license: mit
datasets:
- Mattimax/DACMini_Refined
- Mattimax/Camoscio-ITA
language:
- it
- en
library_name: transformers
tags:
- DAC
- M.INC.
- conversational
☕ 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.