metadata
license: mit
datasets:
- Mattimax/DATA-AI_Conversation_ITA
- DeepMount00/GPT-4o-ITA-INSTRUCT
- Mattimax/Conversation-ITA
language:
- it
library_name: transformers
tags:
- DAC
- M.INC.
- DATA-AI
- conversational
- chat
pipeline_tag: text-generation
☕ Support my research
DACNova – Model Card
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
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.