> 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/ko/technology/dmind/model-family.md). # 모델 패밀리 DMind는 세 세대에 걸쳐 일곱 개의 오픈소스 모델과 DMind Benchmark 데이터셋을 공개했습니다. 모든 가중치는 허용적 라이선스 하에 Hugging Face에 공개되어 있습니다. ## DMind-3 (2026, 현재 세대) Edge-Local-Cloud 스택으로 함께 작동하는 세 개의 모델입니다. 자세한 내용은 [주권적 아키텍처](/docs/minara-handbook/ko/technology/dmind/sovereign-architecture.md) 이들이 어떻게 맞물리는지 ### DMind-3-Nano (270M) 브라우저 확장 프로그램, 지갑 앱, 모바일에서 실행되는 2억 7천만 파라미터 모델입니다. 서명 시점에 결정론적 안전성 검사를 수행하며, calldata를 파싱하고, 무제한 승인을 식별하고, 의심스러운 패턴을 표시합니다. 완전히 기기 내에서 동작하며 네트워크가 필요하지 않습니다. 표준화된 함수 호출 프로토콜을 기반으로 설계되었습니다. ### DMind-3-Mini (4B) 사용자의 로컬 머신에서 실행되는 40억 파라미터 모델로, 소비자용 GPU와 최신 Apple 실리콘을 포함합니다. 사용자의 포트폴리오를 맥락으로 활용해 비공개 전략 추론과 심층 리서치를 처리합니다. C³-SFT로 학습되었으며(see [학습 방법](/docs/minara-handbook/ko/technology/dmind/training-methods.md)) 따라서 답변을 생성하고, 스스로 비평한 뒤, 최종 확정 전에 수정합니다. ### DMind-3 (21B) 210억 파라미터의 클라우드 모델입니다. OpenAI의 gpt-oss-20b 기반 위에 구축되었으며, 256k 토큰 컨텍스트 윈도우를 위해 맞춤형 Transformer와 Multi-Scale RoPE 위치 인코딩을 사용합니다. 기본 BF16/FP16 정밀도. 50만 개 이상의 엄선된 문서와 수 테라바이트 규모의 온체인 데이터로 학습되었습니다. 사용자 기기에서가 아니라 클라우드 또는 프라이빗 VPC에서 실행됩니다. ## DMind-2 시리즈 (2025) DMind-2는 도구 호출과 암호화폐 투자 분석에 초점을 맞춘 과도기 세대였습니다. 두 모델 모두 여전히 사용할 수 있지만, DMind-3가 이를 대체했기 때문에 더 이상 주요 권장 모델은 아닙니다. ### DMind-2-107B 도구 호출을 지원하는 암호화폐 투자 분석용 1070억 파라미터 플래그십 모델입니다. 이 모델은 온체인 데이터 API, 거래소 API, 시장 데이터 서비스를 직접 호출할 수 있습니다. ### DMind-2-4B 같은 계열의 40억 파라미터 경량 버전입니다. 더 작은 크기로 동일한 투자 분석 특화 기능을 갖추고 로컬 배포를 위해 설계되었습니다. ## DMind-1 시리즈 (2025) 첫 세대이자, 공개 가중치로 공개된 최초의 Web3 네이티브 LLM입니다. Alibaba의 Qwen3 기반 모델을 바탕으로 구축되었으며, 32.7GB의 원본 문서에서 정제된 13,276개의 전문가 선별 Web3 지식 항목으로 미세 조정되었습니다. ### DMind-1 (32B) 원조 Web3 네이티브 LLM입니다. Qwen3-32B를 기반으로 구축되었습니다. 두 단계로 학습되었습니다: 선별된 데이터셋으로 LoRA를 사용한 지도 미세조정, 그 다음 Web3 특화 보상 모델을 사용한 PPO 기반 RLHF입니다. Web3 작업에서는 더 큰 범용 모델에 필적하는 성능을 토큰 비용의 10\~30% 수준으로 제공합니다. ### DMind-1-mini (14B) Qwen3-14B를 기반으로 만든 증류 버전으로, DMind-1과 일반적인 SOTA 모델을 이중 교사로 사용합니다. 증류는 세 수준에서 이루어집니다. 학생 모델은 교사의 최종 출력, 각 토큰에 대한 교사의 전체 확률 분포, 그리고 교사의 중간층 표현을 학습합니다. 대부분의 에이전트 애플리케이션은 플래그십보다 작고 빠른 모델을 필요로 하기 때문에, 이 모델은 이 계열에서 가장 많이 다운로드된 모델입니다. ## 한눈에 보기 | 모델 | 크기 | 실행 위치 | 주요 용도 | | ------------ | ---- | --------------- | ----------------- | | DMind-3-Nano | 270M | 브라우저 / 지갑 / 모바일 | 거래 안전성 검사 | | DMind-3-Mini | 4B | 사용자 기기 | 비공개 전략 및 리서치 | | DMind-3 | 21B | 클라우드 / 프라이빗 VPC | 시장 전반 리서치 | | DMind-2-107B | 107B | 클라우드 | 도구 호출을 활용한 투자 분석 | | DMind-2-4B | 4B | 로컬 | 경량 투자 분석 | | DMind-1 | 32B | 클라우드 | 최초의 Web3 네이티브 LLM | | DMind-1-mini | 14B | 클라우드 / 로컬 | 증류된 Web3 에이전트 모델 | 일곱 개 모델과 벤치마크 데이터셋은 모두 다음에서 이용할 수 있습니다 [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/ko/technology/dmind/model-family.md?ask=&goal= ``` `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.