Сбер представил GigaChat 3.5 Reasoning — флагманскую мультимодальную нейросеть, обученную с нуля (не файнтюн существующих открытых моделей) на архитектуре 432B-A28B MoEi с собственной технологией линейного внимания для длинного контекста. Модель умеет разбивать задачу на этапы, строить план, проверять промежуточные результаты и исправлять собственные ошибки — впервые для российских разработок в открытом доступе.

Веса выложены бесплатно по лицензии MIT на Hugging Face и GitVerse с возможностью коммерческого использования, а сам режим «Рассуждение» уже доступен в интерфейсе ГигаЧата (giga.chat). По внутренним и внешним замерам модель вплотную подошла к DeepSeek V4 Flash Preview, а по расходу токенов на математике экономнее её на 37%, что важно для стоимости и скорости эксплуатации reasoning-моделей.

• Обучение шло в два этапа: сначала SFT, затем online RLi, где модель разделили на 6 отдельных «экспертов» — математика, код, кодовые агенты, function calling, диалог и следование инструкциям — каждый со своей наградой и проверяемой средой; потом экспертов собрали в одну модель через on-policy distillation (ученик генерирует ответ, эксперт домена оценивает каждый токен)
• Для обучения построили 55 уникальных сред с проверяемым результатом и 12 тысяч задач, часть полностью на русском языке; агент для кода обучался внутри настоящих harness; весь процесс занял 9 месяцев
• Бенчмарки относительно версии без рассуждений: IFBench 44→77, Natural Plan 64→80, Live Code Bench v6 56→85, GPQA-Diamond 61→82
• Относительно GigaChat 3.5 Instant прирост: SWE-Verified 43→65, AIME-2026 67→92, IFBench 44→77
• На бенчмарке MERA (обновлённая текстовая версия) модель заняла 13 место; на внутренних юридических задачах (экзамен по российскому праву, работа с документами) показала лучший результат среди доступных open source моделей
• Curriculum learning, убирающий уже освоенные задачи перед каждой новой стадией, позволил сократить затраты на инференс при обучении вдвое; на всех этапах применялся нативный FP8
• По словам авторов, модель пока немного отстаёт в агентном программировании и олимпиадной математике — это, по их выражению, «домашняя работа уже для GigaChat 4»