
Leak su GigaChat3.5-Omni: il modello 432B di Sber si è dotato di occhi e orecchie in una PR in bozza
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 185 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 228 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 89 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 98 tok/s
- orcaNUOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligenza
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M di token · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligenza
Una pull request in bozza aperta nel repository SGLang il 18 novembre 2026 descrive un modello che non esiste in pubblico: GigaChat3.5-Omni-432B-A28B, ovvero GigaChat 3.5 Ultra — il modello linguistico mixture-of-experts da 432 miliardi di parametri di Sber — con una torre di visione InternViT-300M e un encoder audio conformer a 24 livelli collegati, che accetta immagini, video con o senza la relativa traccia audio, file audio e miscele di tutti e tre. Nulla in quella frase può essere verificato rispetto a una model card, perché non esiste alcuna model card pubblica. Il repository Hugging Face a cui rimanda la PR restituisce HTTP 401 se interrogato oggi, una ricerca per nome su Hugging Face non restituisce nulla, e la documentazione per sviluppatori di Sber elenca ancora GigaChat 3 Ultra come il suo modello di generazione più recente, senza alcuna voce multimodale da nessuna parte nell'elenco. Ciò che esiste sono 3.290 righe aggiunte di codice di serving, un file di configurazione, circa 2.000 righe di test e una tabella di benchmark la cui colonna di riferimento qualcuno ha lasciato vuota.
Non è cosa da poco. Una pull request di questo tipo può essere scritta solo da qualcuno che ha avuto il checkpoint davanti a sé: il processore delega la decodifica delle immagini, il layout dei pixel e l'estrazione log-mel al codice remoto del checkpoint stesso tramite --trust-remote-code, il che significa che l'autore ha dovuto eseguirlo per sapere che aspetto hanno quei tensori. Quindi la domanda utile non è "lo ha annunciato Sber" — non lo ha fatto — ma cosa dice il codice di un modello che molto probabilmente si trova in un repository privato in questo momento, e cosa significherebbe per chiunque oggi paghi per token per far comprendere audio e video.
Ciò che la pull request descrive effettivamente
La PR #51276 di SGLang è intitolata "[Feat] gigachat35-omni: Add GigaChat3.5-Omni image, video and audio support". È una bozza, non è stata unita e la sua CI è stata saltata proprio perché è una bozza. L'implementazione è un wrapper sottile — GigaChat35OmniForConditionalGeneration attorno all'esistente GigaChat35ForCausalLM — con tre novità intorno: un percorso visivo tramite InternVisionModel e un proiettore MLP con pixel-shuffle, un encoder audio conformer in-tree e un processore che dispone i segnaposto. Tutto ciò che segue è la descrizione del modello fatta dall'autore stesso della PR, e nulla di essa è stato confermato da Sber.
• Stack linguistico — invariato rispetto a GigaChat 3.5: 432B parametri totali, 28B attivi, 256 esperti instradati con 8 per token, 40 livelli, attenzione ibrida che combina MLA con livelli di attenzione lineare Gated DeltaNet, due teste MTP. Questi dati provengono dalla model card pubblica di GigaChat 3.5 Ultra, quindi questa parte è verificabile.
• Visione — InternViT-300M, immagini suddivise in ritagli 448×448, 256 token per ritaglio.
• Audio — un conformer a 24 strati, con dimensione 1.024, 16 teste, feed-forward di dimensione 4.096, 64 bin mel, fattore di sottocampionamento 4, attenzione limitata a blocchi di 200 frame con un alone di un blocco per strato. L'audio viene tokenizzato a 6,25 token al secondo, un token ogni 160 ms.
• Video — il primo frame mantiene tutti i suoi 256 token; i frame successivi ne mantengono 77 in media, e quali 77 viene deciso dopo la codifica, ordinando per rango la differenza assoluta media di ciascun token rispetto alla stessa posizione nel frame precedente. Un ordinamento stabile sull'intero clip li seleziona, quindi un frame può finire per mantenerne più o meno di 77.
• Video con audio — use_audio_in_video interlaccia dopo ogni frame la sua quota di token della colonna sonora, con HH:MM:SS indicatori tra i frame.
• Audio lungo — le clip più lunghe di 32 minuti vengono codificate in finestre con un halo, che la PR afferma essere bit-identico a una passata singola. La sua affermazione: cinque ore di audio su un singolo nodo.
• Comportamento in caso di errore — i media malformati restituiscono un 400 invece di mandare in crash lo scheduler, e SGLANG_VLM_CACHE_SIZE_MB ha come valore predefinito 2048 per questa architettura, perché il valore standard di 100 MiB non riusciva a contenere gli embedding di un video lungo e ogni chunk di prefill rieseguiva gli encoder.
Bozza significa bozza
Vale la pena essere precisi su quanto di tutto ciò sia verificabile oggi, perché una PR in bozza con la CI saltata è una proposta, non un fatto relativo a un runtime rilasciato. Il file gigachat35_omni.py non esiste sul branch main di SGLang — recuperarlo da lì restituisce un 404 — e la pagina dei modelli multimodali supportati su main non contiene alcuna voce GigaChat. La PR ha un solo commit, da un account la cui unica interazione con SGLang è questa PR, e l'unico commento presente è una nota del bot della documentazione che chiede l'approvazione dell'anteprima da un fork.
La provenienza è la prova indiretta più forte di tutta la vicenda. L'intero percorso media del processore è delegato a "il processore remoto del checkpoint", e l'autore riporta la parità degli ID di prompt rispetto a "lo stack di serving con cui il modello è stato addestrato e valutato" — uno stack di riferimento interno che non viene nominato e non è pubblico. Non si può scrivere nessuna delle due cose per un modello che non si è eseguito. Qualcuno fuori dalle mura di Sber avrebbe bisogno del checkpoint; qualcuno dentro le avrebbe lo stack interno. Niente nella PR dice quale dei due, e questo articolo non tirerà a indovinare.

L'unica cosa che il codice rende chiara è che non si tratta di una rinomina né di un flag di configurazione. Il modello registra un nuovo model_type (gigachat3_5_omni) con i propri token id — 128004 per le immagini, 128005 per i fotogrammi video, 128006 per l'audio, 128007 per la colonna sonora — un nuovo processore, un nuovo tipo di risultato di embedding su cui mm_schedule.py deve effettuare il dispatch accanto al percorso EVS esistente, e una nuova gestione del prefill a chunk, perché il numero di token che un fotogramma conserva è noto solo dopo che è stato codificato. Questa è la firma di un modello addestrato con quelle decisioni di preprocessing integrate, non di un fine-tune della community ipoteticamente aggiunto a un checkpoint testuale.
Il calcolo dei token è la parte che vale la pena leggere
Per un momento, salta la tabella dei benchmark. L'aritmetica nel PR è la sostanza, perché è ciò che ti dice se un modello da 432B che ingerisce audio e video lunghi è una cosa che potresti permetterti di eseguire — ed è la parte che non cambierà se Sber non dirà mai una parola su questo modello.
Prendi un'ora di audio. {{1}}A 6,25 token al secondo, sono 22.500 token di input, più una marca temporale ogni 60 secondi e una marca temporale di durata finale{{/1}} — una bazzecola rispetto all'audio stesso. {{2}}Prendi un video di 512 frame. A 256 token per il primo frame e 77 per ciascun frame successivo, la clip arriva a circa 39.600 token prima della colonna sonora{{/2}}, che è grossomodo un terzo di un contesto da 128K per mezzo minuto di filmato. Aggiungi la colonna sonora e ogni frame comporta altri token in più. Questo è l'intero argomento a favore dello schema di riduzione dei cambi: senza di esso, 512 frame a 256 token ciascuno sarebbero 131.072 token, un'intera finestra da 128K per una singola clip.
Ciò che significa in termini di denaro è facile da verificare rispetto ai modelli che puoi chiamare oggi. Nel catalogo di OrcaRouter le voci mixed-media attualmente prezzano un'ora di audio così:
• Gemini 3.8 Flash — 0,75 $ per milione di token di input, quindi un'ora di audio costa circa 1,7 centesimi e una clip di 512 frame circa 3 centesimi.
• Qwen3-VL 235B A22B Instruct — $0,40 per milione di token di input, quindi circa 0,9 centesimi all'ora e 1,6 centesimi per clip.
• DeepSeek V4 Flash Vision Exp — 0,22 $ per milione di token di input, ma con input esclusivamente di immagini; non è affatto in grado di ricevere l'audio.
Mettilo alla prova con un carico di lavoro reale. Quaranta ore di chiamate registrate sono 900.000 token: circa 68 centesimi sul listino Google e 36 centesimi su quello Qwen, al prezzo di listino del fornitore. OrcaRouter applica le tariffe dei provider senza ricarico, quindi un taglio di prezzo del fornitore su uno qualsiasi di questi è operativo dalla nostra parte lo stesso giorno — che è anche il limite onesto di ciò che possiamo dire qui: GigaChat3.5-Omni-432B-A28B non è nel nostro catalogo e non siamo una via per chiamarlo. Non è possibile chiamarlo da nessuna parte. Il punto dell'aritmetica è che, quando qualcosa di simile si presenterà, l'audio non è la parte costosa; lo sono i token che non puoi comprimere.
È anche qui che si collocano la finestra di 32 minuti e la dichiarazione delle cinque ore della PR. Quei numeri contano per chi ospita il modello in autonomia su otto H100, perché determinano quanta parte di una lunga registrazione debba essere ricodificata quando una richiesta viene suddivisa tra blocchi di prefill. Non contano per chi paga per token, dove un'ora di audio è un'ora di audio, qualunque encoder l'abbia prodotta.
Quattro numeri di benchmark, una colonna vuota
La PR riporta quattro punteggi, ottenuti su otto H100 in FP8 con tensor-parallel 8, decodifica greedy: MMLU-Pro 73,07, MMAU test-mini 78,50, MMMU validation 64,11 e Video-MME 80,74 su una clip di 512 frame con la sua colonna sonora. Leggili tenendo conto di tre avvertenze, tutte visibili sulla pagina della PR stessa.
La prima è che la colonna di riferimento è vuota. La tabella ha una colonna per lo stack di serving originale del modello e una colonna per questa PR, e solo la seconda è compilata, quindi non c'è alcuna baseline stampata accanto a nessuno di questi numeri e nessun modo per capire dalla tabella se il port sia alla pari o perda rispetto allo stack su cui il modello è stato addestrato. Il testo fa comunque un'affermazione di parità — ID dei prompt identici su ogni richiesta che il riferimento riusciva a servire, primi token corrispondenti su 19 su 19 — il che implicitamente ti dice che il riferimento non riusciva a servire una delle venti richieste fisse.
Il secondo è la checklist. La voce «Fornisci i risultati dei benchmark di accuratezza e velocità in base a Test the accuracy» non è spuntata, e la tabella della velocità, che ha righe per batch 1 e batch 16 con colonne per decodifica base, decodifica MTP, accelerazione e lunghezza di accettazione, è completamente vuota. Quindi non esiste alcun valore di throughput per questo modello, nonostante le due teste MTP nello stack linguistico a cui la scheda pubblica di GigaChat 3.5 attribuisce fino a 2,2× di velocità di generazione.
Il terzo è il contesto, e qui i numeri diventano interessanti anziché semplicemente scarni. MMLU-Pro a 73,07 si colloca circa 2,6 punti sotto il 75,68 che la scheda modello di GigaChat 3.5 Ultra riporta per il modello testuale sullo stesso nome di benchmark — il che potrebbe significare che la variante multimodale ha perso un po' di qualità sul testo, oppure che le due esecuzioni hanno usato harness diversi, e non c'è nulla di pubblicato che permetta di scegliere tra queste spiegazioni. MMAU a 78,50 è più alto del 74,7 che la scheda del modello audio di GigaChat elenca per Qwen3-Omni, e molto sopra il 62,2 che la stessa scheda riporta per GigaChat3.1-Audio-10B-A1.8B di Sber — una scheda misurata sull'intero set MMAU anziché sul sottoinsieme test-mini, quindi trattare quel confronto come suggestivo e non come un confronto omogeneo. MMMU a 64,11 è un punteggio di comprensione delle immagini nella media. Video-MME a 80,74 per una clip di 512 frame con audio è quello che farebbe alzare più di un sopracciglio se qualcuno lo riproducesse in modo indipendente.

Cosa serve per servire, e cosa ha detto Sber
Prima la realtà del deployment. Il checkpoint di testo FP8 alla base di GigaChat 3.5 Ultra è di 437,9 GB su 39 file, quindi il tensor-parallel 8 su H100 lascia circa 55 GB di pesi per scheda prima della KV cache — ecco perché il banco di prova della PR è composto da otto H100 e perché non cambierà molto per la variante Omni. Le due torri sono un errore di arrotondamento rispetto ai 432B: InternViT-300M più un conformer da 24 layer e 1.024 di larghezza è ben sotto il miliardo di parametri, quindi il requisito hardware è essenzialmente quello del modello linguistico. Metadati, flag di avvio e il gigachat35 parser delle tool call sono già in SGLang main dal lavoro su GigaChat 3.5 unito a settembre, e il cookbook del progetto ha una pagina GigaChat 3.5 da allora; ciò che non esiste in main è qualsiasi percorso multimodale.
Sber stessa non ha pubblicato nulla che questo articolo riesca a trovare. La sua documentazione per sviluppatori elenca GigaChat 3 Ultra come modello di ultima generazione, insieme a GigaChat 2 Max, Pro e Lite, più modelli di embedding — nessun 3.5, nessun Omni, nessuna voce multimodale. Artificial Analysis non ha una pagina per GigaChat 3.5 Ultra né per la variante Omni a nessuno slug che abbiamo provato oggi, quindi non esiste nemmeno un punteggio indipendente per il modello base da cui ragionare. La scheda pubblica di GigaChat 3.5 Ultra è reale, è con licenza MIT, è rivolta al russo e all'inglese, e riporta un set di benchmark del fornitore che include TAU2-bench 68.71, SWE-bench Verified 42.6, Terminal-Bench 2 a 13.48 e LiveCodeBench v6 a 56.2 — tutte cifre di Sber, non riprodotte, e tutte solo per il modello testuale.
La discendenza audio è la parte che si legge come un piano anziché come un caso fortuito. Sber ha rilasciato GigaChat3.1-Audio-10B-A1.8B a luglio 2026: un encoder vocale conformer e un adattatore di modalità che alimentano un decoder mixture-of-experts da 10B, addestrato per il grounding temporale su un dataset di audio lungo realizzato ad hoc, con descrizioni dotate di timestamp e riassunto di audio lungo tra le competenze di punta. È esattamente la capacità che lo schema di apposizione delle marche temporali della PR Omni è progettato per preservare — un timestamp prima di ogni frame, una marca temporale ogni sessanta secondi di audio, una durata di chiusura — e le dimensioni del conformer nella configurazione della PR sono coerenti con l'integrazione di quello stack nel modello 432B anziché con la sua collocazione accanto ad esso.
Cosa lo risolverebbe
Quattro cose, in ordine crescente di quanto ti direbbero. Un checkpoint pubblico con quell'ID repository confermerebbe che il modello esiste e permetterebbe a chiunque di leggere la configurazione, che al momento è l'intera base fattuale per le dimensioni della torre. Una PR unita e non in bozza con CI verde ti direbbe che il port funziona su più delle venti richieste fisse dell'autore. Una tabella di velocità con dei numeri dentro ti direbbe se le due teste MTP sopravvivono al wrapper multimodale, che è la differenza tra un modello che puoi servire in modo interattivo e uno che non puoi. Un benchmark indipendente — di chiunque, sui set completi anziché su test-mini — ti direbbe se 78.50 e 80.74 significano qualcosa.
Fino ad allora, la decisione per un lettore è semplice e non dipende dalla risoluzione di questa fuga di notizie. Se il tuo prodotto ha bisogno di comprendere audio o video oggi, GigaChat3.5-Omni-432B-A28B non è sul tavolo e nessun annuncio ce l'ha messo; i modelli in grado di svolgere il lavoro sono già tariffati per token, e l'aritmetica sopra dice che il conto è inferiore a quanto la maggior parte dei team presupponga. Se stai pianificando di ospitare autonomamente uno stack multimodale in lingua russa sui tuoi H100, questa PR è la prima prova pubblica che un checkpoint del genere è in fase di realizzazione, e il suo conteggio dei token vale la pena di essere letto ora — lo schema di compressione, non la tabella dei benchmark, è la parte che determina il tuo budget di memoria.
![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)
Cosa osserveremmo dopo: se il repository diventa pubblico, se la PR smette di essere una bozza e se la documentazione per sviluppatori di Sber aggiunge una voce multimodale prima che accada una di queste due cose. Uno qualsiasi dei tre elementi farebbe passare questo da un articolo su ciò che sappiamo finora a un lancio, e questo articolo andrebbe riscritto anziché aggiornato.
