Instructions to use DICPlay/RusMind-Zernyshko-1.6 with libraries, inference providers, notebooks, and local apps. Follow these links to get started.

Libraries

How to use DICPlay/RusMind-Zernyshko-1.6 with Transformers:

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

pipe = pipeline("text-generation", model="DICPlay/RusMind-Zernyshko-1.6", trust_remote_code=True)
messages = [
    {"role": "user", "content": "Who are you?"},
]
pipe(messages)

# pip install -U transformers accelerate
# Load model directly
from transformers import AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained("DICPlay/RusMind-Zernyshko-1.6", trust_remote_code=True, device_map="auto")

Notebooks
Google Colab
Kaggle
Local Apps Settings

vLLM

How to use DICPlay/RusMind-Zernyshko-1.6 with vLLM:

Install from pip and serve model

# Install vLLM from pip:
pip install vllm
# Start the vLLM server:
vllm serve "DICPlay/RusMind-Zernyshko-1.6"
# 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-Zernyshko-1.6",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Use Docker

docker model run hf.co/DICPlay/RusMind-Zernyshko-1.6

SGLang

How to use DICPlay/RusMind-Zernyshko-1.6 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-Zernyshko-1.6" \
    --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-Zernyshko-1.6",
		"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-Zernyshko-1.6" \
        --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-Zernyshko-1.6",
		"messages": [
			{
				"role": "user",
				"content": "What is the capital of France?"
			}
		]
	}'

Docker Model Runner
How to use DICPlay/RusMind-Zernyshko-1.6 with Docker Model Runner:
```
docker model run hf.co/DICPlay/RusMind-Zernyshko-1.6
```

RusMind Зёрнышко 1.6

RusMind Зёрнышко 1.6 — крошечная модель RusMind, обученная полностью с нуля на собственном русском корпусе, со своим BPE-токенизатором на 16 тыс. токенов. Всего 83 млн параметров и около 167 МБ, работает полностью офлайн на самом слабом железе: Зёрнышко удалось запустить на кнопочном телефоне Nokia N95, умном холодильнике и чайнике. А в MERA 2.0 балл 0,049, наравне с SmolLM-3B, которая в 36 раз больше.


Параметров	83 млн (10 слоёв × 768)
Размер	~167 МБ
Контекст	1024 токена
Формат диалога	ChatML

MERA 2.0

Публичный лидерборд MERA 2.0, Exact match.

Против SmolLM-3B (в 36 раз больше)

Показатель	Зёрнышко 1.6 (83M)	SmolLM-3B (3B)
Общий балл	0,049	0,049
Reasoning	0,119	0,063
Culture Specific	0,103	0,090
RUBIN — пословицы и народная мудрость	0,282	0,042
LIMUR	0,222	0,102
Characters — персонажи	0,186	0,116

Российская специфика — выше моделей в десятки раз больше

RUBIN 0,282 — выше Qwen3.5-4B (0,259, в 48 раз больше), gemma-4-E2B (0,249, в 60 раз больше) и GFusion-10B-A1.8B (0,183, в 128 раз больше).
Characters 0,186 и LIMUR 0,222 — выше GFusion-10B-A1.8B (0,166 и 0,217).
Culture Specific 0,103 — почти вдвое выше Qwen3.5-4B (0,057).

Пунктуация и орфография

SAGE, PUNCT_F1 0,267 — в 8 раз выше Qwen3.5-4B (0,032) и выше gemma-4-E2B (0,159).

Запуск

from transformers import AutoModelForCausalLM, AutoTokenizer
tok = AutoTokenizer.from_pretrained("DICPlay/RusMind-Zernyshko-1.6")
model = AutoModelForCausalLM.from_pretrained("DICPlay/RusMind-Zernyshko-1.6", trust_remote_code=True)
msgs = [{"role": "user", "content": "Расскажи о Москве"}]
ids = tok.apply_chat_template(msgs, add_generation_prompt=True, return_tensors="pt")
out = model.generate(ids, max_new_tokens=200)
print(tok.decode(out[0][ids.shape[1]:], skip_special_tokens=True))

trust_remote_code=True нужен для собственной архитектуры RusMind AI.

Для LM Studio, Ollama и llama.cpp — файл GGUF в репозитории DICPlay/RusMind-Zernyshko-1.6-GGUF.

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: 255

Safetensors

Model size

83.1M params

Tensor type

BF16

Collection including DICPlay/RusMind-Zernyshko-1.6

RusMind Зёрнышко

Collection

Крошечные модели RusMind, обученные с нуля: работают даже на кнопочном телефоне • 8 items • Updated 2 days ago