Instructions to use Mattimax/DACNova with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Mattimax/DACNova with Transformers:

# Use a pipeline as a high-level helper
from transformers import pipeline

pipe = pipeline("text-generation", model="Mattimax/DACNova")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Mattimax/DACNova")
model = AutoModelForCausalLM.from_pretrained("Mattimax/DACNova")
messages = [
    {"role": "user", "content": "Who are you?"},
]
inputs = tokenizer.apply_chat_template(
	messages,
	add_generation_prompt=True,
	tokenize=True,
	return_dict=True,
	return_tensors="pt",
).to(model.device)

outputs = model.generate(**inputs, max_new_tokens=40)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps

vLLM

How to use Mattimax/DACNova with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Mattimax/DACNova"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Mattimax/DACNova",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/Mattimax/DACNova

SGLang

How to use Mattimax/DACNova with SGLang:

Install from pip and serve model

# Install SGLang from pip:
pip install sglang
# Start the SGLang server:
python3 -m sglang.launch_server \
    --model-path "Mattimax/DACNova" \
    --host 0.0.0.0 \
    --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Mattimax/DACNova",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker images

docker run --gpus all \
    --shm-size 32g \
    -p 30000:30000 \
    -v ~/.cache/huggingface:/root/.cache/huggingface \
    --env "HF_TOKEN=<secret>" \
    --ipc=host \
    lmsysorg/sglang:latest \
    python3 -m sglang.launch_server \
        --model-path "Mattimax/DACNova" \
        --host 0.0.0.0 \
        --port 30000
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:30000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "Mattimax/DACNova",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use Mattimax/DACNova with Docker Model Runner:
```
docker model run hf.co/Mattimax/DACNova
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

☕ Support my research

DACNova – Model Card

DACNova è un modello linguistico conversazionale di scala intermedia (~400M parametri) sviluppato da M.INC. Research come parte della Little DAC Collection. Il modello è progettato per offrire un equilibrio ottimale tra coerenza conversazionale, capacità di ragionamento e efficienza computazionale, rendendolo adatto a contesti edge e sistemi con risorse limitate.

Model Details

Nome del modello: DACNova
Tipologia: Transformer decoder-only autoregressivo
Parametri: ~400M
Dominio: Conversational AI / Instruction Following
Obiettivo: Rispondere a istruzioni e conversazioni multi-turno in maniera coerente e affidabile
Architettura: Decoder-only Transformer con attenzione autoregressiva ottimizzata

Training Data

DACNova è stato addestrato su dataset proprietari curati da M.INC. Research, focalizzati su:

Linguaggio naturale generale
Conversazioni multi-turno
Dati strutturati per l’addestramento istruttivo (instruction following)

Nota: I dettagli completi dei dataset e della pipeline di training non sono pubblici.

Intended Use

Assistenti conversazionali intelligenti
Sistemi di Q&A o tutor virtuali
Applicazioni on-device o edge con vincoli di latenza

Limitations & Biases

DACNova è un modello di scala intermedia: può avere limiti su ragionamenti complessi o multi-step rispetto ai modelli più grandi.
Può riflettere bias presenti nei dati di addestramento proprietari.
Non è progettato per uso medico, legale o decisionale critico senza supervisione umana.

Ethical Considerations

Utilizzo responsabile in applicazioni commerciali o pubbliche.
Evitare la generazione di contenuti offensivi, illegali o discriminatori.
La modellazione è destinata esclusivamente a scenari di conversazione e istruzione.

Evaluation

Coerenza conversazionale su dialoghi multi-turno: elevata
Ragionamento base (logica e deduzioni semplici): buona
Efficienza di inferenza: ottimizzata per contesti a risorse limitate

Risultati preliminari dettagliati nel whitepaper DACNova

Usage

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("Mattimax/DACNova")
model = AutoModelForCausalLM.from_pretrained("Mattimax/DACNova")

prompt = "Spiegami in breve la differenza tra IA e ML."
inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=100)
print(tokenizer.decode(outputs[0]))

Links & References

GitHub Repository: DACNova
Little DAC Collection: Hugging Face
Autore: Mattimax
Organizzazione: M.INC. Research

License

Distribuito sotto Licenza MIT. Per dettagli sull’uso commerciale o accesso completo ai materiali, fare riferimento al repository ufficiale.

Downloads last month: 11

Safetensors

Model size

0.4B params

Tensor type

F32

Model tree for Mattimax/DACNova

Quantizations

1 model

Datasets used to train Mattimax/DACNova

Collection including Mattimax/DACNova

Little_DAC_Collection

Collection

This is a complete collection of all the smaller versions of DAC models, from the smallest to the largest. • 8 items • Updated Mar 2