Familia de modelos

DMind ha lanzado siete modelos de código abierto a lo largo de tres generaciones, además del conjunto de datos DMind Benchmark. Todos los pesos son públicos en Hugging Face bajo licencias permisivas.

DMind-3 (2026, generación actual)

Tres modelos que funcionan juntos como la pila Borde-Local-Nube. Véase Arquitectura soberana para ver cómo encajan.

DMind-3-Nano (270M)

Un modelo de 270 millones de parámetros que funciona en extensiones del navegador, apps de monedero y en móvil. Realiza comprobaciones de seguridad deterministas en el momento de la firma, analiza calldata, identifica aprobaciones ilimitadas y señala patrones sospechosos. Totalmente en el dispositivo, no requiere red. Construido en torno a un protocolo estandarizado de llamada a funciones.

DMind-3-Mini (4B)

Un modelo de 4 mil millones de parámetros que funciona en la máquina local del usuario, incluidas las GPU de consumo y los chips Apple recientes. Maneja el razonamiento privado de estrategia y la investigación profunda usando la cartera del usuario como contexto. Entrenado con C³-SFT (véase Métodos de entrenamiento) para que genere una respuesta, se critique a sí mismo y la revise antes de finalizar.

DMind-3 (21B)

El modelo en la nube de 21 mil millones de parámetros. Basado en la base gpt-oss-20b de OpenAI, con un Transformer personalizado y codificación posicional Multi-Scale RoPE para una ventana de contexto de 256k tokens. Precisión nativa BF16/FP16. Entrenado con más de 500.000 documentos seleccionados y datos en cadena de varios terabytes. Se ejecuta en la nube o en una VPC privada, no en los dispositivos del usuario.

Serie DMind-2 (2025)

DMind-2 fue la generación de transición, centrada en la llamada de herramientas y el análisis de inversiones en criptomonedas. Ambos modelos aún pueden usarse, pero ya no son la recomendación principal, ya que DMind-3 los supera.

DMind-2-107B

Un buque insignia de 107 mil millones de parámetros para el análisis de inversiones en criptomonedas con soporte para llamada de herramientas. El modelo puede llamar directamente a APIs de datos en cadena, APIs de exchanges y servicios de datos de mercado.

DMind-2-4B

Una versión ligera de 4 mil millones de parámetros de la misma familia. Diseñada para implementación local con la misma especialización en análisis de inversiones en un formato más compacto.

Serie DMind-1 (2025)

La primera generación, y el primer LLM nativo de Web3 lanzado públicamente con pesos abiertos. Basado en los modelos base Qwen3 de Alibaba, ajustado finamente con 13.276 elementos de conocimiento Web3 curados por expertos, destilados de 32,7 GB de documentos fuente.

DMind-1 (32B)

El LLM nativo de Web3 original. Basado en Qwen3-32B. Entrenado en dos etapas: ajuste fino supervisado con LoRA sobre el conjunto de datos curado, y luego RLHF con PPO usando un modelo de recompensa específico para Web3. En tareas de Web3 iguala el rendimiento de modelos de propósito general mucho más grandes con un coste de tokens del 10–30%.

DMind-1-mini (14B)

Una versión destilada basada en Qwen3-14B, usando tanto DMind-1 como un modelo general SOTA como dos maestros. La destilación funciona en tres niveles. El estudiante aprende las salidas finales del maestro, la distribución de probabilidad completa del maestro sobre cada token y las representaciones de las capas intermedias del maestro. Este es el modelo más descargado de la familia, porque la mayoría de las aplicaciones de agentes necesitan un modelo pequeño y rápido en lugar de un buque insignia.

De un vistazo

Modelo	Tamaño	Dónde se ejecuta	Uso principal
DMind-3-Nano	270M	Navegador / monedero / móvil	Comprobaciones de seguridad de transacciones
DMind-3-Mini	4B	Dispositivo del usuario	Estrategia e investigación privadas
DMind-3	21B	Nube / VPC privada	Investigación a escala de mercado
DMind-2-107B	107B	Cloud	Análisis de inversiones con llamadas a herramientas
DMind-2-4B	4B	Local	Análisis de inversiones ligero
DMind-1	32B	Cloud	Primer LLM nativo de Web3
DMind-1-mini	14B	Nube / local	Modelo de agente Web3 destilado

Los siete modelos, además del conjunto de datos de benchmark, están disponibles en huggingface.co/DMindAI.