> 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/zh/ji-shu/dmind/training-methods.md). # 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-3210亿gpt-oss-20bChatGPT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-340亿Qwen3.5-4BQwen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-32.7亿functiongemma-270m-itGemini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-21070亿GLM-4.5-AirGLM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-240亿Qwen3-4B-Thinking-2507Qwen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-1330亿Qwen3-32BQwen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-1150亿Qwen3-14BQwenDMind-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。 --- # 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/zh/ji-shu/dmind/training-methods.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.