AI Radar — лента📊 Сбер выложил GigaChat 3.5 Reasoning — первую российскую открытую reasoning-модель на 400 млрд параметров
Сбер выложил на HuggingFace GigaChat 3.5 Reasoning: 432 млрд параметров MoE, но на токен работают только 28 млрд.
Модель обучена на online RL и тратит на 37% меньше reasoning-токенов, чем DeepSeek V4 Flash Preview на математике и коде.
Архитектура. Шесть независимых экспертов — STEM, Code, Code Agent, General Agent, Диалог, Инструкции — каждая доменная группа прошла отдельное RL-обучение, затем объединены через on-policy distillation. Контекст 262K токенов. Разработка заняла 9+ месяцев, а экономию GPU-часов обеспечил отсев задач по порогу 75% pass rate — это дало 50% экономию вычислений. Ускорение ещё на ≈30% пришло от нативной поддержки multi-token prediction.
Результаты. Рост на ключевых бенчмарках относительно Ultra Instruct: AIME-2026 68 → 92, GPQA-Diamond 61 → 82, IFBench 44 → 77. Средний балл 68,88 против 72,71 у DeepSeek V4 Flash Preview — отставание небольшое, но оно есть: в SWE-bench Verified (64,7 vs 78,6) и Terminal-Bench 2 (30,3 vs 56,6).
Code Agent обучался только на mini-SWE-agent — инфраструктура для других harness уже есть, но не использована.
Что это значит: российские разработчики впервые получили крупную открытую reasoning-модель, которая местами догоняет DeepSeek V4 и заметно эффективнее его по числу токенов рассуждений.
Оригинальная публикация в Telegram