☕ Support the project

🇮🇹 ITALIANO

📘 Model Card — Mattimax/DAC5-3B

🧠 Informazioni Generali

• Nome: Mattimax/DAC5-3B
• Serie: DAC (DATA-AI Chat) – 5ª versione
• Autore: Mattimax
• Research Lab / Azienda: MINC01
• Base Model: Qwen – Qwen2.5-3B-Instruct

DAC5-3B è attualmente il modello più avanzato e sperimentale della serie DAC, progettato per massimizzare qualità conversazionale, integrandosi al meglio con server MCP e performance tecnica su architettura 3B.

---

🏗 Architettura Tecnica

Core Architecture

• Architettura: Qwen2ForCausalLM
• Parametri: ~3B
• Numero layer: 36
• Hidden size: 2048
• Intermediate size: 11008
• Attention heads: 16
• Key/Value heads (GQA): 2
• Attivazione: SiLU
• Norm: RMSNorm (eps 1e-6)
• Tie word embeddings: Yes

Attention

• Full attention su tutti i 36 layer
• Attention dropout: 0.0
• Sliding window: disabilitato
• GQA (Grouped Query Attention) → maggiore efficienza memoria

Positional Encoding

• Max position embeddings: 32768
• RoPE theta: 1,000,000
• RoPE scaling: None

Precision & Performance

• Torch dtype: bfloat16
• Quantizzazione training: 4-bit (NF4)
• Cache abilitata per inference
• Ottimizzato con Unsloth (fixed build 2026.2.1)

Tokenizer

• Vocab size: 151,936
• EOS token id: 151645
• PAD token id: 151654

---

🎯 Obiettivo del Modello

DAC5-3B è stato progettato per:

• 🇮🇹 Massima qualità in italiano
• ⚡ Alta efficienza su GPU consumer
• 🧩 Conversazione coerente multi-turn
• 🛠️ Supporto tecnico e coding leggero
• 🧠 Migliore stabilità rispetto ai DAC precedenti

È un modello orientato a sviluppatori indipendenti, maker e sistemi offline (come OpenClaw, Claude Code, OpenCode, ecc...)

---

📚 Dataset & Specializzazione

Il fine-tuning supervisionato è stato effettuato su un mix altamente selezionato di dataset italiani:

• Camoscio-ITA
• DACMini Refined
• Conversazioni sintetiche italiane ad alta qualità

Strategia

• Dataset limitato ma ad alta densità informativa (~20k esempi)
• Minimizzazione del rumore
• Focus su chiarezza e coerenza
• Riduzione delle risposte generiche tipiche dei 3B

---

🚀 Capacità Principali

DAC5-3B eccelle in:

• Spiegazioni tecniche
• Scrittura strutturata
• Programmazione livello medio
• Traduzione IT ↔ EN
• Brainstorming progettuale
• Assistenti locali offline
• Supporto allo studio

---

📊 Differenze rispetto ai DAC precedenti

✔ Maggiore stabilità nelle risposte lunghe ✔ Meno ripetizioni ✔ Migliore controllo del tono ✔ Risposte più dirette ✔ Migliore allineamento alle istruzioni

DAC5 rappresenta il punto più alto raggiunto finora nella serie.

---

⚠️ Limitazioni

• Contesto di training effettivo: 1024 token
• Non ottimizzato per tool calling complesso
• Non specializzato in matematica avanzata
• Può degradare su reasoning multi-step molto profondo
• Modello sperimentale

---

💻 Requisiti Hardware

Inference consigliata

• GPU 6–8GB VRAM (quantizzato)
• Oppure CPU moderna con GGUF

Compatibile con:

• PC consumer
• Mini workstation
• Sistemi edge
• Setup locali offline

---

🔬 Filosofia DAC

La serie DAC nasce con l'obiettivo di:

Spingere al massimo modelli compatti, ottimizzando qualità reale invece di scalare solo i parametri.

DAC5-3B è il risultato più maturo di questa filosofia: qualità elevata su architettura 3B con risorse contenute.

---

🧪 Stato del Modello

🟡 Sperimentale ma stabile È il miglior modello della serie DAC fino ad oggi, ma rimane parte di un ciclo evolutivo continuo.

---

📚 Citation

Se utilizzi Mattimax/DAC5-3B nei tuoi lavori di ricerca, progetti o pubblicazioni, puoi citarlo nel seguente modo:

@misc{mattimax_dac5_3b_2026,
  author       = {Mattimax},
  title        = {DAC5-3B: Fifth Iteration of the Dynamic Adaptive Core Series},
  year         = {2026},
  publisher    = {Hugging Face},
  organization = {MINC01},
  note         = {Experimental Italian-specialized 3B language model},
  url          = {https://huggingface.co/Mattimax/DAC5-3B}
}

Citazione testuale breve:

Mattimax. DAC5-3B: Fifth Iteration of the Dynamic Adaptive Core Series. 2026. MINC01 Research Lab.

---

---

🇬🇧 ENGLISH

📘 Model Card — Mattimax/DAC5-3B

🧠 General Information

• Name: Mattimax/DAC5-3B
• Series: DAC (DATA-AI Chat) – 5th version
• Author: Mattimax
• Research Lab / Company: MINC01
• Base Model: Qwen – Qwen2.5-3B-Instruct

DAC5-3B is currently the most advanced and experimental model in the DAC series, designed to maximize conversational quality, integrating better with MCP servers and technical performance on a 3B architecture.

---

🏗 Technical Architecture

Core Architecture

• Architecture: Qwen2ForCausalLM
• Parameters: ~3B
• Number of layers: 36
• Hidden size: 2048
• Intermediate size: 11008
• Attention heads: 16
• Key/Value heads (GQA): 2
• Activation: SiLU
• Norm: RMSNorm (eps 1e-6)
• Tie word embeddings: Yes

Attention

• Full attention across all 36 layers
• Attention dropout: 0.0
• Sliding window: disabled
• GQA (Grouped Query Attention) → improved memory efficiency

Positional Encoding

• Max position embeddings: 32768
• RoPE theta: 1,000,000
• RoPE scaling: None

Precision & Performance

• Torch dtype: bfloat16
• Training quantization: 4-bit (NF4)
• Cache enabled for inference
• Optimized with Unsloth (fixed build 2026.2.1)

Tokenizer

• Vocab size: 151,936
• EOS token id: 151645
• PAD token id: 151654

---

🎯 Model Objective

DAC5-3B was designed for:

• 🇮🇹 Maximum Italian language quality
• ⚡ High efficiency on consumer GPUs
• 🧩 Coherent multi-turn conversations
• 🛠️ Technical support and light coding
• 🧠 Improved stability compared to previous DAC versions

It is oriented toward independent developers, makers, and offline systems (such as OpenClaw, Claude Code, OpenCode, etc.).

---

📚 Dataset & Specialization

Supervised fine-tuning was performed on a highly curated mix of Italian datasets:

• Camoscio-ITA
• DACMini Refined
• High-quality synthetic Italian conversations

Strategy

• Limited but high-density dataset (~20k samples)
• Noise minimization
• Focus on clarity and coherence
• Reduction of generic 3B-style responses

---

🚀 Core Capabilities

DAC5-3B excels at:

• Technical explanations
• Structured writing
• Intermediate-level programming
• IT ↔ EN translation
• Project brainstorming
• Offline local assistants
• Study support

---

📊 Differences from Previous DAC Versions

✔ Greater stability in long responses ✔ Fewer repetitions ✔ Better tone control ✔ More direct answers ✔ Improved instruction alignment

DAC5 represents the highest point reached so far in the series.

---

⚠️ Limitations

• Effective training context: 1024 tokens
• Not optimized for advanced tool calling
• Not specialized in advanced mathematics
• May degrade in very deep multi-step reasoning
• Experimental model

---

💻 Hardware Requirements

Recommended Inference

• 6–8GB VRAM GPU (quantized)
• Or modern CPU with GGUF

Compatible with:

• Consumer PCs
• Mini workstations
• Edge systems
• Offline local setups

---

🔬 DAC Philosophy

The DAC series was created with the goal of:

Pushing compact models to their limits, optimizing real quality instead of merely scaling parameters.

DAC5-3B is the most mature result of this philosophy: high quality on a 3B architecture with limited resources.

---

🧪 Model Status

🟡 Experimental but stable It is the best model in the DAC series to date, but remains part of an ongoing evolutionary cycle.

---

📚 Citation

If you use Mattimax/DAC5-3B in research work, projects, or publications, you may cite it as follows:

@misc{mattimax_dac5_3b_2026,
  author       = {Mattimax},
  title        = {DAC5-3B: Fifth Iteration of the Dynamic Adaptive Core Series},
  year         = {2026},
  publisher    = {Hugging Face},
  organization = {MINC01},
  note         = {Experimental Italian-specialized 3B language model},
  url          = {https://huggingface.co/Mattimax/DAC5-3B}
}

Short textual citation:

Mattimax. DAC5-3B: Fifth Iteration of the Dynamic Adaptive Core Series. 2026. MINC01 Research Lab.