a enviar la actividad de la billetera y la intención de negociación a servidores de terceros. Los productos basados en chat no ayudan en el momento en que más importa, que es cuando un usuario firma una transacción. Y los viajes de ida y vuelta por API son demasiado lentos para escenarios sensibles al tiempo como las liquidaciones o la protección MEV.

DMind crea modelos que cierran estas brechas, con pesos y datos de entrenamiento publicados abiertamente para que cualquiera pueda auditarlos.

## Qué ofrece DMind

DMind ha lanzado siete modelos de código abierto a lo largo de tres generaciones, que van desde un modelo de seguridad en el dispositivo de 270 millones de parámetros hasta un modelo de razonamiento en la nube de 21B. Junto con los modelos, DMind publica una suite de evaluación para la comprensión de Web3 (1.917 preguntas revisadas por expertos en 9 subdominios, aceptada en KDD 2026) y un SDK de TypeScript para integrar los modelos de DMind en aplicaciones Web3.

## Cómo DMind impulsa Minara

Minara distribuye el trabajo entre los modelos de DMind según lo que necesita cada tarea.

Los controles de seguridad en el momento de la transacción se ejecutan en un pequeño modelo en el dispositivo (DMind-3-Nano), por lo que funcionan sin un viaje de ida y vuelta por la red. El análisis de estrategias y la investigación privada se ejecutan en un modelo local de 4B (DMind-3-Mini) que razona sobre las posiciones específicas de un usuario sin enviarlas a la nube. La investigación de todo el mercado, el análisis entre cadenas y los informes extensos se ejecutan en el modelo Oracle de 21B en la nube, que tiene una ventana de contexto de 256k y agrega datos globales.

La división no es arbitraria. Es la [arquitectura soberana](/docs/minara-handbook/es/tecnologia/dmind/sovereign-architecture.md) la que define qué se ejecuta dónde, y por qué.

{% hint style="info" %}
La decisión final de aprobar o rechazar una transacción siempre ocurre en el dispositivo del usuario, nunca en la nube. Este es el ancla de seguridad de toda la arquitectura.
{% endhint %}

## Leer a continuación

* [Arquitectura soberana](/docs/minara-handbook/es/tecnologia/dmind/sovereign-architecture.md). El diseño Edge-Local-Cloud detrás de DMind-3 y lo que significa para la privacidad.
* [Familia de modelos](/docs/minara-handbook/es/tecnologia/dmind/model-family.md). Qué hace cada uno de los siete modelos y cuándo se utiliza.
* [Benchmark de DMind](/docs/minara-handbook/es/tecnologia/dmind/benchmark.md). La suite de evaluación de Web3 aceptada en KDD 2026.
* [Métodos de entrenamiento](/docs/minara-handbook/es/tecnologia/dmind/training-methods.md). HPS, C³-SFT y cómo se enseña a los modelos el razonamiento específico de Web3.

## Recursos

* Sitio web: [dmind.ai](https://dmind.ai/)
* GitHub: [github.com/DMindAI](https://github.com/DMindAI)
* Hugging Face: [huggingface.co/DMindAI](https://huggingface.co/DMindAI)
* Artículos: [Benchmark de DMind (arXiv:2504.16116)](https://arxiv.org/abs/2504.16116), [DMind-3 (arXiv:2602.11651)](https://arxiv.org/abs/2602.11651)


---

# 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:

```
GET https://minara.ai/docs/minara-handbook/es/tecnologia/dmind.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
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.