Update README.md

README.md

@@ -1,3 +1,150 @@
----
-license: mit
----
+---
+license: mit
+datasets:
+- mlabonne/chessllm
+language:
+- it
+base_model:
+- Mattimax/DACMini-IT
+tags:
+- DAC
+- DATA-AI
+- MINC
+- text-generation-inference
+---
+
+# DACMini-IT-Chess — Model Card
+
+## Italian Model Card
+
+## Panoramica
+
+**DACMini-IT-Chess** è una variante sperimentale del modello **DACMini-IT** (109M parametri), un piccolo modello di linguaggio addestrato per la lingua italiana.
+L’obiettivo del progetto è stato verificare la capacità del modello di generalizzare e apprendere competenze specifiche in un dominio strutturato come quello degli **scacchi**, partendo da un dataset dedicato.
+
+---
+
+## Dettagli del modello
+
+* **Base model:** [Mattimax/DACMini-IT](https://huggingface.co/Mattimax/DACMini-IT)
+* **Dataset utilizzato:** [mlabonne/chessllm](https://huggingface.co/datasets/mlabonne/chessllm)
+* **Lingua:** Italiano
+* **Dimensione:** 109 milioni di parametri
+* **Licenza:** MIT
+* **Task principale:** Generazione di testo / ragionamento nel dominio scacchistico
+
+---
+
+## Motivazione
+
+Il progetto nasce con l’intento di **testare i limiti di adattabilità** di un piccolo modello linguistico italiano a un dominio altamente tecnico.
+Non si tratta di una release di produzione, ma di **un esperimento mirato** per osservare:
+
+* se un modello di dimensioni ridotte possa apprendere pattern tattici e strategici;
+* quanto un dataset focalizzato possa migliorare la coerenza nelle risposte relative agli scacchi;
+* l’impatto del fine-tuning su un contesto ristretto rispetto alla conoscenza generale preesistente.
+
+---
+
+## Addestramento
+
+Il modello è stato fine-tunato su **mlabonne/chessllm**, un dataset contenente partite, commenti e spiegazioni di mosse.
+L’allenamento è stato condotto in modo leggero, con un focus sull’apprendimento del lessico tecnico e delle strutture logiche tipiche del gioco.
+Scopo primario: **esperimento esplorativo**, non ottimizzazione delle performance.
+
+---
+
+## Risultati attesi
+
+* Miglioramento nella comprensione del linguaggio tecnico degli scacchi.
+* Capacità di generare sequenze di mosse coerenti e commenti sensati.
+* Nessuna pretesa di performance da motore scacchistico o di affidabilità strategica.
+
+---
+
+## Limitazioni
+
+* Non sostituisce un motore di scacchi come Stockfish o Leela.
+* Le risposte possono contenere imprecisioni tattiche.
+* L’uso va considerato esclusivamente a fini **sperimentali o didattici**.
+
+---
+
+## Conclusioni
+
+**DACMini-IT-Chess** rappresenta un piccolo ma interessante passo nel valutare la **specializzazione di modelli di piccola scala** in lingua italiana.
+L’obiettivo principale è stato “provare per vedere se funziona”, esplorando come un modello compatto possa adattarsi a un dominio strutturato come quello degli scacchi, pur mantenendo una base linguistica generale.
+
+---
+
+**Autori:** Team DATA-AI
+**Tag:** `#DAC`, `#DATA-AI`, `#MINC`, `#text-generation-inference`
+**Licenza:** MIT
+
+## English Model Card
+
+# DACMini-IT-Chess — Model Card
+
+## Overview
+
+**DACMini-IT-Chess** is an experimental variant of **DACMini-IT** (109M parameters), a small language model designed for the Italian language.
+The goal of this project was to test whether such a compact model could learn and perform reasoning within a structured domain like **chess**, using a dedicated dataset.
+
+---
+
+## Model Details
+
+* **Base model:** [Mattimax/DACMini-IT](https://huggingface.co/Mattimax/DACMini-IT)
+* **Dataset used:** [mlabonne/chessllm](https://huggingface.co/datasets/mlabonne/chessllm)
+* **Language:** Italian
+* **Size:** 109 million parameters
+* **License:** MIT
+* **Primary task:** Text generation / domain reasoning in chess
+
+---
+
+## Motivation
+
+This project was created to **test the adaptability limits** of a small Italian language model in a highly technical field.
+It is not a production-ready release, but rather **a focused experiment** aimed at exploring:
+
+* whether a small model can learn tactical and strategic patterns;
+* how a specialized dataset can enhance coherence in chess-related outputs;
+* the effect of fine-tuning on a narrow, domain-specific context versus general knowledge.
+
+---
+
+## Training
+
+The model was fine-tuned on **mlabonne/chessllm**, a dataset containing chess games, commentary, and move explanations.
+Training was conducted lightly, focusing on learning technical vocabulary and logical structures specific to chess.
+The main goal was **exploration**, not performance optimization.
+
+---
+
+## Expected Outcomes
+
+* Improved understanding of chess terminology and structure.
+* Ability to generate coherent move sequences and commentary.
+* No claims of engine-level performance or strategic accuracy.
+
+---
+
+## Limitations
+
+* Not a replacement for chess engines like Stockfish or Leela.
+* May produce tactically inaccurate or inconsistent moves.
+* Intended for **experimental or educational** use only.
+
+---
+
+## Conclusion
+
+**DACMini-IT-Chess** represents a small yet meaningful step in evaluating **domain specialization for small-scale Italian language models**.
+The project’s goal was simple: to “see if it works” — exploring how a compact model can adapt to a structured and logic-driven field like chess while retaining its general language foundation.
+
+---
+
+**Authors:** DATA-AI Team
+**Tags:** `#DAC`, `#DATA-AI`, `#MINC`, `#text-generation-inference`
+**License:** MIT