训练方法

DMind 的模型将两种原创训练方法（HPS 和 C³-SFT）与 SFT、RLHF、LoRA 和蒸馏等标准方法结合起来。本页将对每一种方法做简要介绍，并注明各模型使用了哪些方法。

基础模型

系列	参数量	基础	基础提供方	角色
DMind-3	210亿	gpt-oss-20b	ChatGPT	面向云端和企业 VPC 的宏观策略金融引擎，用于系统性风险、跨链叙事、机构研究和智能体编排。
DMind-3	40亿	Qwen3.5-4B	Qwen	本地金融建模与策略推理模型。隐私优先，可离线使用，支持设备端深度推理。
DMind-3	2.7亿	functiongemma-270m-it	Gemini	设备端钱包和 DEX 意图识别及函数调用。支持 SEARCH_TOKEN 和 EXECUTE_SWAP，支持多链，以及中英文意图。
DMind-2	1070亿	GLM-4.5-Air	GLM	旗舰级加密投资分析模型。涵盖从宏观趋势到链上行为，面向专业顾问和机构分析。
DMind-2	40亿	Qwen3-4B-Thinking-2507	Qwen	适用于本地和边缘部署、注重隐私且低延迟的轻量级加密投资分析模型。
DMind-1	330亿	Qwen3-32B	Qwen	面向 Web3 的专家模型，用于 DeFi、代币经济学、治理以及智能合约问答与推理。
DMind-1	150亿	Qwen3-14B	Qwen	DMind-1 的轻量蒸馏版本。适合低延迟实时问答、链上分析和轻量级智能体。

使用 DMind 模型需要同时遵守 DMind 的模型协议和底层基础模型的原始许可证。

标准方法

监督微调（SFT）

基线方法。将问题与参考答案配对，训练模型去匹配。DMind-1 的第一阶段训练使用 SFT。

LoRA（低秩适配）

一种高参数效率的 SFT 方法。与更新模型全部参数不同，LoRA 会在每一层加入一对小的低秩矩阵，并且只训练这些矩阵。这将训练成本降低一个数量级甚至更多。DMind-1 在 SFT 中使用 LoRA。基准论文的受控实验也使用了 rank 16、alpha 32 的 LoRA。

RLHF 和 PPO

基于人类反馈的强化学习。首先，用人类偏好数据训练一个奖励模型（在这个问题上，答案 A 比答案 B 更好）。然后，将该奖励模型作为训练信号，使用 PPO（近端策略优化）来优化主模型，这也是把 GPT-3 变成 ChatGPT 所用的技术。DMind-1 的第二阶段训练使用了这一组合。

知识蒸馏

一个小的学生模型从一个大的教师模型中学习。DMind-1-mini 由双教师蒸馏而来：既包括 DMind-1 本身，也包括一个通用的 SOTA 模型（经由 DMind 的 DeepResearch 框架运行，使其输出对齐到 Web3 场景）。蒸馏在三个层面进行。学生模型匹配教师的最终输出，匹配教师对每个 token 的完整概率分布，并对齐中间层表示。

DMind 的两种原创方法

HPS（分层预测合成）

驱动 DMind-3（210亿）训练目标的方法。HPS 教授 Oracle 在分层结构的输入上进行推理。底层是原始链上事件，如具体交易和合约调用；中层是汇总后的市场指标；顶层是宏观信号，如美联储政策、CPI 和地缘政治事件。

对于每种输入模态，模型学习预测下一个全局市场状态。训练损失结合了多模态加权对数似然和一个正则项，用于惩罚参数偏离基础模型过远。设置该正则项是为了防止灾难性遗忘，使模型在专注金融领域的同时不丢失通用语言能力。

HPS 还为 Oracle 提供了一个双模式推理开关。标准模式返回直接答案。一个特殊的 [STRATEGY] token 会将模型切换到策略模式，在回答前额外考虑风险路径并检索历史相似场景。由调用方控制快思考与慢思考。

C³-SFT（对比式纠错链 SFT）

驱动 DMind-3-Mini（40亿）训练的方法。C³-SFT 围绕一个问题构建：一个自信地说错的小模型，比一个承认不确定性的模型更危险。

标准 SFT 会根据问题训练模型生成正确答案。C³-SFT 将训练数据改造成四步链。链条从问题开始，然后是一个看似合理但有缺陷的初始答案，然后是一个明确的批评，指出初始答案遗漏了什么（例如未考虑到某个预言机操纵风险），最后是一个修正后的答案，回应这条批评。

模型学习生成这四个步骤。在推理时，这会转化为自我质询行为。模型先给出初始答案，再自我批评并修正。名称中的“对比式”来自训练时同时展示正确答案和典型错误答案，从而让模型学习这些失败模式的具体形态。

这是系统 2 推理方法的轻量版本，更大的模型会用独立的思考 token 来实现。将其直接放入 4B 模型，正是 Mini 能在用户设备上运行同时保留安全护栏的原因。

训练数据

DMind-1 的训练数据包含 13,276 条专家精选知识条目，来源于 32.7GB 的 Web3 原始文档，覆盖 DeFi、代币经济学、治理、智能合约、Layer-1/2 架构、NFT、DAO 和安全。

DMind-3 的训练数据规模更大，且结构更清晰：

来源	占比	内容
机构 alpha 研究	35%	加密原生基金和传统金融（TradFi）报告，通过因果模型拆解
全球宏观经济数据	25%	来自 FRED、世界银行、IMF 的时间序列，并与链上指标相结合
跨链指数数据	20%	涵盖主要 EVM 链、Solana、Cosmos 的完整交易、状态和日志历史
事后分析与审计	10%	系统性故障、经济攻击、协议黑客事件，重点关注早期信号和传染路径
地缘政治与监管	10%	影响数字资产的全球监管变化、政策提案、地缘政治事件

总计：50万+ 精选文档，以及数 TB 级链上结构化数据。

所有训练数据均由领域专家审阅，而非抓取而来。筛选标准已在模型卡和论文中公开。