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. • 3 items • Updated
RusMind 4.7 · Сокол
Будущее уже сегодня!
Национальный ИИ от DICPlay — модель, которая думает.
Сокол 4.7 — топ-2 российская модель в MERA v2*
Сильнейшая модель RusMind: 0,279 в независимом бенчмарке MERA v2. Обходит гигантский GigaChat 3.5 Ultra от Сбера на 432 млрд параметров, T-pro и T-lite от Т-Банка — и это №1 среди всех моделей до 10 млрд параметров.
* 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).
Попробовать RusMind на rusmind.ru · Русский и английский
Что такое Сокол
RusMind Сокол 4.7 — русскоязычная языковая модель компании DICPlay (Россия) с режимом рассуждений. Модель дообучена командой RusMind на собственных данных: русский язык и культура, история России, регионы и законодательство РФ, традиционные ценности, а также рассуждения, понимание контекста, работа с документами и инструментами. Данные — собственные синтетические и открытые источники, законы, исторические учебники, факты и культурные российские источники.
Прежде чем ответить, Сокол продумывает задачу шаг за шагом — и поэтому справляется с тем, что обычно под силу только моделям в десятки раз больше. При этом он целиком работает на вашем компьютере, без интернета.
Чем Сокол силён
- Лучший результат в истории RusMind: 0,279 в MERA v2 — на 46 % выше Вспышки 4.7;
- №1 среди всех моделей до 10 млрд параметров — по общему баллу, рассуждениям, пониманию людей, агентным задачам и культуре России, с большим отрывом;
- топ-2 российская модель* — выше только GigaChat 3.5 Reasoning от Сбера;
- выше GigaChat 3.5 Ultra от Сбера (432 млрд параметров — в 48 раз больше), T-pro от Т-Банка (33 млрд) и Llama 4 Maverick (400 млрд);
- вровень с Gemma 4 26B от Google — моделью втрое больше, а сложные инструкции выполняет почти в 3 раза точнее и с инструментами работает в 2,6 раза лучше;
- агентные задачи: точно выполняет сложные инструкции с несколькими требованиями сразу (в 8 раз точнее T-pro) и уверенно вызывает инструменты и функции;
- лидер среди российских моделей своего веса: вдвое выше T-lite от Т-Банка и выше неё во всех 12 задачах MERA;
- рассуждает: логика, сообразительность, многошаговые задачи — выше GigaChat 3.5 Ultra и Llama 4 Maverick;
- понимает людей: характеры персонажей, контекст, загадки и слова с противоположными значениями — лучше T-pro и Llama 4 Maverick;
- грамотный русский: исправляет орфографию и расставляет знаки препинания;
- глубоко знает Россию: историю и культуру, регионы и народы, законодательство — лучше T-pro от Т-Банка.
Сокол 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.
Сокол 4.7 — модель RusMind с режимом размышлений: прежде чем ответить, он продумывает задачу шаг за шагом. При 8,9 млрд параметров Сокол набрал в MERA v2 0,279 — лучший результат в истории RusMind. Это топ-2 российская модель* в рейтинге: Сокол обходит гигантский GigaChat 3.5 Ultra от Сбера на 432 млрд параметров, T-pro и T-lite от Т-Банка и все остальные российские модели, кроме GigaChat 3.5 Reasoning.
* 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).
- №1 среди всех моделей до 10 млрд параметров — сразу в пяти зачётах: общий балл, рассуждения, понимание людей, агентные задачи, культура и регионы России. С большим отрывом: 0,279 против 0,186 у Qwen3.5-9B от Alibaba и 0,170 у Gemma 4 E4B от Google. Второе место до 10 млрд — тоже у RusMind: Вспышка 4.7.
- Вровень с Gemma 4 26B от Google — моделью втрое больше: 0,279 у обеих. А в сложных инструкциях Сокол точнее почти в 3 раза, в работе с инструментами — в 2,6 раза.
- Выше GigaChat 3.5 Ultra от Сбера — модели на 432 млрд параметров, в 48 раз больше Сокола: по общему баллу (0,279 против 0,249), в рассуждениях (0,459 против 0,429) и в агентных задачах — в 2,5 раза.
- Выше Llama 4 Maverick (400 млрд параметров) по общему баллу, рассуждениям, пониманию людей и агентным задачам.
- Выше T-pro от Т-Банка (33 млрд): общий балл 0,279 против 0,196, понимание людей 0,300 против 0,249, культура России 0,277 против 0,233, а сложные инструкции выполняет в 8 раз точнее.
- Лидер среди российских моделей своего веса (около 8 млрд): вдвое выше T-lite от Т-Банка, RuadaptQwen3-8B, A-Vibe от Авито и meno-lite — и выше каждой из них во всех 12 задачах MERA.
- Обходит RuadaptQwen3-32B и Zero-Mistral на 24 млрд во всех четырёх разделах MERA.
- Точно выполняет сложные инструкции и работает с инструментами: 0,424 в IFHard — в 8 раз выше T-pro и в 7,6 раза выше GigaChat 3.5 Ultra; 0,490 в GorillaHard — в 2,4–2,6 раза выше T-pro, GigaChat 3.5 Ultra и Gemma 4 26B.
- +46 % к общему баллу по сравнению со Вспышкой 4.7.
| Общий балл MERA v2 | Параметров | Балл |
|---|---|---|
| RusMind Сокол 4.7 | 8,9 млрд | 0,279 |
| Gemma 4 26B · Google | 26 млрд | 0,279 |
| GigaChat 3.5 Ultra · Сбер | 432 млрд | 0,249 |
| Llama 4 Maverick | 400 млрд | 0,226 |
| T-pro 2.1 · Т-Банк | 33 млрд | 0,196 |
| Qwen3.5-9B · Alibaba | 9 млрд | 0,186 |
| RuadaptQwen3-32B | 32 млрд | 0,163 |
| Zero-Mistral | 24 млрд | 0,160 |
Против российских моделей. Сокол выше GigaChat 3.5 Ultra от Сбера (432 млрд параметров) и всех моделей Т-Банка в MERA v2:
| Российская модель | Параметров | Общий балл | Где Сокол сильнее |
|---|---|---|---|
| RusMind Сокол 4.7 | 8,9 млрд | 0,279 | |
| GigaChat 3.5 Ultra · Сбер | 432 млрд | 0,249 | сложные инструкции ×7,6, инструменты ×2,6, логика, рассуждения |
| T-pro 2.1 · Т-Банк | 33 млрд | 0,196 | общий балл +42 %, сложные инструкции ×8, инструменты ×2,4, понимание людей, культура России |
| RuadaptQwen3-32B | 32 млрд | 0,163 | все четыре раздела MERA |
| Zero-Mistral | 24 млрд | 0,160 | все четыре раздела MERA |
Среди российских моделей своего веса (около 8 млрд параметров) Сокол — лидер с двукратным отрывом и выше каждой из них во всех 12 задачах MERA v2:
| Модель | Параметров | Общий балл | Сокол выше |
|---|---|---|---|
| RusMind Сокол 4.7 | 8,9 млрд | 0,279 | |
| RuadaptQwen3-8B | 8 млрд | 0,134 | ×2,1 · во всех 12 задачах |
| T-lite 2.1 · Т-Банк | 8 млрд | 0,130 | ×2,1 · во всех 12 задачах |
| A-Vibe · Авито | 8 млрд | 0,113 | ×2,5 · во всех 12 задачах |
| meno-lite | 8 млрд | 0,104 | ×2,7 · во всех 12 задачах |
Против Gemma 4 26B от Google — модели втрое больше. Общий балл MERA v2 у них одинаковый, но там, где важна работа ассистента, Сокол заметно сильнее:
| Навык (задача MERA v2) | Что это значит | Сокол 4.7 (8,9 млрд) | Gemma 4 26B · Google (26 млрд) |
|---|---|---|---|
| Точное выполнение сложных инструкций (IFHardBench) | в просьбе сразу много условий — формат, длина, запреты, порядок, — и модель выполняет их все | 0,424 — ×2,9 | 0,146 |
| Работа с инструментами и сервисами (GorillaHard) | выбрать нужный инструмент, правильно передать ему данные и ничего не выдумать — основа ИИ-агентов | 0,490 — ×2,6 | 0,189 |
| Работа агентом (раздел Agentic) | инструменты, сложные инструкции и структурированные данные вместе | 0,159 — ×1,5 | 0,103 |
| Грамотность (SAGE) | исправление орфографии и пунктуации в русских текстах | 0,651 | 0,616 |
| Знание регионов России (RussianRegions) | столицы, факты, география регионов | 0,116 | 0,093 |
Там, где ассистенту нужно выполнить задачу точно по инструкции, вызвать нужный сервис и грамотно написать по-русски, Сокол сильнее модели втрое крупнее.
Против гигантов — разделы MERA v2, где Сокол выше:
| Модель | Параметров | Где Сокол выше |
|---|---|---|
| GigaChat 3.5 Ultra · Сбер | 432 млрд — в 48 раз больше | общий балл, рассуждения, агентные задачи (×2,5) |
| Llama 4 Maverick | 400 млрд — в 45 раз больше | общий балл, рассуждения, понимание людей, агентные задачи (×2,3) |
| T-pro 2.1 · Т-Банк | 33 млрд — почти в 4 раза больше | общий балл, понимание людей, культура России, агентные задачи (×3) |
| Gemma 4 26B · Google | 26 млрд — втрое больше | общий балл — вровень; агентные задачи (×1,5) |
| Раздел MERA v2 | RusMind Сокол 4.7 (8,9 млрд) | RuadaptQwen3-32B (32 млрд) | Zero-Mistral (24 млрд) | Qwen3.5-9B · Alibaba (9 млрд) | Gemma 4 E4B · Google (8 млрд) |
|---|---|---|---|---|---|
| Рассуждения | 0,459 | 0,342 | 0,213 | 0,339 | 0,367 |
| Понимание людей (человекоцентричные задачи) | 0,300 | 0,177 | 0,235 | 0,218 | 0,172 |
| Агентные задачи | 0,159 | 0,053 | 0,051 | 0,138 | 0,067 |
| Культура и регионы России | 0,277 | 0,220 | 0,255 | 0,118 | 0,199 |
Сильные задачи Сокола 4.7 — баллы MERA v2:
| Задача | Балл |
|---|---|
| Исправление орфографии и пунктуации (SAGE) | 0,651 |
| К чему относится слово в тексте (LIMUR) | 0,541 |
| Вызов инструментов и функций (GorillaHard) | 0,490 |
| Ответы от лица персонажей (Characters) | 0,488 |
| Логика и сообразительность (NewReasoning) | 0,443 |
| Вопросы с выбором ответа (RUBIN) | 0,428 |
| Следование сложным инструкциям (IFHard) | 0,424 |
| Слова с противоположными значениями (Enantiosemy) | 0,316 |
| Загадки (Riddles) | 0,284 |
Данные MERA v2, 30.10.2026. RusMind Сокол 4.7 оценён в режиме размышлений (Thinking budget 8K).
Режим размышлений
Сокол по умолчанию думает перед ответом: сначала пишет ход рассуждений между тегами <think> и </think>, а затем — сам ответ. Именно в этом режиме он получил 0,279 в MERA v2.
Рекомендуемые параметры:
| Параметр | Значение |
|---|---|
| Режим размышлений | включён по умолчанию (enable_thinking=True) |
| Бюджет размышлений | до ~8 тыс. токенов (Thinking budget 8K) — оставляйте max_new_tokens от 8192 |
| Температура | 0.6 |
| top_p | 0.95 |
Быстрые ответы без размышлений — передайте enable_thinking=False в шаблон чата (в Transformers — аргументом apply_chat_template, в llama.cpp — --chat-template-kwargs '{"enable_thinking":false}').
Файлы
Полные веса (safetensors, BF16, 17,9 ГБ) — в корне репозитория, для Transformers и своего квантования.
GGUF — в папке gguf/, для LM Studio, Ollama, Jan и llama.cpp. Режим размышлений в них уже включён:
| Файл | Размер | Для чего |
|---|---|---|
RusMind-Sokol-4.7-Q4_K_M.gguf |
5,6 ГБ | основной вариант: лучший баланс качества и размера, от 8 ГБ памяти |
RusMind-Sokol-4.7-Q8_0.gguf |
9,5 ГБ | максимальное качество в компактном виде, от 12 ГБ памяти |
Контрольные суммы — в gguf/SHA256SUMS.txt.
Как запустить
llama.cpp:
llama-cli -m RusMind-Sokol-4.7-Q4_K_M.gguf -cnv --jinja --temp 0.6 --top-p 0.95 -c 16384
LM Studio, Ollama, Jan и другие программы с GGUF — скачайте нужный файл из папки gguf/ и откройте его.
Transformers:
from transformers import AutoTokenizer, AutoModelForCausalLM
tok = AutoTokenizer.from_pretrained("DICPlay/RusMind-Sokol-4.7")
model = AutoModelForCausalLM.from_pretrained("DICPlay/RusMind-Sokol-4.7", torch_dtype="auto", device_map="auto")
msgs = [{"role": "user", "content": "Сколько будет 17 × 24? Объясни решение."}]
inp = tok.apply_chat_template(msgs, add_generation_prompt=True, return_tensors="pt", return_dict=True).to(model.device)
out = model.generate(**inp, max_new_tokens=8192, do_sample=True, temperature=0.6, top_p=0.95)
text = tok.decode(out[0][inp["input_ids"].shape[1]:], skip_special_tokens=True)
print(text.split("</think>")[-1].strip()) # ответ без хода размышлений
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.
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; ПК и флагманские телефоны |
| 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
В октябре 2026 года открытые языковые модели RusMind скачали на Hugging Face 66,5 тыс. раз — больше, чем открытые языковые модели Т-Банка, Сбера и Яндекса за тот же период. А RusMind Моментум с 41 тыс. загрузок — самая скачиваемая за месяц открытая языковая модель среди моделей крупнейших российских компаний.
| Открытые языковые модели | Загрузок за 30 дней |
|---|---|
| RusMind · DICPlay | 66 548 |
| Т-Банк · T-Pro, T-Lite | 55 045 |
| Сбер · GigaChat | 48 818 |
| Яндекс · YandexGPT | 22 316 |
| Авито · A-Vibe | 2 010 |
По данным Hugging Face (счётчик загрузок за последние 30 дней) на 28.10.2026; 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».
© 2026 DICPlay. RusMind — национальный ИИ. Генеральный директор — Кириллин Даниил Станиславович.
- Downloads last month
- 14