Instructions to use Mattimax/DAC6-180M with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use Mattimax/DAC6-180M with Transformers:

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

pipe = pipeline("text-generation", model="Mattimax/DAC6-180M")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("Mattimax/DAC6-180M")
model = AutoModelForCausalLM.from_pretrained("Mattimax/DAC6-180M")
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 Settings

vLLM

How to use Mattimax/DAC6-180M with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "Mattimax/DAC6-180M"
# 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/DAC6-180M",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/Mattimax/DAC6-180M

SGLang

How to use Mattimax/DAC6-180M 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/DAC6-180M" \
    --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/DAC6-180M",
		"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/DAC6-180M" \
        --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/DAC6-180M",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use Mattimax/DAC6-180M with Docker Model Runner:
```
docker model run hf.co/Mattimax/DAC6-180M
```
Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

☕ Support my research

Mattimax/DAC6-180M

Labs Logo

DAC6‑180M (M.INC. Research)

DAC6 Logo

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

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.

<|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.