GigaChat3.5-Omniのタイトルカード(表記:「GigaChat3.5-Omniリーク:Sberの432BモデルがドラフトPRで目と耳を手に入れた」)。「初期シグナル — 未リリース」バッジと4つのチップを備える:「SGLang PR #51276 · 2026年11月18日オープン」「総パラメータ432B / アクティブ28B」「InternViT-300Mと24層conformer音声」「チェックポイント:非公開」。フッターには「出典:sgl-project/sglang PR #51276、ドラフトで未マージ」と表示。
Guides & Insights

GigaChat3.5-Omniのリーク:Sberの432BモデルがドラフトPRで目と耳を獲得

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

2026年11月18日にSGLangリポジトリで開かれたドラフトプルリクエストは、公開の場に存在しないモデルについて記述している:GigaChat3.5-Omni-432B-A28B、すなわちGigaChat 3.5 Ultra——Sberの432BパラメータのMixture-of-Experts言語モデル——に、InternViT-300Mビジョンタワーと24層のコンフォーマー音声エンコーダを付加したもので、画像、サウンドトラックの有無を問わない動画、音声ファイル、そしてその3つすべての混合を入力として受け付ける。その文の中身はどれもモデルカードと照合することができない。なぜなら公開されたモデルカードが存在しないからだ。PRがリンクするHugging Faceリポジトリは、今日問い合わせるとHTTP 401を返し、Hugging Faceでの名前検索では何もヒットせず、Sber自身の開発者ドキュメントは今なおGigaChat 3 Ultraを最新世代モデルとして掲載しており、リストのどこにもマルチモーダルの項目はない。存在するのは、3,290行に及ぶ追加のサービングコード、設定ファイル、約2,000行のテスト、そして参照列が誰かの手で空白のままにされたベンチマーク表である。

それはただごとではない。この形のプルリクエストは、チェックポイントを実際に目の前にした人にしか書けない。プロセッサは画像デコード、ピクセルレイアウト、log-mel抽出を、チェックポイント自身のリモートコードに委ねている。その手段が--trust-remote-codeであり、つまり著者はそれらのテンソルがどのようなものかを知るために実際に実行しなければならなかったということだ。だから有用な問いは「Sberがこれを発表したか」ではない——発表していない——むしろ、今まさにプライベートリポジトリにある可能性が非常に高いモデルについてコードが何を語っているのか、そしてそれが、現在トークンごとに料金を支払って音声と動画を理解させている人にとって何を意味するのか、だ。

プルリクエストが実際に説明している内容

SGLang PR #51276 のタイトルは「[Feat] gigachat35-omni: GigaChat3.5-Omni の画像・動画・音声サポートを追加」です。これはドラフトであり、未マージで、ドラフトであるまさにその理由で CI はスキップされています。実装は、既存の GigaChat35OmniForConditionalGeneration を包む薄いラッパー GigaChat35ForCausalLM であり、その周りに 3 つの新しい要素があります。InternVisionModel を通る視覚経路とピクセルシャッフル MLP プロジェクター、リポジトリ内の conformer 音声エンコーダー、そしてプレースホルダーを配置するプロセッサです。以下の内容はすべて PR 作成者自身によるモデルの説明であり、そのいずれも Sber によって確認されていません。

• 言語スタック — GigaChat 3.5 から変更なし:総パラメータ数432B、アクティブ28B、ルーティングエキスパート256(トークンあたり8)、40層、MLAとGated DeltaNet線形アテンション層を組み合わせたハイブリッドアテンション、2つのMTPヘッド。これらの数値は公開されているGigaChat 3.5 Ultraモデルカードに由来するため、この部分は検証可能です。

• 視覚 — InternViT-300M、画像を448×448のクロップに分割、クロップあたり256トークン。

• オーディオ — 24層のコンフォーマー、幅1,024、16ヘッド、幅4,096のフィードフォワード、64メルビン、サブサンプリング係数4、アテンションは層ごとに1ブロックのハローを伴う200フレームのチャンクに制限。オーディオは毎秒6.25トークンでトークン化され、160 msあたり1トークン。

• 動画 — 最初のフレームはそのトークン256個すべてを保持し、以降のフレームは平均77個を保持します。どの77個を保持するかは、エンコード後に、各トークンと前フレームの同じ位置のトークンとの平均絶対差をランク付けすることで決定されます。クリップ全体に対する安定ソートでそれらが選ばれるため、フレームによっては77個より多くまたは少なく保持される場合があります。

• 音声付き動画 — use_audio_in_video は、各フレームの音声トラックのトークン分担分をそのフレームの後にインターリーブし、フレーム間には HH:MM:SS のタイムスタンプを挿入します。

• 長い音声 — 32分を超えるクリップはハロー付きのウィンドウでエンコードされ、PRによればこれは単一パスとビット単位で同一だという。その主張は、1ノードで5時間の音声。

• 障害時の動作 — 不正なメディアはスケジューラをクラッシュさせる代わりに 400 を返し、SGLANG_VLM_CACHE_SIZE_MB はこのアーキテクチャでは 2048 がデフォルトです。というのも、標準の 100 MiB では長い動画の埋め込みを保持できず、prefill チャンクごとにエンコーダが再実行されていたためです。

ドラフトはドラフトだ

今日どこまで検証可能かを正確に述べておく価値がある。なぜなら、CIがスキップされたドラフトPRは提案であって、出荷済みランタイムに関する事実ではないからだ。ファイルgigachat35_omni.pyはSGLangのmainブランチに存在せず——そこから取得すると404が返る——、mainのマルチモーダル対応モデルページにもGigaChatの項目はない。このPRには1つのコミットがあり、そのアカウントのSGLangとの関わりはこのPRだけであり、唯一のコメントはフォークからのプレビュー承認を求めるドキュメントボットの注記である。

来歴は、この話全体の中で最も強い間接的証拠だ。プロセッサのメディアパス全体は「チェックポイントのリモートプロセッサ」に委任されており、著者は「モデルの訓練と評価に使用されたサービングスタック」に対するプロンプトIDの一致を報告している——名前も公開もされていない社内参照スタックだ。実行していないモデルに対して、そのどちらも書くことはできない。Sberの壁の外にいる者ならチェックポイントが必要だろう。内側にいる者なら社内スタックを持っているだろう。PRのどこにもどちらなのかは書かれておらず、この記事は推測しない。

A two-card infographic headlined 'GigaChat3.5-Omni-432B-A28B — what the PR discloses, and what is missing'. The left card, 'Disclosed in the code', lists 432B total and 28B active over 256 routed experts with 8 per token; an InternViT-300M vision tower at 256 tokens per 448x448 crop; a 24-layer conformer audio encoder at 6.25 tokens per second; video at 256 tokens for the first frame then about 77 per frame; a 32-minute window in code against five hours claimed in the PR text; and a new model_type gigachat3_5_omni with its own token ids. The right card, 'Not available to check', lists a public checkpoint that returns HTTP 401, a draft status of one commit with CI skipped, a completely empty speed table, no independent benchmark, unstated licence and pricing, and no announcement from Sber. Footer reads 'All rows from sgl-project/sglang PR #51276, draft and unmerged; nothing here is confirmed by Sber.'

コードから明らかなのは、これがリネームでも設定フラグでもないということだ。model_type(gigachat3_5_omni)を、独自のトークンID — 画像は128004、動画フレームは128005、音声は128006、サウンドトラックは128007 — とともに登録する。新しいプロセッサ、そして新しい埋め込み結果型がある。mm_schedule.pyは既存のEVSパスと並んでその型にディスパッチする必要があり、チャンク化プリフィル向けの新しい処理も追加される。なぜなら、フレームが保持するトークン数はエンコードされた後にしか分からないからだ。これは、それらの前処理上の決定を織り込んで学習されたモデルの特徴であり、テキストチェックポイントに仮想的に後付けされたコミュニティのファインチューン(微調整)の特徴ではない。

読む価値があるのは、トークンの計算の部分だ

ベンチマーク表は一旦脇に置きましょう。PRに含まれる算数こそが本質です。なぜなら、長い音声や動画を取り込む432Bモデルが、実行する余裕のあるものなのかどうかを教えてくれるのはその算数だからです — そして、Sberがこのモデルについて一切口を閉ざしたとしても変わらないのも、その部分です。

1時間の音声を例に取る。1秒あたり6.25トークンなら、入力トークンは22,500、さらに60秒ごとのタイムスタンプと最後に付く再生時間スタンプが加わる。音声自体に比べればわずかなものだ。512フレームの動画を例に取る。最初のフレームに256トークン、以降は1フレームあたり77トークンだと、そのクリップはサウンドトラックを除いて約39,600トークンになる。これは30秒の映像に対して128Kコンテキストのおよそ3分の1だ。サウンドトラックを加えれば、各フレームはさらに追加のトークンを抱えることになる。これが変化削減スキームの論拠のすべてだ。それがなければ、512フレーム×256トークンで131,072トークンとなり、1つのクリップで128Kウィンドウ全体を占めてしまう。

それが金額で何を意味するかは、今日呼び出せるモデルと照らし合わせれば簡単に確認できます。OrcaRouterのカタログでは現在、複合メディアの掲載項目では音声1時間の価格が次のようになっています:

• Gemini 3.8 Flash — 入力トークン100万個あたり0.75ドル。つまり、音声1時間で約1.7セント、512フレームのクリップで約3セントになります。

• Qwen3-VL 235B A22B Instruct — 入力トークン100万あたり0.40ドル、つまり1時間あたり約0.9セント、1クリップあたり1.6セントです。

• DeepSeek V4 Flash Vision Exp — 入力100万トークンあたり$0.22ですが、入力は画像のみです。音声はまったく扱えません。

実際のワークロードを当てはめてみましょう。40時間分の通話録音は90万トークンです。プロバイダーの定価ベースで、Googleの掲載価格では約68セント、Qwenの掲載価格では36セントになります。OrcaRouterはプロバイダー料金をマークアップなしでそのまま通します。そのため、これらのいずれかでベンダーが値下げすれば、同日中に当社側にも反映されます。これがまた、ここで言えることの正直な限界でもあります。GigaChat3.5-Omni-432B-A28Bは当社のカタログに含まれておらず、当社はそれを呼び出す手段でもありません。どこからも呼び出すことはできません。この計算の要点は、そのようなものが実際に登場したとき、音声は高価な部分ではないということです。圧縮できないトークンが高くつくのです。

PRの32分ウィンドウと5時間という主張も、そこに位置づけられる。これらの数値は、8台のH100でモデルをセルフホストする人にとっては重要だ。なぜなら、リクエストがプリフィルチャンクに分割されたときに、長い録音のどれだけを再エンコードする必要があるかを左右するからだ。トークン単位で支払う人には関係ない。そこでは、どのエンコーダーが生成したものであっても、1時間の音声は1時間の音声だからだ。

ベンチマーク数値が4つ、空の列が1つ

PRは、8台のH100上でFP8、テンソル並列8、貪欲デコーディングで実行した4つのスコアを報告している。MMLU-Pro 73.07、MMAU test-mini 78.50、MMMU validation 64.11、Video-MME 80.74(サウンドトラック付きの512フレームクリップ)。これらは、PRページ自体に表示されている3つの注意事項を付して読むこと。

第一に、参照列が空です。表にはモデルの元の配信スタック用の列とこのPR用の列があり、埋まっているのは2番目だけなので、これらの数値の横に基準値は表示されておらず、表からは、移植版がモデルの学習に使われたスタックと同等なのか、それに劣るのかを知るすべがありません。本文では同等性を主張しています——参照側が処理できたすべてのリクエストでプロンプトIDが同一で、19/19で最初のトークンが一致——これは、参照側が20件の固定リクエストのうち1件を処理できなかったことを暗に示しています。

2つ目はチェックリストです。「Test the accuracyに従って精度と速度のベンチマーク結果を提供する」という項目にはチェックが入っておらず、バッチ1とバッチ16の行があり、ベースデコード、MTPデコード、高速化率、受理長の列を持つ速度表は完全に空です。つまり、公開されているGigaChat 3.5のモデルカードが、言語スタック内の2つのMTPヘッドによって最大2.2倍の生成速度を実現するとうたっているにもかかわらず、このモデルにはスループットの数値がまったくありません。

3つ目はコンテキストであり、ここでは数値が単に乏しいというより興味深くなる。MMLU-Proの73.07は、GigaChat 3.5 Ultra自身のモデルカードが同じベンチマーク名でテキストモデルについて報告している75.68を約2.6ポイント下回る。これはマルチモーダル版がテキスト品質をいくらか犠牲にしたことを意味するかもしれないし、2回の実行で異なるハーネスが使われたことを意味するかもしれず、これらの説明のどちらかを選べるような公開資料はない。MMAUの78.50は、GigaChat自身の音声モデルカードがQwen3-Omniについて挙げている74.7より高く、同じカードがSber自身のGigaChat3.1-Audio-10B-A1.8Bについて報告している62.2をはるかに上回る。ただしこのカードはtest-miniサブセットではなくMMAUのフルセットで測定されたものなので、その比較は示唆的なものとして扱うべきで、条件を揃えた比較と見なすべきではない。MMMUの64.11は中位の画像理解スコアだ。音声付きの512フレームクリップに対するVideo-MMEの80.74は、誰かが独立に再現すれば眉をひそめさせるであろう数値だ。

A single-column scoreboard titled 'GigaChat3.5-Omni — the four numbers in the PR', with five rows: 'MMLU-Pro: 73.07 — text model card says 75.68', 'MMAU: 78.50 on test-mini — Qwen3-Omni listed at 74.7', 'MMMU: 64.11 on the val split', 'Video-MME: 80.74 at 512 frames with audio', and 'Hardware: eight H100s, FP8, TP8, greedy decoding'. A full-width note reads 'Reference column in the PR table: left blank.' A footer reads 'PR-reported, one commit, CI skipped on the draft; no independent run and no Artificial Analysis page.'

奉仕するには何が必要か、そしてSberが何を語ったか

まずデプロイメントの現実から。GigaChat 3.5 Ultraを支えるFP8テキストチェックポイントは39ファイルにまたがって437.9 GBあるため、H100でテンソル並列8を組むと、KVキャッシュを除いてカードあたり約55 GBの重みが残る——だからこそPRのテスト環境はH100 8台なのであり、Omniバリアントでもそれは大きくは変わらないだろう。2つのタワーは432Bに比べれば誤差のようなものだ。InternViT-300Mに加えて24層・幅1,024のconformerを足しても10億パラメータには遠く及ばないので、ハードウェア要件は実質的に言語モデルのものになる。メタデータ、起動フラグ、そしてgigachat35ツール呼び出しパーサーは、9月にマージされたGigaChat 3.5の作業によってすでにSGLangのmainに入っており、プロジェクトのクックブックにもそれ以来GigaChat 3.5のページがある。mainに存在しないのは、マルチモーダルな経路だ。

本記事が確認できた限りでは、Sber自身は何も公表していない。同社の開発者向けドキュメントでは、GigaChat 3 Ultraが最新世代モデルとして、GigaChat 2 Max、Pro、Lite、さらに埋め込みモデルとともに記載されている——3.5はなく、Omniもなく、マルチモーダルの項目もない。Artificial Analysisには、本日試したいずれのスラッグでもGigaChat 3.5 UltraやOmni版のページがなく、したがってベースモデルについて推論の根拠となる独立したスコアも存在しない。公開されているGigaChat 3.5 Ultraのカードは実在し、MITライセンスで、ロシア語と英語を対象としており、TAU2-bench 68.71、SWE-bench Verified 42.6、Terminal-Bench 2が13.48、LiveCodeBench v6が56.2を含むベンダーのベンチマーク一式を報告している——いずれもSber自身の数値で、再現されておらず、すべてテキストモデルのみに関するものだ。

このうち音声の系譜は、偶然ではなく計画の一部のように読める部分だ。Sberは2026年7月にGigaChat3.1-Audio-10B-A1.8Bを出荷した。conformer音声エンコーダーとモダリティアダプターが10BのMixture-of-Expertsデコーダーに接続し、専用に構築された長尺音声データセットで時間的グラウンディング向けに訓練され、タイムスタンプ付き記述と長尺音声要約を主要スキルとしている。まさにそれこそが、Omni PRのスタンピング方式が保持するために作られている能力だ——各フレームの前のタイムスタンプ、音声60秒ごとのスタンプ、最後に終了時点の長さ——そしてPRの設定におけるconformerの次元は、そのスタックを横に置くのではなく432Bモデルに折り込むことと整合している。

何がそれを決着させるのか

4つのこと。それぞれが教えてくれる情報量が少ない順に並べると、次のとおり。そのリポジトリIDでの公開チェックポイントがあれば、モデルが存在することを確認でき、誰でも設定を読める。これは現時点で、タワーの次元に関する事実上の根拠すべてになっている。マージ済みでドラフトではないPRのCIがグリーンであれば、移植が作者の固定20件のリクエスト以上で機能することが分かる。数値の入った速度表があれば、2つのMTPヘッドがマルチモーダルラッパーを経ても生き残るかどうかが分かる。これは、対話的に提供できるモデルとそうでないモデルの違いになる。独立したベンチマーク——誰のものでもよく、test-miniではなくフルセットで行ったもの——があれば、78.50と80.74に意味があるかどうかが分かる。

それまでは、読者にとっての判断は単純であり、このリークが決着するかどうかに左右されない。もしあなたの製品が今日、音声や動画を理解する必要があるなら、GigaChat3.5-Omni-432B-A28B は選択肢にないし、それを選択肢に加えた発表も存在しない。その作業をこなせるモデルはすでにトークン単位で価格が設定されており、上記の算術は、請求額がほとんどのチームが想定するよりも小さいことを示している。ロシア語のマルチモーダルスタックを自前の H100 でセルフホストする予定なら、この PR はそうしたチェックポイントが構築されつつあることを示す最も早い公開証拠であり、そのトークン計算は今読む価値がある — メモリ予算を決めるのはベンチマークの表ではなく、圧縮スキームの部分なのだ。

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.

次に注目するのは、リポジトリが公開されるか、PRがドラフトでなくなるか、そしてそれらのどちらかが起こる前にSberの開発者ドキュメントにマルチモーダル対応の項目が追加されるかどうかだ。この3つのうちどれか1つでも起これば、これは「現時点で分かっていること」をまとめた記事からローンチの記事へと変わり、本記事は更新ではなく書き直しが必要になる。