RusMind 4.7 · Малыш

Будущее уже сегодня!

Национальный ИИ от DICPlay. Самая компактная модель семейства RusMind — всего 0,75 млрд параметров. Работает полностью без интернета: на бюджетных телефонах, старых ноутбуках и встраиваемых устройствах.

Попробовать RusMind на rusmind.ru · Русский и английский


Новинка: RusMind 4.7 · Сокол — топ-2 российская модель в MERA*

Сокол 4.7 — новая модель RusMind с режимом размышлений: прежде чем ответить, он продумывает задачу шаг за шагом. При 8,9 млрд параметров в независимом бенчмарке MERA v2 — 0,279:

  • топ-2 российская модель* — выше только GigaChat 3.5 Reasoning от Сбера;
  • обходит гигантский GigaChat 3.5 Ultra от Сбера — модель на 432 млрд параметров, в 48 раз больше;
  • выше T-pro и T-lite от Т-Банка, A-Vibe от Авито и других российских моделей; сложные инструкции выполняет в 8 раз точнее T-pro;
  • №1 среди всех моделей до 10 млрд параметров — с большим отрывом, сразу в пяти зачётах.

Скачать: DICPlay/RusMind-Sokol-4.7 — полные веса и GGUF для LM Studio, Ollama и llama.cpp.

* По общему баллу MERA v2 на 30.10.2026 среди моделей, созданных или дообученных российскими командами. Выше Сокола — только GigaChat 3.5 Reasoning от Сбера (432 млрд параметров).

RusMind 4.7 · Вспышка

Вспышка 4.7 работает прямо на устройстве, без интернета: на мощных ПК, ноутбуках и флагманских телефонах. В независимом бенчмарке MERA v2, который ведёт Альянс в сфере ИИ (Сбер, Яндекс, МТС, VK и другие), она идёт сразу за Соколом.

  • Сокол и Вспышка — №1 и №2 среди всех моделей до 10 млрд параметров — сразу в четырёх зачётах: общий балл (у Вспышки 0,191), рассуждения, культура и регионы России, понимание людей.
  • Понимает людей лучше T-pro от Т-Банка — модели на 33 млрд параметров, в 4 раза больше Вспышки.
  • Обходит модели в 3–4 раза больше: RuadaptQwen3-32B (32 млрд) и Zero-Mistral (24 млрд), а по общему баллу идёт почти вровень с T-pro.
  • Выше Qwen3.5-9B от Alibaba, Gemma 4 E4B от Google, T-lite от Т-Банка и A-Vibe от Авито.
  • Грамотный русский (0,719 в исправлении орфографии и пунктуации), понимает персонажей, юмор и слова с противоположными значениями, точно следует сложным инструкциям и вызывает инструменты.
Общий балл MERA v2 RusMind Вспышка 4.7 (7,5 млрд) Qwen3.5-9B · Alibaba (9 млрд) Gemma 4 E4B · Google (8 млрд) RuadaptQwen3-32B (32 млрд) Zero-Mistral (24 млрд) T-lite · Т-Банк (8 млрд)
Балл 0,191 0,186 0,170 0,163 0,160 0,130

Скачать: DICPlay/RusMind-Vspyshka-4.7 — полные веса и GGUF для LM Studio, Ollama и llama.cpp.

Для чего Малыш

  • Помощник там, где другие модели не помещаются: бюджетные и старые телефоны, ноутбуки без видеокарты, мини-ПК и встраиваемые устройства.
  • Полностью офлайн: отвечает без интернета, переписка не покидает устройство.
  • Знает Россию: историю и культуру, регионы и народы, традиции — и отвечает на русском и английском.
  • Пишет простой код на HTML, Python и JavaScript.
  • Грамотный русский: расставляет знаки препинания и исправляет орфографию.

Малыш в рейтинге MERA v2

Что такое MERA. MERA (Multimodal Evaluation for Russian-language Architectures) — ведущий независимый бенчмарк русскоязычных нейросетей. Его ведёт Альянс в сфере искусственного интеллекта, который основали Сбер, Яндекс, МТС, VK, «Газпром нефть» и РФПИ. Методологию разработала команда SberDevices вместе с академическими партнёрами, над версиями бенчмарка работали специалисты Сбера, MTS AI, Сколтеха и НИУ ВШЭ. В рейтинге — GigaChat от Сбера, T-lite и T-pro от Т-Банка, A-Vibe от Авито, модели Google, Alibaba, Mistral и других. Правильные ответы на тестовые задания участникам не показывают: результат считает сама платформа MERA, поэтому подогнать его нельзя. Все цифры ниже — из MERA: открыть рейтинг.

При всего 0,75 млрд параметров Малыш обходит модели в несколько раз больше — вплоть до 14 раз:

  • Культура и регионы России — 0,192: выше Qwen3.5-9B от Alibaba (в 12 раз больше), Gemma 4 E4B и E2B от Google, A-Vibe от Авито, RuadaptQwen3-8B, meno-lite и LFM2.5 от Liquid AI.
  • По общему баллу (0,087) обходит GFusion-10B (10,7 млрд) и SmolLM-3B — и идёт почти вровень с Gemma 4 E4B от Google (8 млрд).
  • В рассуждениях (0,158) выше GFusion-10B и SmolLM-3B.
  • В агентных задачах (0,030) впереди Gemma 4 E4B от Google, Zero-Mistral-Small (24 млрд), GFusion-10B и meno-lite.
Культура и регионы России RusMind Малыш (0,75 млрд) RuadaptQwen3-8B (8 млрд) meno-lite (8 млрд) A-Vibe · Авито (8 млрд) Gemma 4 E2B · Google (5 млрд) Qwen3.5-9B · Alibaba (9 млрд)
Балл MERA v2 0,192 0,191 0,189 0,171 0,139 0,118
Раздел MERA v2 RusMind Малыш (0,75 млрд) GFusion-10B (10,7 млрд) SmolLM-3B (3 млрд)
Общий балл 0,087 0,075 0,049
Рассуждения 0,158 0,122 0,063
Культура и регионы России 0,192 0,153 0,090

Данные MERA v2, октябрь 2026; в рейтинге — RusMind Малыш 4.7.

Файлы

Полные веса (safetensors, BF16) — в корне репозитория, для Transformers и своего квантования.

GGUF — для LM Studio, Ollama, PocketPal и llama.cpp:

Файлы GGUF для LM Studio, Ollama и llama.cpp появятся здесь в ближайшее время.

Как запустить

Transformers:

from transformers import AutoModelForCausalLM, AutoTokenizer
tok = AutoTokenizer.from_pretrained("DICPlay/RusMind-Malysh-4.7")
model = AutoModelForCausalLM.from_pretrained("DICPlay/RusMind-Malysh-4.7", torch_dtype="auto")
msgs = [{"role": "user", "content": "Расскажи коротко о Байкале"}]
ids = tok.apply_chat_template(msgs, add_generation_prompt=True, return_tensors="pt")
print(tok.decode(model.generate(ids, max_new_tokens=200)[0][ids.shape[1]:], skip_special_tokens=True))

llama.cpp:

llama-cli -m RusMind-Malysh-4.7-Q4_K_M.gguf -cnv

Семейство RusMind

Модель Где работает Для чего
Сокол на компьютере, без интернета думает перед ответом; 0,279 в MERA v2 — №1 до 10 млрд, вровень с Gemma 4 26B, выше GigaChat 3.5 Ultra
Малыш на любом устройстве, без интернета самая компактная: бюджетные телефоны и встраиваемые устройства
Моментум на устройстве, без интернета быстрые ответы на телефонах и ПК; 0,136 в MERA v2 — выше T-lite от Т-Банка
Вспышка на устройстве, без интернета 0,191 в MERA v2 — №2 среди моделей до 10 млрд параметров
Знание в облаке и на мощных ПК баланс скорости и знаний

RusMind скачивают чаще моделей крупнейших компаний

За последние 30 дней открытые языковые модели RusMind скачали на Hugging Face 127 796 раз — больше, чем открытые языковые модели Т-Банка, Сбера и Яндекса вместе взятые. А RusMind Моментум с 60 950 загрузками — самая скачиваемая за месяц открытая языковая модель среди моделей крупнейших российских компаний.

Открытые языковые модели Загрузок за 30 дней
RusMind · DICPlay 127 796
Т-Банк · T-Pro, T-Lite 58 958
Сбер · GigaChat 39 002
Яндекс · YandexGPT 21 445
Авито · A-Vibe 2 983

По данным Hugging Face (счётчик загрузок за последние 30 дней) на 31.10.2026; сравнивались открытые языковые модели Т-Банка (T-Pro, T-Lite), Сбера (GigaChat), Яндекса (YandexGPT) и Авито (A-Vibe).

RusMind в продуктах DICPlay

Модели RusMind работают не только здесь — DICPlay использует их в собственных продуктах. Например, в DIC.Антивирус PRO (200 тыс. скачиваний) RusMind простым языком объясняет пользователю найденные угрозы: что это за программа, чем она опасна и что с ней делать.

Ответственное использование

Ответы на медицинские, юридические и финансовые вопросы носят справочный характер.

Лицензия

Основа. RusMind Малыш создан дообучением открытой модели Qwen3.5-0.8B (Alibaba Qwen, Apache 2.0) на собственных данных DICPlay: русский язык и культура, история и регионы России, законодательство РФ. Текст лицензии Apache 2.0 исходной модели — в файле LICENSE-APACHE-2.0.txt.

Распространяется по собственной лицензии RusMind License (DICPlay) — текст в файле LICENSE. Коротко: бесплатно для личного и некоммерческого использования, исследований и оценки; коммерческое использование, перепродажа, распространение изменённых версий и встраивание в продукты — только по письменному договору с DICPlay. Модель предоставляется «как есть».

© 2026 DICPlay. RusMind — национальный ИИ. Генеральный директор — Кириллин Даниил Станиславович.

Downloads last month
2,178
Safetensors
Model size
0.8B params
Tensor type
BF16
·
Inference Providers NEW
This model isn't deployed by any Inference Provider. 🙋 Ask for provider support

Model tree for DICPlay/RusMind-Malysh-4.7

Finetuned
(937)
this model
Quantizations
2 models

Collection including DICPlay/RusMind-Malysh-4.7