✅Сбер выпустил открытую рассуждающую нейросеть GigaChat 3.5 Reasoning.
Сбер представил флагманскую мультимодальную модель GigaChat 3.5 Reasoning с архитектурой рассуждений, опубликовав её веса в открытом доступе по лицензии MIT.
Новинка, со слов разработчиков, стала первой отечественной открытой моделью, обученной работать по принципу цепочки рассуждений (Chain-of-Thought): перед выдачей итогового ответа нейросеть разбивает задачу на подпункты, составляет план, проверяет промежуточные выводы и корректирует логические ошибки.
В основу модели легла архитектура Mixture-of-Experts (MoE) с общим объёмом 432 млрд параметров, из которых на каждый токен активируются 28 млрд. Главным инженерным новшеством стало внедрение гибридного внимания: классический механизм Multi-head Latent Attention (MLA) объединили со слоями линейного внимания GatedDeltaNet. Это снизило нагрузку на память видеокарт при обработке длинного контекста и сократило размер кеша ключей и значений (KV-cache) примерно в четыре раза по сравнению с предыдущим поколением GigaChat 3.1 Ultra.
В тестах на сложные рассуждения модель показала результаты, сопоставимые с актуальными зарубежными моделями:
LiveCodeBench v6 (написание кода): показатель вырос с 56 до 85 баллов. Результат выводит российскую модель на один уровень с признанными кодинг-моделями линейки DeepSeek и оставляет позади базовые версии открытых моделей предыдущих итераций;
IFBench (следование сложным инструкциям): точность выросла с 44 до 77 баллов;
Natural Plan (многоэтапное планирование): результат поднялся с 64 до 80 баллов;
MMLU-Pro: базовая версия модели набрала 74,5 балла, превзойдя показатели DeepSeek V4 Flash Base (65,8 балла);
Отдельный акцент разработчики сделали на экономичности рассуждений. В математических задачах GigaChat 3.5 Reasoning тратит в среднем на 37% меньше токенов рассуждения, чем конкурирующая DeepSeek V4 Flash Preview, сохраняя сопоставимую точность ответа.
Модель уже развёрнута в веб-интерфейсе сервиса GigaChat — режим цепочки мыслей включается отдельной кнопкой.
Сбер представил флагманскую мультимодальную модель GigaChat 3.5 Reasoning с архитектурой рассуждений, опубликовав её веса в открытом доступе по лицензии MIT.
Новинка, со слов разработчиков, стала первой отечественной открытой моделью, обученной работать по принципу цепочки рассуждений (Chain-of-Thought): перед выдачей итогового ответа нейросеть разбивает задачу на подпункты, составляет план, проверяет промежуточные выводы и корректирует логические ошибки.
В основу модели легла архитектура Mixture-of-Experts (MoE) с общим объёмом 432 млрд параметров, из которых на каждый токен активируются 28 млрд. Главным инженерным новшеством стало внедрение гибридного внимания: классический механизм Multi-head Latent Attention (MLA) объединили со слоями линейного внимания GatedDeltaNet. Это снизило нагрузку на память видеокарт при обработке длинного контекста и сократило размер кеша ключей и значений (KV-cache) примерно в четыре раза по сравнению с предыдущим поколением GigaChat 3.1 Ultra.
В тестах на сложные рассуждения модель показала результаты, сопоставимые с актуальными зарубежными моделями:
LiveCodeBench v6 (написание кода): показатель вырос с 56 до 85 баллов. Результат выводит российскую модель на один уровень с признанными кодинг-моделями линейки DeepSeek и оставляет позади базовые версии открытых моделей предыдущих итераций;
IFBench (следование сложным инструкциям): точность выросла с 44 до 77 баллов;
Natural Plan (многоэтапное планирование): результат поднялся с 64 до 80 баллов;
MMLU-Pro: базовая версия модели набрала 74,5 балла, превзойдя показатели DeepSeek V4 Flash Base (65,8 балла);
Отдельный акцент разработчики сделали на экономичности рассуждений. В математических задачах GigaChat 3.5 Reasoning тратит в среднем на 37% меньше токенов рассуждения, чем конкурирующая DeepSeek V4 Flash Preview, сохраняя сопоставимую точность ответа.
Модель уже развёрнута в веб-интерфейсе сервиса GigaChat — режим цепочки мыслей включается отдельной кнопкой.