> 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/ru/tekhnologii/dmind/model-family.md). # Семейство моделей DMind выпустила семь моделей с открытым исходным кодом в трёх поколениях, а также датасет DMind Benchmark. Все веса общедоступны на Hugging Face под разрешительными лицензиями. ## DMind-3 (2026, текущее поколение) Три модели, которые работают вместе как стек Edge-Local-Cloud. См. [Суверенная архитектура](/docs/minara-handbook/ru/tekhnologii/dmind/sovereign-architecture.md) о том, как они сочетаются. ### DMind-3-Nano (270M) Модель на 270 миллионов параметров, которая работает в расширениях браузера, кошельках и на мобильных устройствах. Она выполняет детерминированные проверки безопасности во время подписания, разбирает calldata, выявляет неограниченные разрешения и помечает подозрительные шаблоны. Полностью на устройстве, сетевое подключение не требуется. Построена вокруг стандартизированного протокола вызова функций. ### DMind-3-Mini (4B) Модель на 4 миллиарда параметров, которая работает на локальном компьютере пользователя, включая потребительские GPU и современные чипы Apple Silicon. Она выполняет приватное стратегическое рассуждение и глубокое исследование, используя портфель пользователя в качестве контекста. Обучена с C³-SFT (см. [Методы обучения](/docs/minara-handbook/ru/tekhnologii/dmind/training-methods.md)) так что она выдаёт ответ, критикует сама себя и дорабатывает его перед финализацией. ### DMind-3 (21B) Облачная модель на 21 миллиард параметров. Построена на базе gpt-oss-20b от OpenAI, с кастомным Transformer и позиционным кодированием Multi-Scale RoPE для контекстного окна на 256 тыс. токенов. Нативная точность BF16/FP16. Обучена на более чем 500 000 отобранных документов и многотерабайтных ончейн-данных. Работает в облаке или в частном VPC, а не на устройствах пользователей. ## Серия DMind-2 (2025) DMind-2 была переходным поколением, сосредоточенным на вызовах инструментов и анализе криптоинвестиций. Обе модели по-прежнему можно использовать, но они уже не являются основной рекомендацией, поскольку их превосходит DMind-3. ### DMind-2-107B Флагманская модель на 107 миллиардов параметров для анализа криптоинвестиций с поддержкой вызова инструментов. Модель может напрямую обращаться к API ончейн-данных, API бирж и сервисам рыночных данных. ### DMind-2-4B Лёгкая версия той же линейки на 4 миллиарда параметров. Предназначена для локального развёртывания с той же специализацией на анализе инвестиций, но в более компактном формате. ## Серия DMind-1 (2025) Первое поколение и первая публично выпущенная LLM, нативная для Web3, с открытыми весами. Построена на базовых моделях Qwen3 от Alibaba, дообучена на 13 276 экспертно отобранных элементах знаний Web3, дистиллированных из 32,7 ГБ исходных документов. ### DMind-1 (32B) Исходная Web3-нативная LLM. Построена на Qwen3-32B. Обучалась в два этапа: контролируемое дообучение с LoRA на отобранном датасете, затем RLHF с PPO с использованием reward-модели, специфичной для Web3. На задачах Web3 она сопоставима по качеству с гораздо более крупными универсальными моделями при стоимости токенов в 10–30% от цены. ### DMind-1-mini (14B) Дистиллированная версия на базе Qwen3-14B, использующая и DMind-1, и общую SOTA-модель в качестве двух учителей. Дистилляция работает на трёх уровнях. Ученик изучает финальные ответы учителя, полное распределение вероятностей учителя по каждому токену и промежуточные представления учителя в слоях. Это самая скачиваемая модель в семействе, потому что большинству агентных приложений нужна маленькая, быстрая модель, а не флагман. ## Краткий обзор | Модель | Размер | Где работает | Основное применение | | ------------ | ------ | ---------------------------------------- | ----------------------------------------- | | DMind-3-Nano | 270M | Браузер / кошелёк / мобильное устройство | Проверки безопасности транзакций | | DMind-3-Mini | 4B | Устройство пользователя | Приватная стратегия и исследования | | DMind-3 | 21B | Облако / частный VPC | Исследования рынка в целом | | DMind-2-107B | 107B | Cloud | Анализ инвестиций с вызовами инструментов | | DMind-2-4B | 4B | Local | Лёгкий анализ инвестиций | | DMind-1 | 32B | Cloud | Первая Web3-нативная LLM | | DMind-1-mini | 14B | Облако / локально | Дистиллированная модель Web3-агента | Все семь моделей, а также датасет для бенчмарка доступны по адресу [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/ru/tekhnologii/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.