---
library_name: transformers
license: other
license_name: lfm1.0
license_link: LICENSE
language:
- en
- ar
- zh
- fr
- de
- ja
- ko
- es
- pt
- it
pipeline_tag: text-generation
tags:
- liquid
- lfm2.5
- edge
- DAC
- M.INC.
- conversational
base_model: LiquidAI/LFM2.5-230M
---
## ☕ Support my research
[](https://www.buymeacoffee.com/marzomattye)
# Mattimax/DAC6-180M
DAC6‑180M (M.INC. Research)
**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
```python
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.
```text
<|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**