Mattimax/DAC6-180M

☕ Support my research


Mattimax/DAC6-180M

<p align="center"> <img src="DAC6Logo/M.INC.Labs_Logo.png" alt="Labs Logo" width="800px"/> </p>

<h1 align="center">DAC6‑180M (M.INC. Research)</h1>

<p align="center"> <img src="DAC6Logo/DAC6180M_Logo.png" alt="DAC6 Logo" width="800px"/> </p>

Mattimax/DAC6-180M è un modello linguistico compatto (Edge AI) sviluppato da M.INC. Research e ottimizzato per applicazioni di chat e assistenza conversazionale in 10 lingue.

Il modello deriva da LiquidAI/LFM2.5-230M, appartenente alla famiglia dei Liquid Foundation Models (LFM), un'architettura progettata per offrire elevata efficienza computazionale, basso consumo di memoria e inferenza veloce anche su hardware limitato.

Attraverso un processo di fine-tuning, distillazione e pruning controllato, il modello è stato ridotto a circa 180 milioni di parametri attivi, mantenendo buone capacità conversazionali e risultando adatto all'esecuzione su smartphone, dispositivi edge e sistemi embedded.

Lingue supportate

Il modello è stato addestrato per supportare nativamente le seguenti lingue:

• —🇬🇧 Inglese (en)
• —🇸🇦 Arabo (ar)
• —🇨🇳 Cinese (zh)
• —🇫🇷 Francese (fr)
• —🇩🇪 Tedesco (de)
• —🇯🇵 Giapponese (ja)
• —🇰🇷 Coreano (ko)
• —🇪🇸 Spagnolo (es)
• —🇵🇹 Portoghese (pt)
• —🇮🇹 Italiano (it)

Caratteristiche principali

• —Architettura Liquid Foundation Model (LFM).
• —Circa 183,5 milioni di parametri attivi.
• —Ottimizzato per conversazioni e instruction following.
• —Supporto multilingue.
• —Elevata efficienza su CPU e dispositivi Edge AI.
• —Ridotto utilizzo di memoria rispetto ai Transformer tradizionali.
• —Ideale per utilizzo offline o su hardware con risorse limitate.

Architettura

A differenza dei tradizionali modelli Transformer, DAC6-180M sfrutta l'architettura Liquid Foundation Models, basata su operatori lineari dinamici e modelli a spazio di stato.

Questa architettura offre numerosi vantaggi:

• —complessità lineare rispetto alla lunghezza del contesto;
• —minore consumo di memoria RAM;
• —maggiore throughput durante l'inferenza;
• —migliore scalabilità su dispositivi embedded ed Edge AI.

Utilizzo

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "Mattimax/DAC6-180M"

tokenizer = AutoTokenizer.from_pretrained(model_id)

model = AutoModelForCausalLM.from_pretrained(
    model_id,
    trust_remote_code=True
)

messages = [
    {
        "role": "system",
        "content": "Sei un assistente virtuale utile e conciso."
    },
    {
        "role": "user",
        "content": "Ciao! Quali sono i vantaggi dell'architettura LiquidAI?"
    }
]

prompt = tokenizer.apply_chat_template(
    messages,
    tokenize=False,
    add_generation_prompt=True
)

inputs = tokenizer(
    prompt,
    return_tensors="pt"
).to(model.device)

outputs = model.generate(
    **inputs,
    max_new_tokens=150,
    temperature=0.7
)

response = tokenizer.decode(
    outputs[0][inputs.input_ids.shape[-1]:],
    skip_special_tokens=True
)

print(response)

Prompt Template

Il modello utilizza il template ChatML fornito dal tokenizer.

<|im_start|>system
Sei un assistente virtuale utile e conciso.
<|im_end|>

<|im_start|>user
Ciao! Come stai?
<|im_end|>

<|im_start|>assistant
Ciao! Sto bene, grazie. Come posso aiutarti oggi?
<|im_end|>

Prestazioni previste

DAC6-180M è stato progettato principalmente per:

• —chatbot offline;
• —assistenti virtuali;
• —automazione locale;
• —dispositivi Edge AI;
• —Raspberry Pi;
• —smartphone;
• —sistemi embedded;
• —applicazioni con memoria limitata.

Limitazioni

Come tutti i modelli di dimensioni contenute, DAC6-180M presenta alcune limitazioni:

• —può produrre allucinazioni su argomenti specialistici;
• —è meno performante rispetto ai modelli con miliardi di parametri nei compiti di ragionamento complesso;
• —le prestazioni migliori si ottengono in inglese e nelle lingue maggiormente rappresentate durante il pre-addestramento del modello base.

Riconoscimenti

Il modello è basato su:

• —LiquidAI/LFM2.5-230M

Sviluppo, fine-tuning e ottimizzazioni:

M.INC. Research