
تسريب GigaChat3.5-Omni: نموذج Sber بحجم 432B يكتسب عيونًا وآذانًا في طلب سحب مسودة
- OrcaجديدOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 لكل مليون رمز · 185 tok/s
- tencentجديدTencent: Hy4 Flash2026-11-16$0.02 / $0.07 لكل مليون رمز · 228 tok/s
- GoogleجديدGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 لكل مليون رمز · 89 tok/s
- AnthropicجديدAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 لكل مليون رمز · 98 tok/s
- orcaجديدOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 لكل مليون رمز · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 لكل مليون رمز · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 لكل مليون رمز · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 لكل مليون رمز · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 لكل مليون رمز · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 لكل مليون رمز · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 لكل مليون رمز · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447الذكاء
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 لكل مليون رمز · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929الذكاء
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 لكل مليون رمز · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733الذكاء
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 لكل مليون رمز · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740الذكاء
يصف طلب سحب أولي فُتح في مستودع SGLang في 18 نوفمبر 2026 نموذجًا غير موجود علنًا: GigaChat3.5-Omni-432B-A28B، وهو GigaChat 3.5 Ultra — نموذج Sber اللغوي لمزيج الخبراء ذو 432 مليار معامل — مع برج رؤية InternViT-300M ومُرمِّز صوتي conformer من 24 طبقة مرفقين به، يستقبل الصور، والفيديو مع مساره الصوتي أو دونه، وملفات الصوت، ومزيجًا من الثلاثة جميعًا. لا يمكن التحقق من أي شيء في تلك الجملة مقابل بطاقة نموذج، لأنه لا توجد بطاقة نموذج عامة. مستودع Hugging Face الذي يربط إليه طلب السحب يعيد HTTP 401 عند الاستعلام عنه اليوم، والبحث بالاسم على Hugging Face لا يعيد شيئًا، ولا تزال وثائق مطوري Sber الخاصة بها تُدرج GigaChat 3 Ultra بوصفه أحدث نموذج من أجيالها، دون أي إدخال متعدد الوسائط في أي مكان في القائمة. ما هو موجود هو 3,290 سطرًا مضافًا من شيفرة الخدمة، وملف تهيئة، ونحو 2,000 سطر من الاختبارات، وجدول قياس أداء تُرك فيه عمود المراجع فارغًا.
هذا ليس بالأمر الهيّن. لا يمكن أن يكتب طلب سحب بهذا الشكل إلا شخص كانت نقطة التحقق أمامه: إذ يؤجل المعالج فك ترميز الصور وتخطيط البكسلات واستخراج log-mel إلى الشيفرة البرمجية البعيدة الخاصة بنقطة التحقق نفسها عبر --trust-remote-code، ما يعني أن المؤلف اضطر إلى تشغيله ليعرف كيف تبدو تلك التنسورات. لذا فالسؤال المفيد ليس «هل أعلنت Sber عن هذا؟» — لم تفعل — بل: ما الذي تقوله الشيفرة عن نموذج من المرجح جدًا أنه في مستودع خاص الآن، وما الذي يعنيه ذلك لأي شخص يدفع حاليًا لكل رمز مقابل فهم الصوت والفيديو.
ما يصفه طلب السحب في الواقع
يحمل طلب السحب SGLang PR #51276 عنوان "[Feat] gigachat35-omni: إضافة دعم الصور والفيديو والصوت إلى GigaChat3.5-Omni". وهو مسودة، ولم يُدمج، وقد جرى تخطي CI الخاص به تحديدًا لأنه مسودة. والتنفيذ عبارة عن غلاف رفيع — GigaChat35OmniForConditionalGeneration حول GigaChat35ForCausalLM الموجود — مع ثلاثة أشياء جديدة حوله: مسار رؤية عبر InternVisionModel ومُسقِط MLP من نوع pixel-shuffle، ومُرمِّز صوتي conformer داخل الشجرة، ومُعالِج يرتّب العناصر النائبة. كل ما ورد أدناه هو وصف مؤلف طلب السحب نفسه للنموذج، ولم يؤكد أيًا منه Sber.
• مكدس اللغة — دون تغيير عن GigaChat 3.5: 432B إجمالي المعاملات، 28B نشطة، 256 خبيرًا مُوجَّهًا بواقع 8 لكل رمز، 40 طبقة، انتباه هجين يمزج MLA مع طبقات الانتباه الخطي Gated DeltaNet، ورأسان MTP. تأتي هذه الأرقام من بطاقة النموذج العامة GigaChat 3.5 Ultra، لذا فإن هذا الجزء قابل للتحقق.
• الرؤية — InternViT-300M، تُقسَّم الصور إلى قصاصات 448×448، بواقع 256 رمزًا لكل قصاصة.
• الصوت — كونفورمر من 24 طبقة، بعرض 1,024، و16 رأسًا، وتغذية أمامية بعرض 4,096، و64 حزمة ميل، وعامل أخذ عينات فرعي 4، والانتباه مقيد إلى مقاطع من 200 إطار مع هالة من كتلة واحدة لكل طبقة. يُرمّز الصوت بمعدل 6.25 رمزًا في الثانية، رمز واحد كل 160 مللي ثانية.
• الفيديو — يحتفظ الإطار الأول بجميع رموزه البالغ عددها 256؛ أما الإطارات اللاحقة فتحتفظ بـ 77 منها في المتوسط، ويُحدَّد أي 77 منها بعد الترميز، عن طريق ترتيب متوسط الفرق المطلق لكل رمز عن الموضع نفسه في الإطار السابق. ويختارها فرز مستقر عبر المقطع كاملًا، لذا قد ينتهي إطار ما بالاحتفاظ بأكثر من 77 أو أقل.
• فيديو بصوت — use_audio_in_video يُشابِك نصيب كل إطار من رموز المسار الصوتي بعده، مع HH:MM:SS طوابع بين الإطارات.
• الصوت الطويل — تُشفَّر المقاطع الأطول من 32 دقيقة في نوافذ مع هالة، ويقول طلب السحب إن ذلك مطابق بتًا ببت لتمريرة واحدة. وادعاؤه: خمس ساعات من الصوت على عقدة واحدة.
• سلوك الفشل — تُرجع الوسائط التالفة استجابة 400 بدلاً من تعطّل المُجدوِل، وSGLANG_VLM_CACHE_SIZE_MB تكون قيمته الافتراضية 2048 لهذه البنية، لأن القيمة الأصلية البالغة 100 MiB لم تكن قادرة على استيعاب تضمينات فيديو طويل، وكانت كل كتلة prefill تعيد تشغيل المشفرات.
المسودة تعني مسودة
يجدر بنا أن نكون دقيقين بشأن أي قدر من هذا يمكن التحقق منه اليوم، لأن طلب سحب مسودة (PR) مع تخطي CI هو اقتراح، وليس حقيقة عن بيئة تشغيل مُطلقة. الملف gigachat35_omni.py غير موجود على الفرع الرئيسي لـ SGLang — فجلبه من هناك يعيد 404 — ولا تحتوي صفحة النماذج المدعومة متعددة الوسائط في الفرع الرئيسي على أي مدخل لـ GigaChat. يحتوي PR على commit واحد، من حساب لا يتفاعل مع SGLang إلا عبر هذا PR، والتعليق الوحيد عليه هو ملاحظة من روبوت التوثيق تطلب الموافقة على المعاينة من fork.
إن المصدر هو أقوى دليل غير مباشر في القصة بأكملها. فمسار الوسائط بالكامل لدى المعالج مُفوَّض إلى «المعالج البعيد لنقطة التحقق»، ويُبلِّغ المؤلف عن تطابق معرّفات المطالبات (prompt-id parity) مع «حزمة الخدمة التي دُرِّب النموذج وقُيِّم بها» — وهي حزمة مرجعية داخلية غير مسمّاة وغير علنية. لا يمكنك كتابة أيٍّ من هذين البندين مقابل نموذج لم تشغّله. سيحتاج شخص من خارج أسوار Sber إلى نقطة التحقق؛ وسيحتاج شخص من داخلها إلى الحزمة الداخلية. لا شيء في طلب السحب (PR) يوضح أيّهما، وهذا المقال لن يخمّن.

الشيء الوحيد الذي يوضحه الكود بوضوح هو أن هذا ليس إعادة تسمية ولا علامة إعداد. يسجّل النموذج model_type (gigachat3_5_omni) بمعرّفات رموز خاصة به — 128004 للصور، و128005 لإطارات الفيديو، و128006 للصوت، و128007 للمسار الصوتي — ومعالج جديد، ونوع نتيجة تضمين جديد يجب أن mm_schedule.py يوجّه الإرسال بناءً عليه بجانب مسار EVS الحالي، ومعالجة جديدة للتعبئة المجزأة، لأن عدد الرموز التي يحتفظ بها الإطار لا يُعرف إلا بعد ترميزه. هذه هي بصمة نموذج دُرِّب وقد أُدمجت فيه قرارات المعالجة المسبقة تلك، وليست بصمة ضبط دقيق مجتمعي مفترض أن يُركَّب على نقطة تحقق نصية.
حسابات الرموز هي الجزء الذي يستحق القراءة
تجاوز جدول المعايير للحظة. الحسابات الواردة في البيان الصحفي هي الجوهر، لأنها ما يخبرك إن كان نموذج بحجم 432B يستوعب الصوت والفيديو الطويلين شيئًا يمكنك تحمّل تكلفة تشغيله — وهي الجزء الذي لن يتغير إذا لم تقل Sber كلمة عن هذا النموذج.
لنأخذ ساعة من الصوت. بمعدل 6.25 رمزًا في الثانية، يكون ذلك 22,500 رمز إدخال، بالإضافة إلى طابع زمني كل 60 ثانية وطابع مدة ختامي — تغيير طفيف مقارنةً بالصوت نفسه. لنأخذ فيديو من 512 إطارًا. بـ256 رمزًا للإطار الأول و77 رمزًا لكل إطار بعده، يبلغ المقطع نحو 39,600 رمز قبل مساره الصوتي، وهو ما يعادل تقريبًا ثلث سياق بسعة 128K لنصف دقيقة من اللقطات. أضف المسار الصوتي، وستحمل كل إطار رموزًا إضافية علاوة على ذلك. هذه هي الحجة الكاملة لصالح مخطط تقليل التغييرات: فمن دونه، سيكون 512 إطارًا بواقع 256 رمزًا لكل إطار 131,072 رمزًا، أي نافذة 128K كاملة لمقطع واحد.
ما يعنيه ذلك من حيث المال أمر يسهل التحقق منه مقابل النماذج التي يمكنك استدعاؤها اليوم. في كتالوج OrcaRouter تسعّر قوائم الوسائط المختلطة حاليًا ساعة من الصوت على النحو التالي:
• Gemini 3.8 Flash — 0.75 دولار لكل مليون رمز إدخال، لذا تبلغ تكلفة ساعة من الصوت نحو 1.7 سنت، ومقطع من 512 إطارًا نحو 3 سنتات.
• Qwen3-VL 235B A22B Instruct — 0.40 دولار لكل مليون رمز إدخال، أي نحو 0.9 سنت في الساعة و1.6 سنت لكل مقطع.
• DeepSeek V4 Flash Vision Exp — 0.22 دولار لكل مليون توكن إدخال، لكن الإدخال من الصور فقط؛ لا يستطيع استقبال الصوت على الإطلاق.
ضع حمل عمل حقيقيًا خلفه. أربعون ساعة من المكالمات المسجّلة تساوي 900,000 رمز: نحو 68 سنتًا وفق قائمة Google و36 سنتًا وفق قائمة Qwen، بسعر القائمة لدى المزوّد. يمرّر OrcaRouter أسعار المزوّدين دون أي هامش ربح، لذا فإن أي تخفيض سعر من أحد المزوّدين على أيّ من هذه يصبح ساريًا لدينا في اليوم نفسه — وهذا أيضًا هو الحد الصادق لما يمكننا قوله هنا: GigaChat3.5-Omni-432B-A28B ليس في كتالوجنا، ولسنا وسيلة لاستدعائه. وهو غير قابل للاستدعاء في أي مكان. المغزى من هذه الحسابات هو أنه عندما يظهر شيء كهذا، فإن الصوت ليس الجزء المكلف؛ بل الرموز التي لا يمكنك ضغطها.
وهنا أيضًا يقع كلٌّ من نافذة الـ32 دقيقة وادعاء الخمس ساعات المرتبطين بالـPR. تهم تلك الأرقام كل من يستضيف النموذج ذاتيًا على ثماني وحدات H100، لأنها تحدد مقدار ما يجب إعادة ترميزه من تسجيل طويل عندما يُقسَّم الطلب عبر أجزاء prefill. ولا تهم هذه الأرقام أي شخص يدفع لكل رمز، حيث إن ساعة من الصوت تبقى ساعة من الصوت أيًّا كان المُرمِّز الذي أنتجها.
أربعة أرقام مرجعية، وعمود فارغ واحد
يُبلغ طلب الدمج عن أربع درجات، جرى تشغيلها على ثماني وحدات H100 بدقة FP8 عند توازٍ موتري مقداره 8، وفك ترميز جشع: MMLU-Pro 73.07، وMMAU test-mini 78.50، وMMMU validation 64.11، وVideo-MME 80.74 على مقطع من 512 إطارًا مع مساره الصوتي. اقرأها مع ثلاثة تحفظات مرفقة، جميعها ظاهرة على صفحة طلب الدمج نفسه.
الأول هو أن عمود المرجع فارغ. يحتوي الجدول على عمود لحزمة الخدمة الأصلية للنموذج وعمود لطلب السحب هذا، ولا يُملأ سوى الثاني، لذا لا توجد خط أساس مطبوع بجانب أي من هذه الأرقام ولا توجد طريقة لمعرفة من الجدول ما إذا كانت النسخة المنقولة تطابق حزمة الخدمة التي دُرِّب عليها النموذج أم تخسر أمامها. صحيح أن النص السردي يقدّم ادعاءً بالتكافؤ — معرفات مطالبات متطابقة في كل طلب يستطيع المرجع خدمته، وتطابق الرموز الأولى في 19 من 19 — وهو ما يخبرك ضمنًا بأن المرجع لم يستطع خدمة أحد الطلبات الثابتة العشرين.
الثانية هي قائمة التحقق. البند الذي نصّه "Provide accuracy and speed benchmark results according to Test the accuracy" غير مؤشَّر عليه، وجدول السرعة، الذي يحتوي على صفوف للدفعة 1 والدفعة 16 وأعمدة لفك الترميز الأساسي، وفك ترميز MTP، ومعدل التسريع، وطول القبول، فارغ تمامًا. لذا لا يوجد رقم إنتاجية لهذا النموذج على الإطلاق، على الرغم من رأسَي MTP في مكدس اللغة التي تنسب إليهما بطاقة GigaChat 3.5 العامة تسريعًا للتوليد يصل إلى 2.2×.
الثالث هو السياق، وهنا تصبح الأرقام مثيرة للاهتمام بدلًا من كونها هزيلة فحسب. إن نتيجة MMLU-Pro البالغة 73.07 تقع أقل بنحو 2.6 نقطة من 75.68 التي تذكرها بطاقة نموذج GigaChat 3.5 Ultra نفسها للنموذج النصي على اسم المعيار نفسه — وقد يعني ذلك أن النسخة متعددة الوسائط تخلّت عن بعض جودة النص، أو أن التشغيلين استخدما أدوات تقييم مختلفة، ولا يوجد شيء منشور يتيح الاختيار بين هذين التفسيرين. أما MMAU عند 78.50 فهي أعلى من 74.7 التي تسردها بطاقة نموذج الصوت الخاصة بـ GigaChat لـ Qwen3-Omni، وأعلى بكثير من 62.2 التي تذكرها البطاقة نفسها لـ Sber's own GigaChat3.1-Audio-10B-A1.8B — وهي بطاقة قِيست على مجموعة MMAU الكاملة بدلًا من المجموعة الفرعية test-mini، لذا تعامل مع تلك المقارنة على أنها إيحائية وليست مقارنة مكافئة. أما MMMU عند 64.11 فهي درجة متوسطة ضمن الحزمة في فهم الصور. ونتيجة Video-MME البالغة 80.74 لمقطع من 512 إطارًا مع الصوت هي التي ستثير الدهشة إذا أعادها أي طرف مستقل.

ما يتطلبه الأمر للخدمة، وما قاله سبير
لنبدأ بحقيقة النشر أولًا. إن نقطة التحقق النصية FP8 خلف GigaChat 3.5 Ultra تبلغ 437.9 GB موزعة على 39 ملفًا، لذا فإن التوازي الموتري 8 على وحدات H100 يترك نحو 55 GB من الأوزان لكل بطاقة قبل ذاكرة KV — ولهذا فإن منصة اختبار PR هي ثماني وحدات H100، ولهذا لن يتغير ذلك كثيرًا بالنسبة لنسخة Omni. البرجان ليسا سوى خطأ تقريب مقابل 432B: فـ InternViT-300M بالإضافة إلى conformer من 24 طبقة بعرض 1,024 هما أقل بكثير من مليار معلمة، لذا فإن متطلبات العتاد هي متطلبات نموذج اللغة أساسًا. البيانات الوصفية وأعلام التشغيل وgigachat35، محلل استدعاءات الأدوات، موجودة بالفعل في SGLang main من عمل GigaChat 3.5 المدمج في سبتمبر، وقد كان لدى كتاب وصفات المشروع صفحة GigaChat 3.5 منذ ذلك الحين؛ أما ما لا وجود له في main فهو أي مسار متعدد الوسائط.
لم تنشر Sber نفسها أي شيء يمكن لهذا المقال العثور عليه. وتُدرج وثائق مطوّريها GigaChat 3 Ultra بوصفه أحدث طراز من الجيل الجديد، إلى جانب GigaChat 2 Max وPro وLite، إضافة إلى نماذج التضمين — لا يوجد 3.5، ولا Omni، ولا إدخال متعدد الوسائط. ولا تملك Artificial Analysis صفحةً لـGigaChat 3.5 Ultra أو لنسخة Omni عند أي مسار (slug) جرّبناه اليوم، لذا لا توجد أيضًا أي نتيجة تقييم مستقلة للنموذج الأساسي يمكن الانطلاق منها. بطاقة GigaChat 3.5 Ultra العامة حقيقية، ومرخّصة بموجب MIT، وتستهدف اللغتين الروسية والإنجليزية، وتُبلغ عن مجموعة اختبارات معيارية من المورّد تشمل TAU2-bench 68.71، وSWE-bench Verified 42.6، وTerminal-Bench 2 عند 13.48، وLiveCodeBench v6 عند 56.2 — وكلها أرقام Sber الخاصة، غير مُعاد إنتاجها، وكلها للنموذج النصي فقط.
تُقرأ سلالة الصوت هنا كخطة لا كمصادفة. فقد أطلقت Sber نموذج GigaChat3.1-Audio-10B-A1.8B في يوليو 2026: مُشفّر كلام من نوع conformer ومهايئ وسائط يغذّيان مفكّك ترميز لمزيج الخبراء بسعة 10B، دُرّب على الإرساء الزمني باستخدام مجموعة بيانات صوتية طويلة مبنية لغرض محدد، مع أوصاف مختومة بالطوابع الزمنية وتلخيص الصوت الطويل بوصفهما من أبرز قدراته. وهذه بالضبط هي القدرة التي صُمم مخطط الختم في Omni PR للحفاظ عليها — طابع زمني قبل كل إطار، وطابع كل ستين ثانية من الصوت، ومدة ختامية — كما أن أبعاد conformer في إعدادات PR متسقة مع دمج تلك المنظومة في نموذج 432B بدلًا من وضعها إلى جانبه.
ما الذي سيحسم الأمر؟
أربعة أشياء، بترتيب تصاعدي حسب مقدار ما ستخبرك به. نقطة تحقق عامة عند معرّف المستودع ذاك ستؤكد وجود النموذج وتتيح لأي شخص قراءة التكوين، وهو حاليًا الأساس الواقعي الوحيد لأبعاد البرج. طلب سحب مدمج غير مسودة مع نجاح CI سيخبرك بأن عملية النقل تعمل على أكثر من الطلبات الثابتة العشرين التي وضعها المؤلف. جدول سرعة يحتوي على أرقام سيخبرك ما إذا كان رأسا MTP يصمدان داخل الغلاف متعدد الوسائط، وهو الفرق بين نموذج يمكنك تقديمه تفاعليًا وآخر لا يمكنك ذلك. معيار تقييم مستقل — أيًّا كان مصدره، على المجموعات الكاملة بدلًا من test-mini — سيخبرك ما إذا كان 78.50 و80.74 يعنيان أي شيء.
حتى ذلك الحين، يظل قرار القارئ بسيطًا، ولا يعتمد على حلّ هذا التسريب. إذا كان منتجك يحتاج إلى فهم الصوت أو الفيديو اليوم، فإن GigaChat3.5-Omni-432B-A28B ليس مطروحًا، ولم يضعه أي إعلان على الطاولة؛ أما النماذج القادرة على أداء المهمة فأسعارها محددة بالفعل لكل token، والحساب أعلاه يقول إن الفاتورة أصغر مما تفترضه معظم الفرق. وإذا كنت تخطط لاستضافة حزمة متعددة الوسائط باللغة الروسية على خوادم H100 الخاصة بك، فإن طلب السحب هذا هو أقرب دليل علني على أن نقطة تحقق كهذه قيد البناء، ويستحق حساب الـ tokens الخاص به القراءة الآن — فمخطط الضغط، وليس جدول المقارنة المعيارية، هو الجزء الذي يحدد ميزانية الذاكرة لديك.
![The GitHub pull request page for sgl-project/sglang PR #51276, titled '[Feat] gigachat35-omni: Add GigaChat3.5-Omni image, video and audio support', showing 'Mogreine wants to merge 1 commit into sgl-project:main from Mogreine:gigachat35-omni', the tab strip with Commit 1, Checks 133 and Files changed 26, and the top of the Motivation section describing GigaChat3.5-Omni-432B-A28B as the GigaChat3.5 language model at 432B total and 28B active parameters with hybrid MLA and Gated DeltaNet attention, an InternViT-300M image and video encoder and a 24-layer conformer audio encoder loaded from the checkpoint.](https://cms.orcarouter.ai/api/media/file/4-4177.png)
ما سنراقبه بعد ذلك: ما إذا كان المستودع سيصبح عامًا، وما إذا كان طلب السحب سيتوقف عن كونه مسودة، وما إذا كانت وثائق مطوّري Sber ستضيف مدخلًا متعدد الوسائط قبل حدوث أي منهما. أيٌّ من الثلاثة سينقل هذا من قطعة حول ما نعرفه حتى الآن إلى إطلاق، وسيحتاج هذا المقال إلى إعادة كتابة لا إلى تحديث.
