Instructions to use DICPlay/RusMind-Malysh-4.7 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use DICPlay/RusMind-Malysh-4.7 with Transformers:

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

pipe = pipeline("text-generation", model="DICPlay/RusMind-Malysh-4.7")
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoTokenizer, AutoModelForCausalLM

tokenizer = AutoTokenizer.from_pretrained("DICPlay/RusMind-Malysh-4.7")
model = AutoModelForCausalLM.from_pretrained("DICPlay/RusMind-Malysh-4.7", device_map="auto")
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=256)
print(tokenizer.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

How to use DICPlay/RusMind-Malysh-4.7 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 DICPlay/RusMind-Malysh-4.7:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf DICPlay/RusMind-Malysh-4.7:Q4_K_M

Install from WinGet (Windows)

winget install llama.cpp
# Start a local OpenAI-compatible server with a web UI:
llama serve -hf DICPlay/RusMind-Malysh-4.7:Q4_K_M
# Run inference directly in the terminal:
llama cli -hf DICPlay/RusMind-Malysh-4.7: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 DICPlay/RusMind-Malysh-4.7:Q4_K_M
# Run inference directly in the terminal:
./llama-cli -hf DICPlay/RusMind-Malysh-4.7: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 DICPlay/RusMind-Malysh-4.7:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama-cli -hf DICPlay/RusMind-Malysh-4.7:Q4_K_M

Use Docker

docker model run hf.co/DICPlay/RusMind-Malysh-4.7:Q4_K_M

Llama new
LM Studio
Jan

vLLM

How to use DICPlay/RusMind-Malysh-4.7 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "DICPlay/RusMind-Malysh-4.7"
# Call the server using curl (OpenAI-compatible API):
curl -X POST "http://localhost:8000/v1/chat/completions" \
	-H "Content-Type: application/json" \
	--data '{
		"model": "DICPlay/RusMind-Malysh-4.7",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/DICPlay/RusMind-Malysh-4.7:Q4_K_M

SGLang

How to use DICPlay/RusMind-Malysh-4.7 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 "DICPlay/RusMind-Malysh-4.7" \
    --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": "DICPlay/RusMind-Malysh-4.7",
		"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 "DICPlay/RusMind-Malysh-4.7" \
        --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": "DICPlay/RusMind-Malysh-4.7",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Ollama
How to use DICPlay/RusMind-Malysh-4.7 with Ollama:
```
ollama run hf.co/DICPlay/RusMind-Malysh-4.7:Q4_K_M
```
Unsloth Desktop

How to use DICPlay/RusMind-Malysh-4.7 with Pi:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf DICPlay/RusMind-Malysh-4.7: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": "DICPlay/RusMind-Malysh-4.7:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

Docker Model Runner
How to use DICPlay/RusMind-Malysh-4.7 with Docker Model Runner:
```
docker model run hf.co/DICPlay/RusMind-Malysh-4.7:Q4_K_M
```

Lemonade

How to use DICPlay/RusMind-Malysh-4.7 with Lemonade:

Pull the model

# Download Lemonade from https://lemonade-server.ai/
lemonade pull DICPlay/RusMind-Malysh-4.7:Q4_K_M

Run and chat with the model

lemonade run user.RusMind-Malysh-4.7-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use DICPlay/RusMind-Malysh-4.7 with Hermes Agent:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf DICPlay/RusMind-Malysh-4.7: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 DICPlay/RusMind-Malysh-4.7:Q4_K_M

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use DICPlay/RusMind-Malysh-4.7 with OpenClaw:

Start the llama.cpp server

# Install llama.cpp:
brew install llama.cpp
# Start a local OpenAI-compatible server:
llama serve -hf DICPlay/RusMind-Malysh-4.7: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 "DICPlay/RusMind-Malysh-4.7: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"

Browse Quantizations to use this model in llama.cpp, Ollama, LM Studio, or any compatible app.

RusMind 4.7 · Малыш

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

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:

Файл	Размер	Для чего
`RusMind-Malysh-4.7-Q4_K_M.gguf`	0,53 ГБ	основной вариант для телефонов и слабых ПК
`RusMind-Malysh-4.7-Q8_0.gguf`	0,81 ГБ	максимальное качество в компактном виде

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
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	повседневные задачи на мощных ПК и флагманских телефонах
Знание	в облаке и на мощных ПК	баланс скорости и знаний

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

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».

Downloads last month: 432

Safetensors

Model size

0.8B params

Tensor type

BF16

Model tree for DICPlay/RusMind-Malysh-4.7

Quantizations

2 models