---
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