
GigaChat3.5-Omni-Leak: Sbers 432B-Modell bekam Augen und Ohren in einem Draft-PR
- OrcaNEUOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 pro 1 Mio. Tokens · 185 tok/s
- tencentNEUTencent: Hy4 Flash2026-11-16$0.02 / $0.07 pro 1 Mio. Tokens · 228 tok/s
- GoogleNEUGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 pro 1 Mio. Tokens · 89 tok/s
- AnthropicNEUAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 pro 1 Mio. Tokens · 98 tok/s
- orcaNEUOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 pro 1 Mio. Tokens · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 pro 1 Mio. Tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 pro 1 Mio. Tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 pro 1 Mio. Tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 pro 1 Mio. Tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 pro 1 Mio. Tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 pro 1 Mio. Tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenz
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 pro 1 Mio. Tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenz
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 pro 1 Mio. Tokens · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenz
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 pro 1 Mio. Tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenz
Ein am 18. November 2026 im SGLang-Repository eröffneter Pull-Request-Entwurf beschreibt ein Modell, das öffentlich nicht existiert: GigaChat3.5-Omni-432B-A28B, also GigaChat 3.5 Ultra — Sbers 432B-Parameter-Sprachmodell mit Mixture-of-Experts-Architektur — mit einem angebundenen InternViT-300M-Vision-Tower und einem 24-schichtigen Conformer-Audio-Encoder, das Bilder, Videos mit oder ohne Tonspur, Audiodateien und Mischungen aus allen drei verarbeitet. Nichts in diesem Satz lässt sich anhand einer Modellkarte überprüfen, denn es gibt keine öffentliche Modellkarte. Das im PR verlinkte Hugging-Face-Repository liefert bei einer heutigen Abfrage HTTP 401, eine Namenssuche auf Hugging Face ergibt nichts, und Sbers eigene Entwicklerdokumentation führt GigaChat 3 Ultra weiterhin als neuestes Generationsmodell auf, ohne multimodalen Eintrag irgendwo in der Liste. Was existiert, sind 3.290 hinzugefügte Zeilen Serving-Code, eine Konfigurationsdatei, rund 2.000 Zeilen Tests und eine Benchmark-Tabelle, deren Referenzspalte jemand leer gelassen hat.
Das ist nicht nichts. Ein Pull Request dieser Form kann nur von jemandem geschrieben werden, der den Checkpoint vor sich hatte: Der Prozessor delegiert die Bilddekodierung, das Pixellayout und die Log-Mel-Extraktion über --trust-remote-code an den eigenen Remote-Code des Checkpoints, was bedeutet, dass der Autor ihn ausführen musste, um zu wissen, wie diese Tensoren aussehen. Die sinnvolle Frage ist also nicht „hat Sber das angekündigt“ – hat es nicht –, sondern was der Code über ein Modell aussagt, das sich sehr wahrscheinlich gerade jetzt in einem privaten Repository befindet, und was das für alle bedeuten würde, die derzeit pro Token dafür bezahlen, dass Audio und Video verstanden werden.
Was der Pull Request tatsächlich beschreibt
SGLang PR #51276 trägt den Titel „[Feat] gigachat35-omni: GigaChat3.5-Omni-Unterstützung für Bilder, Videos und Audio hinzufügen“. Es ist ein Entwurf, es ist nicht zusammengeführt, und seine CI wurde genau deshalb übersprungen, weil es ein Entwurf ist. Die Implementierung ist ein dünner Wrapper — GigaChat35OmniForConditionalGeneration um das bestehende GigaChat35ForCausalLM — mit drei neuen Dingen darum herum: einem Vision-Pfad über InternVisionModel und einem Pixel-Shuffle-MLP-Projektor, einem In-Tree-Conformer-Audio-Encoder und einem Prozessor, der die Platzhalter anordnet. Alles Folgende ist die eigene Beschreibung des Modells durch den PR-Autor, und nichts davon wurde von Sber bestätigt.
• Sprach-Stack – unverändert gegenüber GigaChat 3.5: 432B Gesamtparameter, 28B aktive, 256 geroutete Experten mit 8 pro Token, 40 Schichten, hybride Attention, die MLA mit linearen Attention-Schichten von Gated DeltaNet mischt, zwei MTP-Heads. Diese Zahlen stammen aus der öffentlichen Modellkarte von GigaChat 3.5 Ultra, daher ist dieser Teil verifizierbar.
• Vision — InternViT-300M, Bilder werden in 448×448 große Ausschnitte aufgeteilt, 256 Tokens pro Ausschnitt.
• Audio — ein 24-schichtiger Conformer, 1.024 breit, 16 Heads, 4.096 breites Feed-Forward, 64 Mel-Bins, Subsampling-Faktor 4, Attention beschränkt auf 200-Frame-Chunks mit einem Halo von einem Block pro Schicht. Audio tokenisiert mit 6,25 Token pro Sekunde, ein Token pro 160 ms.
• Video — der erste Frame behält alle 256 seiner Tokens; spätere Frames behalten im Durchschnitt 77, und welche 77 behalten werden, wird nach der Kodierung entschieden, indem die mittlere absolute Differenz jedes Tokens zur selben Position im vorherigen Frame als Rangfolge herangezogen wird. Eine stabile Sortierung über den gesamten Clip wählt sie aus, sodass ein Frame letztlich mehr oder weniger als 77 behalten kann.
• Video mit Ton — use_audio_in_video fügt den Anteil jedes Frames an den Soundtrack-Tokens danach ein, mit HH:MM:SS-Zeitstempeln zwischen den Frames.
• Langaudio — Clips, die länger als 32 Minuten sind, werden in Fenstern mit einem Halo kodiert; laut PR sei dies bitidentisch zu einem einzigen Durchlauf. Die Behauptung: fünf Stunden Audio auf einem einzigen Node.
• Fehlerverhalten – fehlerhaft formatierte Medien geben einen 400 zurück, statt den Scheduler zum Absturz zu bringen, und SGLANG_VLM_CACHE_SIZE_MB ist für diese Architektur standardmäßig 2048, weil die voreingestellten 100 MiB die Embeddings eines langen Videos nicht aufnehmen konnten und jeder Prefill-Chunk die Encoder erneut ausführte.
Entwurf bedeutet Entwurf
Es lohnt sich, genau zu sein, wie viel davon heute verifizierbar ist, denn ein Draft-PR mit übersprungener CI ist ein Vorschlag, kein Fakt über eine ausgelieferte Runtime. Die Datei gigachat35_omni.py existiert nicht im Main-Branch von SGLang – ein Abruf dort liefert einen 404 – und die Seite der unterstützten multimodalen Modelle im Main enthält keinen GigaChat-Eintrag. Der PR hat einen einzigen Commit von einem Konto, dessen einzige SGLang-Interaktion dieser PR ist, und der einzige Kommentar dazu ist eine Notiz des Dokumentations-Bots, die eine Preview-Freigabe aus einem Fork erbittet.
Die Provenienz ist der stärkste indirekte Beweis in der ganzen Geschichte. Der gesamte Medienpfad des Prozessors ist an „den entfernten Prozessor des Checkpoints“ delegiert, und der Autor meldet Prompt-ID-Parität gegenüber „dem Serving-Stack, mit dem das Modell trainiert und evaluiert wurde“ – einem internen Referenz-Stack, der weder genannt noch öffentlich ist. Man kann beides nicht gegen ein Modell schreiben, das man nicht ausgeführt hat. Jemand außerhalb von Sbers Mauern bräuchte den Checkpoint; jemand innerhalb hätte den internen Stack. Nichts in der PR sagt, welcher Fall zutrifft, und dieser Beitrag wird nicht raten.

Das Einzige, was der Code eindeutig zeigt, ist, dass es sich nicht um eine Umbenennung oder ein Konfigurationsflag handelt. Das Modell registriert einen neuen model_type (gigachat3_5_omni) mit eigenen Token-IDs — 128004 für Bilder, 128005 für Video-Frames, 128006 für Audio, 128007 für Soundtrack —, einen neuen Prozessor, einen neuen Embedding-Ergebnistyp, auf den mm_schedule.py neben dem bestehenden EVS-Pfad dispatchen muss, und eine neue Behandlung für Chunked Prefill, weil die Anzahl der Tokens, die ein Frame behält, erst nach seiner Kodierung bekannt ist. Das ist die Signatur eines Modells, das mit diesen fest eingebauten Vorverarbeitungsentscheidungen trainiert wurde, nicht die eines Community-Fine-Tunes, das hypothetisch an einen Text-Checkpoint geschraubt wurde.
Die Token-Rechnung ist der Teil, der sich zu lesen lohnt
Lassen Sie die Benchmark-Tabelle für einen Moment außen vor. Die Arithmetik in der PR ist das Wesentliche, denn sie sagt Ihnen, ob ein 432B-Modell, das lange Audio- und Videodaten verarbeitet, etwas ist, das Sie sich leisten können zu betreiben — und sie ist der Teil, der sich nicht ändern wird, wenn Sber kein Wort über dieses Modell verliert.
Nehmen Sie eine Stunde Audio. Bei 6,25 Token pro Sekunde sind das 22.500 Eingabe-Token, plus ein Zeitstempel alle 60 Sekunden und ein abschließender Dauerstempel – wenig im Vergleich zum Audio selbst. Nehmen Sie ein Video mit 512 Frames. Bei 256 Token für das erste Frame und 77 pro Frame danach kommt der Clip auf etwa 39.600 Token vor seiner Tonspur, was ungefähr einem Drittel eines 128K-Kontexts für eine halbe Minute Filmmaterial entspricht. Fügt man die Tonspur hinzu, trägt jedes Frame zusätzliche Token obendrauf. Das ist das gesamte Argument für das Change-Reduction-Schema: Ohne es wären 512 Frames bei je 256 Token 131.072 Token, ein gesamtes 128K-Fenster für einen einzigen Clip.
Was das in Geld bedeutet, lässt sich leicht anhand von Modellen prüfen, die Sie heute aufrufen können. Im Katalog von OrcaRouter bepreisen die Mixed-Media-Einträge eine Stunde Audio derzeit so:
• Gemini 3.8 Flash — 0,75 US-Dollar pro Million Eingabe-Tokens, eine Stunde Audio kostet also etwa 1,7 Cent und ein 512-Frame-Clip etwa 3 Cent.
• Qwen3-VL 235B A22B Instruct — 0,40 $ pro Million Eingabe-Tokens, also etwa 0,9 Cent pro Stunde und 1,6 Cent pro Clip.
• DeepSeek V4 Flash Vision Exp — 0,22 $ pro Million Eingabe-Tokens, aber ausschließlich Bildeingabe; Audio kann es überhaupt nicht verarbeiten.
Setzen Sie eine echte Arbeitslast dahinter. Vierzig Stunden aufgezeichnete Anrufe sind 900.000 Tokens: etwa 68 Cent auf dem Google-Listing und 36 Cent auf dem Qwen-Listing, zu den Listenpreisen der Anbieter. OrcaRouter reicht die Anbietertarife ohne Aufschlag durch, sodass eine Preissenkung eines Anbieters für eines dieser Modelle bei uns noch am selben Tag live ist — was zugleich die ehrliche Grenze dessen ist, was wir hier sagen können: GigaChat3.5-Omni-432B-A28B ist nicht in unserem Katalog, und wir sind kein Weg, es aufzurufen. Es ist nirgends aufrufbar. Der Sinn der Rechnung ist, dass, wenn so etwas tatsächlich erscheint, das Audio nicht der teure Teil ist; teuer sind die Tokens, die man nicht komprimieren kann.
Dort finden sich auch das 32-Minuten-Fenster und die Behauptung von fünf Stunden aus der Pressemitteilung. Diese Zahlen sind für alle relevant, die das Modell auf acht H100 selbst hosten, denn sie entscheiden darüber, wie viel einer langen Aufnahme neu kodiert werden muss, wenn eine Anfrage auf mehrere Prefill-Chunks aufgeteilt wird. Für alle, die pro Token zahlen, spielen sie keine Rolle: Dort ist eine Stunde Audio eine Stunde Audio, egal welcher Encoder sie erzeugt hat.
Vier Benchmark-Zahlen, eine leere Spalte
Der PR nennt vier Ergebnisse, ermittelt auf acht H100s in FP8 bei Tensor-Parallel 8 und Greedy-Decoding: MMLU-Pro 73,07, MMAU test-mini 78,50, MMMU validation 64,11 und Video-MME 80,74 bei einem 512-Frame-Clip mit seiner Tonspur. Lies sie mit drei Vorbehalten, die alle auf der PR-Seite selbst sichtbar sind.
Das erste ist, dass die Referenzspalte leer ist. Die Tabelle hat eine Spalte für den ursprünglichen Serving-Stack des Modells und eine Spalte für diesen PR, und nur die zweite ist ausgefüllt, daher steht neben keiner dieser Zahlen eine Baseline, und aus der Tabelle lässt sich nicht ablesen, ob der Port mit dem Stack, auf dem das Modell trainiert wurde, mithält oder gegen ihn verliert. Der Fließtext erhebt zwar einen Paritätsanspruch – identische Prompt-IDs bei jeder Anfrage, die die Referenz bedienen konnte, übereinstimmende erste Tokens bei 19 von 19 –, was implizit sagt, dass die Referenz eine der zwanzig festen Anfragen nicht bedienen konnte.
Das zweite ist die Checkliste. Der Punkt „Genauigkeits- und Geschwindigkeits-Benchmark-Ergebnisse gemäß Test the accuracy bereitstellen“ ist nicht abgehakt, und die Geschwindigkeitstabelle, die Zeilen für Batch 1 und Batch 16 sowie Spalten für Base-Decode, MTP-Decode, Speedup und Accept-Length enthält, ist vollständig leer. Für dieses Modell gibt es also überhaupt keinen Durchsatzwert, obwohl die beiden MTP-Heads im Sprach-Stack, denen die öffentliche GigaChat-3.5-Karte eine Generierungsgeschwindigkeit von bis zu 2,2× zuschreibt, vorhanden sind.
Der dritte Punkt ist der Kontext, und hier werden die Zahlen interessant statt bloß dürftig. MMLU-Pro bei 73,07 liegt etwa 2,6 Punkte unter den 75,68, die die eigene Model Card von GigaChat 3.5 Ultra für das Textmodell unter demselben Benchmark-Namen angibt – was bedeuten könnte, dass die multimodale Variante etwas Textqualität eingebüßt hat, oder dass die beiden Läufe unterschiedliche Harnesses verwendet haben, und es gibt nichts Veröffentlichtes, das eine Entscheidung zwischen diesen Erklärungen ermöglichen würde. MMAU bei 78,50 ist höher als die 74,7, die die eigene Audio-Model-Card von GigaChat für Qwen3-Omni angibt, und weit über den 62,2, die dieselbe Karte für Sbers eigenes GigaChat3.1-Audio-10B-A1.8B berichtet – eine Karte, die auf dem vollständigen MMAU-Satz statt auf der test-mini-Teilmenge gemessen wurde, daher sollte man diesen Vergleich als bloßen Hinweis und nicht als direkt vergleichbar behandeln. MMMU bei 64,11 ist ein Bildverständnis-Score im Mittelfeld. Video-MME bei 80,74 für einen 512-Frame-Clip mit Audio ist der Wert, der für Aufsehen sorgen würde, wenn ihn jemand unabhängig reproduzierte.

Was es braucht, um zu dienen, und was Sber gesagt hat
Zuerst die Deployment-Realität. Der FP8-Text-Checkpoint hinter GigaChat 3.5 Ultra umfasst 437,9 GB über 39 Dateien, sodass Tensor-Parallel 8 auf H100s vor dem KV-Cache ungefähr 55 GB Gewichte pro Karte übrig lässt — weshalb der Testaufbau des PR aus acht H100s besteht und sich das für die Omni-Variante nicht groß ändern wird. Die beiden Türme sind gegenüber 432B ein Rundungsfehler: InternViT-300M plus ein 24-schichtiger Conformer mit 1.024 Breite liegen deutlich unter einer Milliarde Parametern, die Hardwareanforderung ist also im Wesentlichen die des Sprachmodells. Metadaten, Launch-Flags und der gigachat35 Tool-Call-Parser sind bereits mit der im September gemergten GigaChat-3.5-Arbeit in den SGLang-Main gelangt, und das Cookbook des Projekts hat seitdem eine GigaChat-3.5-Seite; was im Main nicht existiert, ist irgendein multimodaler Pfad.
Sber selbst hat nichts veröffentlicht, was dieser Artikel finden konnte. In der Entwicklerdokumentation wird GigaChat 3 Ultra als neuestes Generationsmodell aufgeführt, zusammen mit GigaChat 2 Max, Pro und Lite sowie Embedding-Modellen – kein 3.5, kein Omni, kein multimodaler Eintrag. Artificial Analysis hat keine Seite für GigaChat 3.5 Ultra oder für die Omni-Variante unter irgendeinem Slug, den wir heute versucht haben, sodass es auch keine unabhängige Bewertung für das Basismodell gibt, auf die man sich stützen könnte. Die öffentliche GigaChat 3.5 Ultra Card ist echt, ist MIT-lizenziert, richtet sich an Russisch und Englisch und nennt einen Anbieter-Benchmark-Satz mit TAU2-bench 68,71, SWE-bench Verified 42,6, Terminal-Bench 2 bei 13,48 und LiveCodeBench v6 bei 56,2 – alles eigene Zahlen von Sber, nicht reproduziert und alle nur für das Textmodell.
Die Audio-Linie ist der Teil davon, der sich wie ein Plan statt wie ein Zufall liest. Sber hat GigaChat3.1-Audio-10B-A1.8B im Juli 2026 ausgeliefert: einen Conformer-Sprach-Encoder und einen Modalitätsadapter, die einen 10B-Mixture-of-Experts-Decoder speisen, trainiert für zeitliche Verankerung auf einem eigens entwickelten Langaudio-Datensatz, mit zeitgestempelten Beschreibungen und Langaudio-Zusammenfassung als Kernfähigkeiten. Genau diese Fähigkeit soll das Stempel-Schema des Omni-PR bewahren – ein Zeitstempel vor jedem Frame, ein Stempel alle sechzig Sekunden Audio, eine abschließende Dauer –, und die Conformer-Dimensionen in der Konfiguration des PR passen dazu, diesen Stack in das 432B-Modell einzugliedern, statt ihn daneben stehen zu lassen.
Was würde es klären
Vier Dinge, in aufsteigender Reihenfolge danach, wie viel sie Ihnen verraten würden. Ein öffentlicher Checkpoint unter dieser Repository-ID würde bestätigen, dass das Modell existiert, und jedem erlauben, die Konfiguration zu lesen, die derzeit die gesamte faktische Grundlage für die Tower-Dimensionen bildet. Ein gemergter, nicht als Entwurf markierter PR mit grüner CI würde Ihnen zeigen, dass der Port über die zwanzig festen Anfragen des Autors hinaus funktioniert. Eine Geschwindigkeitstabelle mit konkreten Zahlen darin würde Ihnen verraten, ob die beiden MTP-Köpfe den multimodalen Wrapper überstehen, was den Unterschied ausmacht zwischen einem Modell, das Sie interaktiv bereitstellen können, und einem, bei dem das nicht möglich ist. Ein unabhängiger Benchmark – irgendeiner, auf den vollständigen Sets statt auf test-mini – würde Ihnen zeigen, ob 78.50 und 80.74 irgendetwas bedeuten.
Bis dahin ist die Entscheidung für Leserinnen und Leser einfach, und sie hängt nicht davon ab, ob dieses Leck geklärt wird. Wenn Ihr Produkt heute Audio oder Video verstehen muss, steht GigaChat3.5-Omni-432B-A28B nicht zur Verfügung, und keine Ankündigung hat es dorthin gebracht; die Modelle, die die Arbeit erledigen können, werden bereits pro Token abgerechnet, und die obige Rechnung zeigt, dass die Rechnung kleiner ausfällt, als die meisten Teams annehmen. Wenn Sie einen russischsprachigen multimodalen Stack auf Ihren eigenen H100s selbst hosten möchten, ist dieser PR der früheste öffentliche Beleg dafür, dass ein solcher Checkpoint gebaut wird, und seine Token-Abrechnung lohnt sich jetzt zu lesen — das Kompressionsschema, nicht die Benchmark-Tabelle, ist der Teil, der Ihr Speicherbudget bestimmt.
![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)
Was wir als Nächstes beobachten würden: ob das Repository öffentlich wird, ob der PR kein Entwurf mehr ist und ob Sbers Entwicklerdokumentation einen multimodalen Eintrag erhält, bevor eines der beiden anderen Ereignisse eintritt. Jedes der drei würde dies von einem Artikel über den bisherigen Wissensstand zu einer Launch-Meldung machen, und dieser Artikel müsste eher neu geschrieben als aktualisiert werden.
