> 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 набор данных 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 с 270 миллионами параметров, которая работает в расширениях браузера, кошельковых приложениях и на мобильных устройствах. Она выполняет детерминированные проверки безопасности в момент подписания, разбирает calldata, выявляет неограниченные разрешения и отмечает подозрительные шаблоны. Полностью на устройстве, сеть не требуется. Построена вокруг стандартизированного протокола вызова функций. ### DMind-3-Mini (4B) Модель с 4 миллиардами параметров, которая работает на локальном компьютере пользователя, включая потребительские GPU и новейшие чипы Apple Silicon. Она обрабатывает приватные стратегические рассуждения и глубокие исследования, используя портфель пользователя как контекст. Обучена с помощью C³-SFT (см. [Методы обучения](/docs/minara-handbook/ru/tekhnologii/dmind/training-methods.md)) чтобы она выдавала ответ, сама его критиковала и исправляла перед финализацией. ### DMind-3 (21B) Облачная модель с 21 миллиардом параметров. Построена на базе OpenAI gpt-oss-20b, с кастомным Transformer и позиционным кодированием Multi-Scale RoPE для окна контекста в 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, ориентированным на вызовы инструментов и анализ криптоинвестиций. Обе модели по-прежнему пригодны к использованию, но уже не являются основной рекомендацией, поскольку DMind-3 пришла им на смену. ### DMind-2-107B Флагманская модель с 107 миллиардами параметров для анализа криптоинвестиций с поддержкой вызова инструментов. Модель может напрямую вызывать API ончейн-данных, API бирж и сервисы рыночных данных. ### DMind-2-4B Облегчённая версия той же семейства с 4 миллиардами параметров. Предназначена для локального развёртывания с той же специализацией на анализе инвестиций, но в более компактном исполнении. ## Серия DMind-1 (2025) Первое поколение и первая публично выпущенная Web3-нативная LLM с открытыми весами. Построена на базовых моделях Qwen3 от Alibaba и дообучена на 13 276 экспертно отобранных элементах знаний Web3, отдистиллированных из 32,7 ГБ исходных документов. ### DMind-1 (32B) Оригинальная Web3-нативная LLM. Построена на Qwen3-32B. Обучалась в два этапа: supervised fine-tuning с LoRA на отобранном наборе данных, затем RLHF с PPO с использованием Web3-специфичной модели вознаграждения. На задачах Web3 она сопоставима по качеству с гораздо более крупными универсальными моделями при 10–30% затрат на токены. ### DMind-1-mini (14B) Дистиллированная версия, построенная на Qwen3-14B, с использованием как DMind-1, так и общей SOTA-модели в качестве двух учителей. Дистилляция работает на трёх уровнях. Ученик изучает финальные выходы учителя, полное распределение вероятностей учителя по каждому токену и представления учителя на промежуточных слоях. Это самая скачиваемая модель в семействе, потому что большинству агентных приложений нужна маленькая и быстрая модель, а не флагман. ## Краткий обзор | Модель | Размер | Где она 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 | Исследование всего рынка | | DMind-2-107B | 107B | Облако | Анализ инвестиций с вызовами инструментов | | DMind-2-4B | 4B | Локальный | Облегчённый анализ инвестиций | | DMind-1 | 32B | Облако | Первая Web3-нативная LLM | | DMind-1-mini | 14B | Облако / локально | Дистиллированная Web3-агентная модель | Все семь моделей, а также набор данных 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.