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 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) 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.