Dhīr

Dhīr 是 ZenteiQ 发布的印度自研紧凑基础模型家族（zenteiq.ai/dhir/）：Dhīr 2B（稠密 2.03B）与 Dhīr 5B MoE（总参 5.09B，每 token 激活 1.79B，12 专家中选 2）。两者共享分词器与训练配方，均为指令微调检查点；上下文 16,384；面向笔记本、嵌入式与边缘的离线推理。

官方称在印度 从随机初始化预训练（非他司 checkpoint 续训），训练在孟买 Google Cloud TPU v6e，数据与权重同区存放；每模型 6T+ token；语言为英语 + 印地语、孟加拉语、泰米尔语、泰卢固语、马拉地语、古吉拉特语、卡纳达语、马拉雅拉姆语、旁遮普语、奥里亚语。IndiaAI Mission 相关亮相于 2026-11-04。注意：同窗口另有 early-access 的 EKA-1；本页收录的是可公开查阅规格的 Dhīr 家族。

解决什么问题

印度多语言 + 边缘/断网场景需要小模型本地跑，且希望训练谱系可核验。Dhīr 以稠密 2B 与小 MoE 5B 覆盖离线部署，并公开评测工具与 SHA-256 检查点谱系叙事。

与同类差异

• 印度从零预训练的十亿级生成模型叙事（官方自称 first-of-class），非海外底座再适配。
• 双规格：2B 在 15 项 Indic 基准中 13 项同类第一（官方表）；5B MoE 在 agentic / code+math / English 平均更高。
• 边缘实测：llama.cpp 4-bit 下 Iris Xe / Jetson Orin NX / Pi 4 等 decode 速度表公开。

限制

• 官方强调事实回忆弱、无推理模式、纯文本；法律/金融/医疗等需检索与人审。
• 指令跟随评测目前以英语为主披露。
• 企业部署走试点/许可；与仅 early-access 的 EKA-1 区分。

适合谁

需要英语+Indic 离线/边缘 LLM、或关注 IndiaAI 国产底座的团队。

如何上手

1. 读 zenteiq.ai/dhir/ 与技术报告，核对尺寸、语言与安全表。
2. 按页面路径获取检查点，用 llama.cpp 等在目标硬件跑 4-bit。
3. 企业场景走 ZenteiQ 试点→微调→云/私有云/本地/全离线部署流程。