Instructions to use DahonoLabs/Dahono-4B with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use DahonoLabs/Dahono-4B with Transformers:

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

pipe = pipeline("text-generation", model="DahonoLabs/Dahono-4B")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    },
]
pipe(text=messages)

# Load model directly
from transformers import AutoProcessor, AutoModelForMultimodalLM

processor = AutoProcessor.from_pretrained("DahonoLabs/Dahono-4B")
model = AutoModelForMultimodalLM.from_pretrained("DahonoLabs/Dahono-4B", device_map="auto")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    },
]
inputs = processor.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(processor.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

How to use DahonoLabs/Dahono-4B with llama.cpp:

Install (macOS, Linux)

curl -LsSf https://llama.app/install.sh | sh
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf DahonoLabs/Dahono-4B:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf DahonoLabs/Dahono-4B:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf DahonoLabs/Dahono-4B:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf DahonoLabs/Dahono-4B:Q4_K_M

Use pre-built binary

# Download pre-built binary from:
# https://github.com/ggerganov/llama.cpp/releases
# Start a local OpenAI-compatible server with a web UI:
./llama-server -hf DahonoLabs/Dahono-4B:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf DahonoLabs/Dahono-4B:Q4_K_M

Build from source code

git clone https://github.com/ggerganov/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-server llama-cli
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama-server -hf DahonoLabs/Dahono-4B:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf DahonoLabs/Dahono-4B:Q4_K_M

Use Docker

docker model run hf.co/DahonoLabs/Dahono-4B:Q4_K_M

LM Studio
Jan

vLLM

How to use DahonoLabs/Dahono-4B with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "DahonoLabs/Dahono-4B"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "DahonoLabs/Dahono-4B",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/DahonoLabs/Dahono-4B:Q4_K_M

SGLang

How to use DahonoLabs/Dahono-4B 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 "DahonoLabs/Dahono-4B" \
    --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": "DahonoLabs/Dahono-4B",
		"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 "DahonoLabs/Dahono-4B" \
        --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": "DahonoLabs/Dahono-4B",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Ollama
How to use DahonoLabs/Dahono-4B with Ollama:
```
ollama run hf.co/DahonoLabs/Dahono-4B:Q4_K_M
```
Unsloth Desktop

How to use DahonoLabs/Dahono-4B with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf DahonoLabs/Dahono-4B:Q4_K_M

Configure the model in Pi

# Install Pi:
npm install -g @earendil-works/pi-coding-agent
# Add to ~/.pi/agent/models.json:
{
  "providers": {
    "llama-cpp": {
      "baseUrl": "http://localhost:8080/v1",
      "api": "openai-completions",
      "apiKey": "none",
      "models": [
        {
          "id": "DahonoLabs/Dahono-4B:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use DahonoLabs/Dahono-4B with Docker Model Runner:
```
docker model run hf.co/DahonoLabs/Dahono-4B:Q4_K_M
```

Lemonade

How to use DahonoLabs/Dahono-4B with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull DahonoLabs/Dahono-4B:Q4_K_M

Run and chat with the model

lemonade run user.Dahono-4B-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use DahonoLabs/Dahono-4B with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf DahonoLabs/Dahono-4B:Q4_K_M

Configure Hermes

# Install Hermes:
curl -fsSL https://hermes-agent.nousresearch.com/install.sh | bash
hermes setup
# Point Hermes at the local server:
hermes config set model.provider custom
hermes config set model.base_url http://127.0.0.1:8080/v1
hermes config set model.default DahonoLabs/Dahono-4B:Q4_K_M

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use DahonoLabs/Dahono-4B with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf DahonoLabs/Dahono-4B:Q4_K_M

Configure OpenClaw

# Install OpenClaw:
npm install -g openclaw@latest
# Register the local server and set it as the default model:
openclaw onboard --non-interactive --mode local \
  --auth-choice custom-api-key \
  --custom-base-url http://127.0.0.1:8080/v1 \
  --custom-model-id "DahonoLabs/Dahono-4B:Q4_K_M" \
  --custom-provider-id llama-cpp \
  --custom-compatibility openai \
  --custom-text-input \
  --accept-risk \
  --skip-health

Run OpenClaw

openclaw agent --local --agent main --message "Hello from Hugging Face"

Dahono-4B (v0.8 Reasoning RL & Multimodal Document Vision Edition)

Dahono-4B adalah model kecerdasan buatan berdaulat (sovereign legal AI) yang dikembangkan secara khusus untuk domain hukum, kepatuhan regulasi, dan analisis instrumen yuridis Republik Indonesia. Model ini dibangun di atas arsitektur mutakhir Qwen/Qwen3.5-4B-Base, diperkaya kapabilitas Multimodal Document Vision (inspeksi visual akta perjanjian, tanda tangan, dan bea meterai UU No. 10/2020), serta dioptimalkan melalui pelatihan Reasoning Reinforcement Learning via Group Relative Policy Optimization (GRPO) dengan 4 fungsi reward yuridis terkalibrasi.

Repositori Resmi: https://huggingface.co/DahonoLabs/Dahono-4B
Web Demo Interaktif: https://huggingface.co/spaces/DahonoLabs/Dahono-4B-Demo
Dataset Penalaran Hukum (CoT 5K): https://huggingface.co/datasets/DahonoLabs/Indonesian-Legal-Reasoning-QA
Dataset Glosarium Hukum (1.771 Istilah): https://huggingface.co/datasets/DahonoLabs/Indonesian-Legal-Glossary
Platform Applied Legal AI: https://labs.dahono.com
Portal Korporat: https://dahono.com

Pembaruan Versi v0.8 (Qwen3.5-4B-Base + Multimodal Vision)

Versi v0.8 menghadirkan lompatan performa dan fungsionalitas:

Migrasi Fondasi ke Qwen3.5-4B-Base (+14.75% Akurasi Doktrin): Evaluasi empiris head-to-head membuktikan model dasar Qwen3.5 melompat ke akurasi doktrinal 78.12% (dibandingkan 63.38% pada Qwen3). Karakter halusinasi percaya diri yang mengarang nomor undang-undang berhasil dipangkas secara substansial.
Multimodal Document Vision Terintegrasi: Mampu memproses input visual (foto/scan dokumen) untuk memvalidasi syarat sah perjanjian (Pasal 1320 KUHPerdata), keabsahan tanda tangan para pihak, dan validitas bea meterai Rp 10.000 (UU No. 10 Tahun 2020).
Ekspansi Korpus Latih Terbuka (6.271 Sampel): Menggabungkan 4.500 sampel penalaran bertahap (CoT) dari Indonesian-Legal-Reasoning-QA dan 1.771 istilah definisi yuridis positif dari Indonesian-Legal-Glossary.
Kemurnian Bahasa 100% pada Blok Penalaran <think>: Mengeliminasi kebocoran bahasa Inggris (code-switching) yang sempat terjadi pada versi v0.7; seluruh alur deduksi hukum internal kini berjalan murni dalam bahasa Indonesia hukum baku.

Formulasi 4 Fungsi Reward Yuridis (GRPO)

Pelatihan GRPO (Group Relative Policy Optimization) mengevaluasi kandidat respons model menggunakan 4 fungsi objektif matematis:

1. Format Compliance Reward ($w = 1.0$)

Memastikan model konsisten memisahkan fase penalaran internal dengan teks putusan formal:

R_format = +1.0  jika tag <think> dan </think> lengkap dan panjang token pemikiran > 30 karakter
R_format = +0.3  jika tag lengkap namun elaborasi pemikiran sangat singkat (<= 30 karakter)
R_format = -1.0  jika tag <think> atau </think> tidak ditemukan

2. Language Purity Reward ($w = 1.0$)

Mempertahankan kemurnian bahasa Indonesia doktrinal:

R_purity = +1.0  jika rasio kata asing (bahasa Inggris) = 0.0% (di luar whitelist istilah hukum Latin/Belanda)
R_purity = +0.2  jika rasio kata asing < 3.0%
R_purity = -1.5  jika rasio kata asing >= 3.0%

Whitelist Doktrin: Pacta Sunt Servanda, Vernietigbaar, Van Rechtswege Nietig, Onrechtmatige Daad, Ingebrekestelling, Dwang, Dwaling, Bedrog, Curatele, Lex Specialis Derogat Legi Generali, Lex Superior Derogat Legi Inferiori.

3. Citation Precision Reward ($w = 1.5$)

Mengevaluasi presisi sitasi pasal perundang-undangan terhadap kunci rujukan (expected citations):

R_citation = +1.5  jika rasio kecocokan pasal >= 80%
R_citation = +0.5  jika rasio kecocokan pasal > 0% dan < 80%
R_citation = -0.5  jika tidak ada pasal relevan yang sesuai (halusinasi/meleset)

4. Reasoning Depth Reward ($w = 1.0$)

Mengukur kelengkapan komponen silogisme hukum pada blok pemikiran internal:

R_reasoning = S_fakta (0.25) + S_dasarhukum (0.25) + S_analisis (0.25) + S_konklusi (0.25)

Hasil Benchmark Komparatif (Base Model vs Dahono-4B v0.7 vs Dahono-4B v0.8)

Suite evaluasi standar hukum Indonesia diuji terhadap 500 sampel terverifikasi Indonesian-Legal-Reasoning-QA:

Metrik Evaluasi Yuridis	Base Model (Qwen3/Qwen3.5)	Dahono-4B v0.7 (GRPO)	Dahono-4B v0.8 (GRPO + Vision)	Peningkatan vs v0.7
Akurasi Doktrinal & Analisis	63.38% - 78.12%	84.50%	89.80%	+5.30%
Presisi Sitasi Regulasi (Anti-Halusinasi)	7.00% - 9.00%	89.20%	92.40%	+3.20%
Kemurnian Bahasa Indonesia	99.20% - 100.00%	92.10%	100.00%	+7.90%
Kepatuhan Struktur Penalaran CoT	55.00%	94.80%	100.00%	+5.20%
Inspeksi Dokumen Multimodal	Tidak Didukung	Tidak Didukung	Didukung Penuh (Vision)	Fitur Baru
Volume Dataset Latih	-	4.500 sampel	6.271 sampel	+1.771 istilah (+39.3%)

Perbedaan Utama Antar Versi:

v0.6 (SFT Foundation): Pelatihan terarah awal (Supervised Fine-Tuning) untuk pembuatan draf hukum universal; belum memiliki pemisahan alur penalaran bertahap <think>.
v0.7 (Reasoning RL GRPO): Memperkenalkan penalaran otonom Chain-of-Thought (<think>) berbasis 4 fungsi reward yuridis. Namun, proses penalaran internal masih kerap alih kode (code-switching) ke bahasa Inggris dan belum mendukung masukan dokumen visual.
v0.8 (Qwen3.5 Base + Multimodal Vision): Migrasi ke fondasi mutakhir Qwen/Qwen3.5-4B-Base, pembersihan alur <think> menjadi 100% bahasa Indonesia murni, integrasi dataset glosarium perundang-undangan (total 6.271 data), serta aktivasi fitur penglihatan dokumen visual (inspeksi fisik akta, tanda tangan, dan meterai UU No. 10/2020).

Berkas Model yang Tersedia di Repositori

Nama Berkas / Folder	Ukuran	Branch	Keterangan
`dahono-4b-v0.8-q4_k_m.gguf`	2.78 GB	`main`	Model kuantisasi GGUF Q4_K_M resmi v0.8 untuk Ollama & llama.cpp
`model.safetensors-00001-of-00002.safetensors`	5.33 GB	`main`	Bobot utama Merged FP16 (Shard 1) siap pakai vLLM / Transformers
`model.safetensors-00002-of-00002.safetensors`	3.99 GB	`main`	Bobot utama Merged FP16 (Shard 2) siap pakai vLLM / Transformers
`lora_adapter/`	~85 MB	`main`	Bobot LoRA adapter terlatih v0.8
`Dahono-4B-v0.7-Q4_K_M.gguf`	2.50 GB	`v0.7`	Arsip rilis v0.7 (Qwen3-4B + GRPO)
`Dahono-4B-v0.6-Q4_K_M.gguf`	2.33 GB	`v0.6`	Arsip rilis v0.6 (Qwen3-4B + SFT)

Persyaratan Sistem & Spesifikasi Perangkat Keras

Komponen Hardware	Spesifikasi Minimum (CPU Mode)	Rekomendasi (GPU Accelerated)	Lingkungan Produksi / Server
Prosesor (CPU)	4-Core x86_64 (Intel Core i3/i5 Gen 3+, AMD Ryzen 3)	6-Core ke atas (Intel Gen 10+, AMD Ryzen 5)	8-Core / 16-Thread (Intel Xeon / AMD EPYC)
Memori (RAM)	4 GB RAM (alokasi runtime ~2.8 GB)	8 GB s.d. 16 GB RAM	32 GB RAM DDR4/DDR5
Kartu Grafis (GPU/VRAM)	Tidak mutlak (dapat berjalan murni CPU)	NVIDIA GPU 4 GB VRAM (GTX 1650, RTX 3050, Apple M1/M2/M3)	NVIDIA GPU >= 8 GB VRAM (RTX 3060/4060, T4, A10)
Penyimpanan (Storage)	4 GB ruang disk kosong	5 GB SSD (NVMe / SATA SSD)	NVMe SSD PCIe 4.0
Sistem Operasi	Windows 10/11 64-bit, Linux Ubuntu 20.04+, macOS 12+	Windows 11 64-bit / Linux Ubuntu 22.04 LTS	Linux (Ubuntu Server / Debian / RHEL)

Petunjuk Penggunaan

1. Menjalankan via Ollama

Cara paling direkomendasikan untuk eksekusi lokal:

# Menjalankan model resmi v0.8 langsung dari Hugging Face Hub
ollama run hf.co/DahonoLabs/Dahono-4B

2. Menjalankan via Transformers (Model FP16 Safetensors Penuh)

from transformers import AutoModelForCausalLM, AutoTokenizer
import torch

model_id = "DahonoLabs/Dahono-4B"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    torch_dtype=torch.float16,
    device_map="auto"
)

prompt = "Apakah perjanjian yang dibuat di bawah ancaman kekerasan sah menurut KUHPerdata?"
messages = [{"role": "user", "content": prompt}]
text = tokenizer.apply_chat_template(messages, tokenize=False, add_generation_prompt=True)

inputs = tokenizer([text], return_tensors="pt").to(model.device)
outputs = model.generate(**inputs, max_new_tokens=2048, temperature=0.1)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))

3. Menjalankan via Python (`llama-cpp-python`)

from llama_cpp import Llama

llm = Llama.from_pretrained(
    repo_id="DahonoLabs/Dahono-4B",
    filename="dahono-4b-v0.8-q4_k_m.gguf",
    n_ctx=8192,
    n_gpu_layers=-1,
    verbose=False
)

prompt = "Jelaskan perbedaan mendasar antara Wanprestasi (Pasal 1243 KUHPerdata) dan Perbuatan Melawan Hukum (Pasal 1365 KUHPerdata)!"
formatted_input = f"<|im_start|>user\n{prompt}<|im_end|>\n<|im_start|>assistant\n"

output = llm(
    formatted_input,
    max_tokens=2048,
    temperature=0.1,
    top_p=0.85,
    repeat_penalty=1.15,
    stop=["<|im_end|>", "<|im_start|>"]
)
print(output["choices"][0]["text"])

Integrasi RAG Regulasi Nasional (227.000+ Chunks)

Dahono-4B dirancang bekerja sinergis dengan sistem Retrieval-Augmented Generation (RAG) regulasi perundang-undangan Dahono Labs:

import requests

RAG_ENDPOINT = "https://gateway.dahono.com/v1/rag/search"

pertanyaan = "Apakah pekerja kontrak PKWT boleh disyaratkan masa percobaan kerja?"
payload = {
    "query": pertanyaan,
    "limit": 2
}

headers = {
    "Content-Type": "application/json",
    "Referer": "https://huggingface.co/DahonoLabs/Dahono-4B"
}
response = requests.post(RAG_ENDPOINT, json=payload, headers=headers)
rag_data = response.json()

konteks_pasal = ""
for reg in rag_data.get("results", []):
    judul = reg.get("judul") or reg.get("slug")
    for chunk in reg.get("matchingChunks", []):
        pasal = chunk.get("pasalNumber") or "Pasal Terkait"
        teks = chunk.get("text", "").strip()
        konteks_pasal += f"[{judul} - {pasal}]\n{teks}\n\n"

prompt = f"""<|im_start|>user
Konteks Regulasi:
{konteks_pasal}

Pertanyaan:
{pertanyaan}<|im_end|>
<|im_start|>assistant
"""
print(prompt)

Proteksi Rate Limit & Akses API Key Resmi

Endpoint demonstrasi publik dilindungi oleh kebijakan Rate Limiting sebesar 5 request per menit per alamat IP.

Buat Akun & Dapatkan API Key Gratis: https://labs.dahono.com
Layanan Korporat & Enterprise: https://dahono.com

Batasan Penggunaan, Etika, & Mitigasi Risiko

Batasan Penggunaan yang Ditujukan (Intended Use)

Akselerasi penelitian dan telaah dokumen hukum positif Republik Indonesia.
Pemeriksaan awal klausul kepatuhan regulasi (regulatory compliance pre-check).
Bantuan perumusan draf awal instrumen hukum (surat somasi, perjanjian kerja sama, korespondensi formal advokat).
Alat bantu pembelajaran hukum (educational tool) bagi akademisi dan praktisi.

Penggunaan di Luar Cakupan (Out-of-Scope & Prohibited Use)

Dilarang digunakan sebagai pengganti representasi advokat atau konsultan hukum berizin di pengadilan.
Dilarang digunakan untuk memproduksi dokumen peradilan palsu atau rekayasa alat bukti.
Dilarang mengambil keputusan peradilan berdampak tinggi (high-stakes judicial decisions) secara otomatis tanpa verifikasi langsung oleh praktisi hukum (Human-in-the-Loop).

Visi, Misi, dan Profil Pengembang

Tentang Dahono Labs

Dahono Labs (https://labs.dahono.com) merupakan inisiatif riset dan platform Applied Legal AI yang dikembangkan oleh PT Dahono Consulting Agency (https://dahono.com), beroperasi di Surabaya dan Jakarta, Indonesia. Dahono Labs berfokus pada pengembangan kecerdasan buatan terapan untuk memfasilitasi kepatuhan hukum (regulatory compliance), audit risiko klausul kontrak, dan otomatisasi tata kelola organisasi.

Inisiatif ini didirikan dan dipimpin oleh Armiko Dahono (Founder & Head of AI) bersama tim pengembang Dahono Labs di bawah naungan PT Dahono Consulting Agency. Menggabungkan latar belakang pendidikan ilmu hukum dari Universitas Negeri Surabaya (UNESA) serta keahlian profesional dalam hukum positif Indonesia, kepatuhan regulasi korporat, pelindungan data pribadi (UU No. 27/2022), keamanan informasi, dan tata kelola AI (AI Governance).

Visi Utama

"Intelijen Hukum Indonesia yang Dapat Diakses Semua Orang."

Misi Fundamental

Demokratisasi Akses Kepatuhan Hukum: Membuka akses bagi pelaku usaha mikro, kecil, dan menengah (UMKM), startup, kreator digital, dan profesional agar dapat memahami hak, kewajiban, dan mitigasi risiko kontrak secara mandiri.
Kemandirian Infrastruktur AI Indonesia: Membangun ekosistem model AI berbahasa Indonesia dengan spesialisasi yuridis yang akurat dan berakar pada sistem hukum nasional.
Integritas dan Etika AI Yuridis: Mengedepankan ketepatan dasar hukum berbasis data perundang-undangan resmi, objektivitas penalaran, dan pelindungan privasi data pengguna.

Pernyataan Lisensi & Atribusi (Notice)

Dahono-4B didistribusikan di bawah lisensi Apache License 2.0.

Model ini dibangun melalui adaptasi dan fine-tuning terhadap model dasar Qwen3.5-4B-Base yang dikembangkan oleh tim Alibaba Cloud / Qwen. Penggunaan model ini tunduk pada ketentuan lisensi Apache 2.0:

Lisensi Apache 2.0: https://www.apache.org/licenses/LICENSE-2.0
Model Dasar Qwen: https://github.com/QwenLM/Qwen

Disclaimer Yuridis

Dahono-4B dikembangkan sebagai instrumen akselerasi riset hukum, edukasi regulasi, analisis kepatuhan awal, dan penyusunan draf yuridis. Seluruh keluaran model bersifat informatif dan bukan merupakan nasihat hukum formal (formal legal advice), serta tidak menggantikan representasi advokat atau konsultan hukum berizin.

Sitasi

@misc{dahono2026dahono4b,
  title={Dahono-4B: Sovereign Indonesian Legal Foundation Large Language Model},
  author={Armiko Dahono and Dahono Labs Team},
  year={2026},
  publisher={Hugging Face},
  howpublished={\url{https://huggingface.co/DahonoLabs/Dahono-4B}}
}

Kontak Surel: contact@dahono.com
Portal Web: https://dahono.com | https://labs.dahono.com

Downloads last month: 1,190

Safetensors

Model size

5B params

Tensor type

BF16

F32

Model tree for DahonoLabs/Dahono-4B

Base model

Qwen/Qwen3.5-4B-Base

Finetuned

(152)

this model

Space using DahonoLabs/Dahono-4B 1

Evaluation results

Composite Legal Score on LegalBench-ID (Indonesian Sovereign Legal Benchmark Suite)
self-reported

93.400
Doctrinal Legal Reasoning & Analysis on LegalBench-ID (Indonesian Sovereign Legal Benchmark Suite)
self-reported

89.800
Citation Precision (Anti-Hallucination) on LegalBench-ID (Indonesian Sovereign Legal Benchmark Suite)
self-reported

92.400
Indonesian Language Purity on LegalBench-ID (Indonesian Sovereign Legal Benchmark Suite)
self-reported

100.000
CoT Reasoning Structural Compliance on LegalBench-ID (Indonesian Sovereign Legal Benchmark Suite)
self-reported

100.000
Multimodal Document Inspection Accuracy on LegalBench-ID (Indonesian Sovereign Legal Benchmark Suite)
self-reported

85.000

Dahono-4B (v0.8 Reasoning RL & Multimodal Document Vision Edition)

Pembaruan Versi v0.8 (Qwen3.5-4B-Base + Multimodal Vision)

Formulasi 4 Fungsi Reward Yuridis (GRPO)

1. Format Compliance Reward ($w = 1.0$)

2. Language Purity Reward ($w = 1.0$)

3. Citation Precision Reward ($w = 1.5$)

4. Reasoning Depth Reward ($w = 1.0$)

Hasil Benchmark Komparatif (Base Model vs Dahono-4B v0.7 vs Dahono-4B v0.8)

Perbedaan Utama Antar Versi:

Berkas Model yang Tersedia di Repositori

Persyaratan Sistem & Spesifikasi Perangkat Keras

Petunjuk Penggunaan

1. Menjalankan via Ollama

2. Menjalankan via Transformers (Model FP16 Safetensors Penuh)

3. Menjalankan via Python (llama-cpp-python)

Integrasi RAG Regulasi Nasional (227.000+ Chunks)

Proteksi Rate Limit & Akses API Key Resmi

Batasan Penggunaan, Etika, & Mitigasi Risiko

Batasan Penggunaan yang Ditujukan (Intended Use)

Penggunaan di Luar Cakupan (Out-of-Scope & Prohibited Use)

Visi, Misi, dan Profil Pengembang

Tentang Dahono Labs

Visi Utama

Misi Fundamental

Pernyataan Lisensi & Atribusi (Notice)

Disclaimer Yuridis

Sitasi

Model tree for DahonoLabs/Dahono-4B

Space using DahonoLabs/Dahono-4B 1

Evaluation results

3. Menjalankan via Python (`llama-cpp-python`)