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

Libraries

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

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

pipe = pipeline("text-generation", model="DICPlay/RusMind-Vspyshka-4.7")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    },
]
pipe(text=messages)

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoProcessor, AutoModelForMultimodalLM

processor = AutoProcessor.from_pretrained("DICPlay/RusMind-Vspyshka-4.7")
model = AutoModelForMultimodalLM.from_pretrained("DICPlay/RusMind-Vspyshka-4.7", device_map="auto")
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/p-blog/candy.JPG"},
            {"type": "text", "text": "What animal is on the candy?"}
        ]
    },
]
inputs = processor.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(processor.decode(outputs[0][inputs["input_ids"].shape[-1]:]))

Notebooks
Google Colab
Kaggle
Local Apps Settings

llama.cpp

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

Build from source code

git clone https://github.com/ggml-org/llama.cpp.git
cd llama.cpp
cmake -B build
cmake --build build -j --target llama-app
# Start a local OpenAI-compatible server with a web UI:
./build/bin/llama serve -hf DICPlay/RusMind-Vspyshka-4.7:Q4_K_M
# Run inference directly in the terminal:
./build/bin/llama cli -hf DICPlay/RusMind-Vspyshka-4.7:Q4_K_M

Use Docker

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

Llama new
LM Studio
Jan

vLLM

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

Use Docker

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

SGLang

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

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

How to use DICPlay/RusMind-Vspyshka-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-Vspyshka-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-Vspyshka-4.7:Q4_K_M"
        }
      ]
    }
  }
}

Run Pi

# Start Pi in your project directory:
pi

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

Lemonade

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

Pull the model

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

Run and chat with the model

lemonade run user.RusMind-Vspyshka-4.7-Q4_K_M

List all available models

lemonade list

Hermes Agent

How to use DICPlay/RusMind-Vspyshka-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-Vspyshka-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-Vspyshka-4.7:Q4_K_M

Run Hermes

hermes

Atomic Chat

OpenClaw

How to use DICPlay/RusMind-Vspyshka-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-Vspyshka-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-Vspyshka-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 · Вспышка

Будущее уже сегодня!

Национальный ИИ от DICPlay. №2 среди всех моделей до 10 млрд параметров в независимом бенчмарке MERA v2 — 0,191, сразу после RusMind Сокол. Работает прямо на устройстве, без интернета: на мощных ПК, ноутбуках и флагманских телефонах.

Попробовать RusMind на rusmind.ru · Русский и английский

Что нового в 4.7

лучшая Вспышка в MERA v2: 0,191 — на 18 % выше Вспышки 4.5;
Сокол и Вспышка — №1 и №2 среди моделей до 10 млрд параметров по общему баллу, рассуждениям, культуре России и пониманию людей;
понимает людей лучше T-pro от Т-Банка — модели на 33 млрд параметров;
обходит модели в 3–4 раза больше и идёт почти вровень с T-pro от Т-Банка на 33 млрд параметров;
точнее выполняет сложные инструкции с несколькими требованиями сразу и увереннее вызывает инструменты;
лучше понимает людей: характеры персонажей, юмор, загадки и слова с противоположными значениями;
грамотный русский: исправляет орфографию и расставляет знаки препинания;
глубоко знает историю и культуру России, регионы и народы — и отвечает на русском и английском.

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).}

Вспышка 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.

Вспышка 4.7 — вторая среди всех моделей до 10 млрд параметров в MERA v2, сразу после RusMind Сокол. При 7,5 млрд параметров она работает прямо на устройстве, без интернета, и обходит модели в 3–4 раза больше.

Сокол и Вспышка — №1 и №2 среди всех моделей до 10 млрд параметров — сразу в четырёх зачётах: по общему баллу (у Вспышки 0,191), в рассуждениях, в культуре и регионах России и в понимании людей. Вспышка выше Qwen3.5-9B от Alibaba, Gemma 4 E4B от Google, T-lite от Т-Банка, RuadaptQwen3-8B и A-Vibe от Авито.
Понимает людей лучше T-pro от Т-Банка — модели на 33 млрд параметров: 0,257 против 0,249 в человекоцентричных задачах. Здесь Вспышка выше и Zero-Mistral на 24 млрд и наравне с Llama 4 Maverick.
Рассуждает лучше моделей в 3–4 раза больше: 0,385 — выше RuadaptQwen3-32B (32 млрд) и Zero-Mistral (24 млрд).
Знает культуру России лучше RuadaptQwen3-32B на 32 млрд параметров.
Почти вровень с T-pro по общему баллу: 0,191 против 0,196 — при вчетверо меньшем размере.
+18 % к общему баллу по сравнению со Вспышкой 4.5.

Раздел MERA v2	RusMind Вспышка (7,5 млрд)	Qwen3.5-9B · Alibaba (9 млрд)	Gemma 4 E4B · Google (8 млрд)	T-lite · Т-Банк (8 млрд)	A-Vibe · Авито (8 млрд)
Общий балл	0,191	0,186	0,170	0,130	0,113
Рассуждения	0,385	0,339	0,367	0,218	0,187
Понимание людей (человекоцентричные задачи)	0,257	0,218	0,172	0,169	0,132
Культура и регионы России	0,228	0,118	0,199	0,196	0,171

Против моделей крупнее	RusMind Вспышка (7,5 млрд)	RuadaptQwen3-32B (32 млрд)	Zero-Mistral (24 млрд)
Общий балл	0,191	0,163	0,160
Рассуждения	0,385	0,342	0,213
Понимание людей	0,257	0,177	0,235

Сильные задачи Вспышки 4.7 — баллы MERA v2:

Задача	Балл
Исправление орфографии и пунктуации (SAGE)	0,719 — знаки препинания 0,760
Ответы от лица персонажей (Characters)	0,537
К чему относится слово в тексте (LIMUR)	0,465
Слова с противоположными значениями (Enantiosemy)	0,373
Логика и сообразительность (NewReasoning)	0,330
Вопросы с выбором ответа (RUBIN)	0,328
Вызов инструментов и функций (GorillaHard)	0,302 — инструмент выбран верно в 86 % случаев, устойчивость к подмене инструкций 100 %
Следование сложным инструкциям (IFHard)	0,300
Понимание юмора (Humor)	0,196

_{Данные MERA v2, октябрь 2026; в рейтинге — RusMind Вспышка 4.7.}

Файлы

Полные веса (safetensors, BF16, 16,0 ГБ) — в корне репозитория, для Transformers и своего квантования.

GGUF — в папке gguf/, для LM Studio, Ollama, PocketPal и llama.cpp:

Файл	Размер	Для чего
`RusMind-Vspyshka-4.7-Mini.gguf`	3,8 ГБ	самый компактный вариант: браузер и телефоны
`RusMind-Vspyshka-4.7-Lite.gguf`	4,2 ГБ	флагманские телефоны и ноутбуки
`RusMind-Vspyshka-4.7-Q2_K.gguf`	4,4 ГБ	самый маленький из стандартных вариантов
`RusMind-Vspyshka-4.7-Q3_K_M.gguf`	4,9 ГБ	устройства с меньшим объёмом памяти
`RusMind-Vspyshka-4.7-Q4_K_M.gguf`	5,3 ГБ	основной вариант: лучший баланс качества и размера
`RusMind-Vspyshka-4.7-Q5_K_M.gguf`	5,8 ГБ	качество выше основного при умеренном размере
`RusMind-Vspyshka-4.7-Q6_K.gguf`	6,2 ГБ	почти без потерь качества
`RusMind-Vspyshka-4.7-Q8_0.gguf`	8,0 ГБ	максимальное качество в компактном виде

Контрольные суммы — в gguf/SHA256SUMS.txt.

Как запустить

В браузере — проще всего. Откройте rusmind.ru и выберите Вспышку: модель один раз скачается в браузер и дальше будет отвечать без интернета.

llama.cpp:

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

LM Studio, Ollama и другие программы с GGUF — скачайте нужный файл из папки gguf/ и откройте его.

Transformers:

from transformers import AutoProcessor, AutoModelForImageTextToText
proc = AutoProcessor.from_pretrained("DICPlay/RusMind-Vspyshka-4.7")
model = AutoModelForImageTextToText.from_pretrained("DICPlay/RusMind-Vspyshka-4.7", torch_dtype="auto", device_map="auto")
msgs = [{"role": "user", "content": [{"type": "text", "text": "Расскажи коротко о Байкале"}]}]
inp = proc.apply_chat_template(msgs, add_generation_prompt=True, tokenize=True, return_dict=True, return_tensors="pt").to(model.device)
out = model.generate(**inp, max_new_tokens=300)
print(proc.decode(out[0][inp["input_ids"].shape[1]:], skip_special_tokens=True))

Что знает RusMind

RusMind глубоко знает историю и культуру России, законы, регионы и народы страны, традиционные семейные ценности и ключевые события — и свободно отвечает на русском и английском.

Все версии Вспышки — в репозитории DICPlay/RusMind-Vspyshka.

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
Вспышка	на устройстве, без интернета	0,191 в MERA v2 — №2 среди моделей до 10 млрд параметров
Моментум	на устройстве, без интернета	быстрые ответы на телефонах и ПК; 0,136 в MERA v2 — выше T-lite от Т-Банка
Малыш	на любом устройстве, без интернета	самая компактная: бюджетные телефоны и встраиваемые устройства
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

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 и дообученных версий и встраивание в продукты — только по письменному договору с DICPlay. Модель предоставляется «как есть».

Downloads last month: 5,821

Safetensors

Model size

8B params

Tensor type

BF16

Model tree for DICPlay/RusMind-Vspyshka-4.7

Quantizations

2 models

Collection including DICPlay/RusMind-Vspyshka-4.7

RusMind 4.7

Collection

RusMind 4.7 от DICPlay. Сокол 4.7: 0,279 в MERA v2 — выше GigaChat 3.5 Ultra и T-pro. Вспышка 4.7: №2 до 10 млрд. Моментум 4.7: выше T-lite. • 4 items • Updated 3 days ago