You can deploy this model and start earning money today!

Mattimax/
DACNova

Name: DACNova
Availability: InStock

Mattimax/DATA-AI_Conversation_ITA

DeepMount00/GPT-4o-ITA-INSTRUCT

Mattimax/Conversation-ITA

mit

text-generation-inference

endpoints_compatible

Views

No views yet

☕ Support my research

Buy Me a Coffee

DACNova – Model Card

Logo di DACNova

DACNova è un modello linguistico conversazionale di scala intermedia (~400M parametri) sviluppato da M.INC. Research come parte della Little DAC Collection. Il modello è progettato per offrire un equilibrio ottimale tra coerenza conversazionale, capacità di ragionamento e efficienza computazionale, rendendolo adatto a contesti edge e sistemi con risorse limitate.

Model Details

Nome del modello: DACNova
Tipologia: Transformer decoder-only autoregressivo
Parametri: ~400M
Dominio: Conversational AI / Instruction Following
Obiettivo: Rispondere a istruzioni e conversazioni multi-turno in maniera coerente e affidabile
Architettura: Decoder-only Transformer con attenzione autoregressiva ottimizzata

Training Data

DACNova è stato addestrato su dataset proprietari curati da M.INC. Research, focalizzati su:

Linguaggio naturale generale
Conversazioni multi-turno
Dati strutturati per l’addestramento istruttivo (instruction following)

Nota: I dettagli completi dei dataset e della pipeline di training non sono pubblici.

Intended Use

Assistenti conversazionali intelligenti
Sistemi di Q&A o tutor virtuali
Applicazioni on-device o edge con vincoli di latenza

Limitations & Biases

DACNova è un modello di scala intermedia: può avere limiti su ragionamenti complessi o multi-step rispetto ai modelli più grandi.
Può riflettere bias presenti nei dati di addestramento proprietari.
Non è progettato per uso medico, legale o decisionale critico senza supervisione umana.

Ethical Considerations

Utilizzo responsabile in applicazioni commerciali o pubbliche.
Evitare la generazione di contenuti offensivi, illegali o discriminatori.
La modellazione è destinata esclusivamente a scenari di conversazione e istruzione.

Evaluation

Coerenza conversazionale su dialoghi multi-turno: elevata
Ragionamento base (logica e deduzioni semplici): buona
Efficienza di inferenza: ottimizzata per contesti a risorse limitate

Risultati preliminari dettagliati nel whitepaper DACNova

Usage

python

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("Mattimax/DACNova")
model = AutoModelForCausalLM.from_pretrained("Mattimax/DACNova")

prompt = "Spiegami in breve la differenza tra IA e ML."
inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=100)
print(tokenizer.decode(outputs[0]))

Links & References

GitHub Repository: DACNova
Little DAC Collection: Hugging Face
Autore: Mattimax
Organizzazione: M.INC. Research

License

Distribuito sotto Licenza MIT. Per dettagli sull’uso commerciale o accesso completo ai materiali, fare riferimento al repository ufficiale.