> 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/model-family.md). # 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 trabajan juntos como la pila Edge-Local-Cloud. Vea [Arquitectura soberana](/docs/minara-handbook/es/tecnologia/dmind/sovereign-architecture.md) para ver cómo encajan entre sí. ### DMind-3-Nano (270M) Un modelo de 270 millones de parámetros que se ejecuta en extensiones del navegador, aplicaciones de monedero y en dispositivos móviles. Realiza comprobaciones de seguridad deterministas en el momento de la firma, analizando calldata, identificando aprobaciones ilimitadas y marcando 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 4.000 millones de parámetros que se ejecuta en la máquina local del usuario, incluidas las GPU de consumo y los silicios Apple recientes. Gestiona el razonamiento privado de estrategia y la investigación profunda utilizando la cartera del usuario como contexto. Entrenado con C³-SFT (véase [Métodos de entrenamiento](/docs/minara-handbook/es/tecnologia/dmind/training-methods.md)) para que genere una respuesta, la critique a sí mismo y la revise antes de finalizar. ### DMind-3 (21B) El modelo en la nube de 21.000 millones de parámetros. Construido sobre la base gpt-oss-20b de OpenAI, con un Transformer personalizado y codificación de posición Multi-Scale RoPE para una ventana de contexto de 256.000 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 de los usuarios. ## Serie DMind-2 (2025) DMind-2 fue la generación de transición, centrada en llamadas a herramientas y análisis de inversiones en cripto. Ambos modelos aún son utilizables, pero ya no son la recomendación principal, ya que DMind-3 los supera. ### DMind-2-107B Un modelo insignia de 107.000 millones de parámetros para análisis de inversiones en cripto con compatibilidad para llamadas a 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 4.000 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. Construido sobre los modelos base Qwen3 de Alibaba, ajustado con 13.276 elementos de conocimiento Web3 seleccionados por expertos y destilados a partir de 32,7 GB de documentos fuente. ### DMind-1 (32B) El LLM nativo de Web3 original. Construido sobre Qwen3-32B. Entrenado en dos etapas: ajuste fino supervisado con LoRA sobre el conjunto de datos seleccionado, y luego RLHF con PPO usando un modelo de recompensa específico de Web3. En tareas de Web3 iguala el rendimiento de modelos de propósito general mucho más grandes con un coste en tokens del 10–30%. ### DMind-1-mini (14B) Una versión destilada construida sobre Qwen3-14B, utilizando tanto DMind-1 como un modelo general SOTA como dos maestros. La destilación funciona en tres niveles. El estudiante aprende los resultados finales del maestro, la distribución completa de probabilidad 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 modelo 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 privada e investigación | | DMind-3 | 21B | Nube / VPC privada | Investigación de todo el mercado | | DMind-2-107B | 107B | Nube | Análisis de inversiones con llamadas a herramientas | | DMind-2-4B | 4B | Local | Análisis de inversiones ligero | | DMind-1 | 32B | Nube | 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 referencia, están disponibles en [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: ``` GET https://minara.ai/docs/minara-handbook/es/tecnologia/dmind/model-family.md?ask= ``` 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.