
Wyciek GigaChat3.5-Omni: model Sbera 432B zyskał oczy i uszy w szkicu PR
- OrcaNOWOŚĆOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 za 1 mln tokenów · 185 tok/s
- tencentNOWOŚĆTencent: Hy4 Flash2026-11-16$0.02 / $0.07 za 1 mln tokenów · 228 tok/s
- GoogleNOWOŚĆGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 za 1 mln tokenów · 89 tok/s
- AnthropicNOWOŚĆAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 za 1 mln tokenów · 98 tok/s
- orcaNOWOŚĆOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 za 1 mln tokenów · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 za 1 mln tokenów · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 za 1 mln tokenów · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 za 1 mln tokenów · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 za 1 mln tokenów · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 za 1 mln tokenów · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligencja
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 za 1 mln tokenów · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligencja
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 za 1 mln tokenów · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligencja
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 za 1 mln tokenów · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligencja
Szkicowy pull request otwarty w repozytorium SGLang 18 listopada 2026 r. opisuje model, który nie istnieje publicznie: GigaChat3.5-Omni-432B-A28B, czyli GigaChat 3.5 Ultra — model językowy Sbera o 432 mld parametrów oparty na mieszaninie ekspertów — z dołączoną wieżą wizyjną InternViT-300M i 24-warstwowym enkoderem audio typu conformer, przyjmujący obrazy, wideo ze ścieżką dźwiękową lub bez niej, pliki audio oraz mieszanki wszystkich trzech. Niczego w tym zdaniu nie można zweryfikować z kartą modelu, ponieważ nie ma publicznej karty modelu. Repozytorium Hugging Face, do którego prowadzi link w PR, zwraca dziś HTTP 401, wyszukiwanie nazwy na Hugging Face nic nie zwraca, a dokumentacja deweloperska samego Sbera nadal wymienia GigaChat 3 Ultra jako najnowszy model generacji, bez żadnej pozycji multimodalnej na liście. To, co istnieje, to 3290 dodanych linii kodu serwującego, plik konfiguracyjny, około 2000 linii testów i tabela benchmarków, której kolumnę referencyjną ktoś pozostawił pustą.
To nie byle co. Pull request o takim kształcie może napisać tylko ktoś, kto miał checkpoint przed sobą: procesor deleguje dekodowanie obrazu, układ pikseli i ekstrakcję log-mel do własnego zdalnego kodu checkpointu poprzez --trust-remote-code, co oznacza, że autor musiał go uruchomić, aby wiedzieć, jak wyglądają te tensory. Zatem użyteczne pytanie nie brzmi „czy Sber to ogłosił” — nie ogłosił — ale co kod mówi o modelu, który najprawdopodobniej jest teraz w prywatnym repozytorium, i co to oznaczałoby dla każdego, kto obecnie płaci za token, aby rozumieć dźwięk i wideo.
Co tak naprawdę opisuje pull request
PR #51276 w SGLang nosi tytuł „[Feat] gigachat35-omni: Dodanie obsługi obrazu, wideo i dźwięku w GigaChat3.5-Omni”. Jest to wersja robocza, nie została scalona, a CI tego PR-a zostało pominięte właśnie dlatego, że jest to wersja robocza. Implementacja to cienka nakładka — GigaChat35OmniForConditionalGeneration wokół istniejącego GigaChat35ForCausalLM — z trzema nowymi elementami wokół tego: ścieżką wizyjną wykorzystującą InternVisionModel i projektor MLP z pixel-shuffle, wbudowanym enkoderem audio typu conformer oraz procesorem, który rozmieszcza placeholdery. Wszystko poniżej to opis modelu samego autora PR-a i żadna z tych informacji nie została potwierdzona przez Sber.
• Stos językowy — bez zmian względem GigaChat 3.5: 432B parametrów łącznie, 28B aktywnych, 256 ekspertów routowanych, po 8 na token, 40 warstw, hybrydowa uwaga łącząca MLA z warstwami uwagi liniowej Gated DeltaNet, dwie głowice MTP. Te liczby pochodzą z publicznej karty modelu GigaChat 3.5 Ultra, więc tę część można zweryfikować.
• Widzenie — InternViT-300M, obrazy dzielone na wycinki 448×448, 256 tokenów na wycinek.
• Audio — 24-warstwowy conformer o szerokości 1024, z 16 głowicami, warstwą feed-forward o szerokości 4096, 64 binami mel, współczynnikiem podpróbkowania 4 i uwagą ograniczoną do fragmentów po 200 ramek z halo wynoszącym jeden blok na warstwę. Audio jest tokenizowane z szybkością 6,25 tokena na sekundę, po jednym tokenie na 160 ms.
• Wideo — pierwsza klatka zachowuje wszystkie 256 swoich tokenów; kolejne klatki zachowują średnio 77, a o tym, które 77, decyduje się po zakodowaniu poprzez uszeregowanie tokenów według średniej bezwzględnej różnicy od tej samej pozycji w poprzedniej klatce. Wybierane są one przez stabilne sortowanie całego klipu, więc klatka może ostatecznie zachować więcej lub mniej niż 77.
• Wideo z dźwiękiem — use_audio_in_video przeplata po każdym kadrze odpowiadającą mu część tokenów ścieżki dźwiękowej, ze znacznikami HH:MM:SS między kadrami.
• Długie audio — klipy dłuższe niż 32 minuty są kodowane w oknach z halo, co według PR jest bitowo identyczne z pojedynczym przebiegiem. Twierdzenie: pięć godzin audio na jednym węźle.
• Zachowanie w przypadku błędu — nieprawidłowe multimedia zwracają 400 zamiast wysypywać scheduler, a SGLANG_VLM_CACHE_SIZE_MB domyślnie wynosi 2048 dla tej architektury, ponieważ standardowe 100 MiB nie mogło pomieścić embeddingów długiego wideo, a każdy fragment prefillu ponownie uruchamiał enkodery.
Szkic to szkic.
Warto zachować precyzję co do tego, jak duża część tego jest dziś weryfikowalna, ponieważ szkicowy PR z pominiętym CI jest propozycją, a nie faktem dotyczącym wysyłanego środowiska uruchomieniowego. Plik gigachat35_omni.pynie istnieje w gałęzi main SGLang — pobranie go tam zwraca 404 — a multimodalna strona obsługiwanych modeli w main nie zawiera wpisu GigaChat. PR ma jeden commit, z konta, którego jedyną interakcją z SGLang jest ten PR, a jedynym komentarzem pod nim jest notatka bota dokumentacyjnego z prośbą o zatwierdzenie podglądu z forka.
Proweniencja jest najsilniejszym pośrednim dowodem w całej tej historii. Cała ścieżka multimedialna procesora jest delegowana do „zdalnego procesora checkpointu”, a autor raportuje zgodność identyfikatorów promptów względem „stosu serwującego, z którym model był trenowany i oceniany” — wewnętrznego stosu referencyjnego, który nie został nazwany i nie jest publiczny. Nie da się sformułować żadnego z tych twierdzeń w odniesieniu do modelu, którego się nie uruchomiło. Ktoś spoza murów Sberu potrzebowałby checkpointu; ktoś wewnątrz miałby wewnętrzny stos. Nic w PR nie mówi, który to przypadek, a ten tekst nie będzie zgadywał.

Jedno, co kod jasno pokazuje, to fakt, że nie jest to zmiana nazwy ani flaga konfiguracyjna. Model rejestruje nowy model_type (gigachat3_5_omni) z własnymi identyfikatorami tokenów — 128004 dla obrazów, 128005 dla klatek wideo, 128006 dla dźwięku, 128007 dla ścieżki dźwiękowej — nowy procesor, nowy typ wyniku osadzania, na którym mm_schedule.py musi rozgałęziać obok istniejącej ścieżki EVS, oraz nową obsługę dzielonego prefillu, ponieważ liczba tokenów, które zachowuje klatka, jest znana dopiero po jej zakodowaniu. To sygnatura modelu wytrenowanego z tymi decyzjami dotyczącymi przetwarzania wstępnego zapisanymi na stałe, a nie społecznościowego fine-tune'u hipotetycznie dokręconego do checkpointu tekstowego.
Matematyka tokenów to ta część, którą warto przeczytać.
Pomińmy na chwilę tabelę benchmarków. Arytmetyka w PR to sedno, bo to ona mówi, czy model 432B, który przetwarza długie audio i wideo, jest czymś, na co byłoby cię stać, aby go uruchomić — i to jest ta część, która się nie zmieni, nawet jeśli Sber nigdy nie powie ani słowa o tym modelu.
Weźmy godzinę nagrania audio. Przy 6,25 tokena na sekundę daje to 22 500 tokenów wejściowych, plus znacznik czasu co 60 sekund i końcowy znacznik czasu trwania — drobiazg w porównaniu z samym audio. Weźmy film wideo z 512 klatkami. Przy 256 tokenach na pierwszą klatkę i 77 na każdą kolejną klip daje około 39 600 tokenów przed doliczeniem ścieżki dźwiękowej, co stanowi około jednej trzeciej kontekstu 128K na pół minuty materiału. Dodaj ścieżkę dźwiękową, a każda klatka wniesie dodatkowe tokeny. To całe uzasadnienie schematu redukcji zmian: bez niego 512 klatek po 256 tokenów każda dałoby 131 072 tokenów, czyli całe okno 128K na jeden klip.
Co to oznacza w przeliczeniu na pieniądze, łatwo sprawdzić, porównując z modelami, które możesz wywołać już dziś. W katalogu OrcaRouter pozycje multimedialne obecnie wyceniają godzinę audio w następujący sposób:
• Gemini 3.8 Flash — 0,75 USD za milion tokenów wejściowych, więc godzina audio to około 1,7 centa, a klip 512-klatkowy około 3 centów.
• Qwen3-VL 235B A22B Instruct — 0,40 USD za milion tokenów wejściowych, czyli około 0,9 centa na godzinę i 1,6 centa za klip.
• DeepSeek V4 Flash Vision Exp — 0,22 USD za milion tokenów wejściowych, ale wejście wyłącznie obrazowe; w ogóle nie obsługuje dźwięku.
Oprzyj to na rzeczywistym obciążeniu. Czterdzieści godzin nagranych rozmów to 900 000 tokenów: około 68 centów w cenniku Google i 36 centów w cenniku Qwen, według cen katalogowych dostawcy. OrcaRouter przekazuje stawki dostawców bez marży, więc obniżka ceny przez dostawcę którejkolwiek z tych pozycji obowiązuje u nas tego samego dnia — co jest też uczciwą granicą tego, co możemy tu powiedzieć: GigaChat3.5-Omni-432B-A28B nie znajduje się w naszym katalogu i nie jesteśmy kanałem, przez który można go wywołać. Nie można go wywołać nigdzie. Sedno tej arytmetyki polega na tym, że gdy pojawi się coś takiego, dźwięk nie jest drogą częścią; drogą częścią są tokeny, których nie można skompresować.
To tam również mieszczą się 32-minutowe okno PR i twierdzenie o pięciu godzinach. Te liczby mają znaczenie dla każdego, kto samodzielnie hostuje model na ośmiu H100, ponieważ decydują o tym, jak dużą część długiego nagrania trzeba ponownie zakodować, gdy żądanie jest dzielone na fragmenty prefill. Nie mają znaczenia dla nikogo, kto płaci za token, gdzie godzina audio to godzina audio, niezależnie od tego, który enkoder ją wyprodukował.
Cztery liczby benchmarkowe, jedna pusta kolumna
{{1}}PR podaje{{/1}} cztery wyniki {{2}}uzyskane na ośmiu H100 w FP8 przy tensor-parallel 8 i dekodowaniu zachłannym{{/2}}: MMLU-Pro 73,07, MMAU test-mini 78,50, MMMU validation 64,11 oraz Video-MME 80,74 {{3}}na 512-klatkowym klipie wraz ze ścieżką dźwiękową{{/3}}. {{4}}Czytaj je z trzema zastrzeżeniami{{/4}}, {{5}}wszystkie widoczne na samej stronie PR{{/5}}.
Po pierwsze, kolumna referencyjna jest pusta. Tabela ma kolumnę dla oryginalnego stosu serwowania modelu i kolumnę dla tego PR, a wypełniona jest tylko druga, więc obok żadnej z tych liczb nie ma wydrukowanego punktu odniesienia i z tabeli nie sposób wywnioskować, czy port dorównuje stosowi, na którym model był trenowany, czy mu ustępuje. Tekst wprawdzie zgłasza twierdzenie o parytecie — identyczne identyfikatory promptów przy każdym żądaniu, które referencja mogła obsłużyć, zgodne pierwsze tokeny w 19 na 19 — co pośrednio mówi, że referencja nie mogła obsłużyć jednego z dwudziestu ustalonych żądań.
Drugi to lista kontrolna. Pozycja „Podaj wyniki testów dokładności i szybkości zgodnie z Test the accuracy” jest niezaznaczona, a tabela szybkości, która ma wiersze dla batch 1 i batch 16 oraz kolumny dla dekodowania bazowego, dekodowania MTP, przyspieszenia i długości akceptacji, jest całkowicie pusta. Zatem dla tego modelu nie ma w ogóle liczby przepustowości, mimo że dwie głowy MTP w stosie językowym, którym publiczna karta GigaChat 3.5 przypisuje do 2,2× szybkości generowania.
Trzeci to kontekst — i tutaj liczby stają się interesujące, a nie tylko nikłe. MMLU-Pro na poziomie 73,07 jest około 2,6 punktu poniżej 75,68, które karta modelu samego GigaChat 3.5 Ultra podaje dla modelu tekstowego w ramach tej samej nazwy benchmarku — co może oznaczać, że wariant multimodalny utracił nieco jakości tekstowej albo że oba przebiegi korzystały z różnych harnessów, a nie opublikowano niczego, co pozwoliłoby wybrać między tymi wyjaśnieniami. MMAU na poziomie 78,50 jest wyższe niż 74,7, które karta modelu audio samego GigaChat podaje dla Qwen3-Omni, i znacznie wyższe niż 62,2, które ta sama karta podaje dla własnego modelu Sbera GigaChat3.1-Audio-10B-A1.8B — karta mierzona na pełnym zbiorze MMAU, a nie na podzbiorze test-mini, więc traktuj to porównanie jako sugestywne, a nie jako porównanie na równych zasadach. MMMU na poziomie 64,11 to przeciętny wynik rozumienia obrazu. Video-MME na poziomie 80,74 dla 512-klatkowego klipu z dźwiękiem to ten, który wzbudziłby zdziwienie, gdyby ktokolwiek niezależnie go odtworzył.

Czego potrzeba, aby służyć, i co powiedział Sber
Najpierw rzeczywistość wdrożeniowa. Checkpoint tekstowy FP8 stojący za GigaChat 3.5 Ultra to 437,9 GB w 39 plikach, więc tensor-parallel 8 na H100 pozostawia około 55 GB wag na kartę przed pamięcią podręczną KV — dlatego stanowisko testowe z PR-a to osiem H100 i dlatego niewiele się to zmieni w przypadku wariantu Omni. Te dwie wieże to błąd zaokrąglenia wobec 432B: InternViT-300M plus 24-warstwowy konformer o szerokości 1024 to znacznie mniej niż miliard parametrów, więc wymagania sprzętowe to zasadniczo wymagania modelu językowego. Metadane, flagi uruchomieniowe i gigachat35 parser wywołań narzędzi są już w głównej gałęzi SGLang z pracy nad GigaChat 3.5 scalonej we wrześniu, a cookbook projektu ma stronę GigaChat 3.5 od tamtej pory; czego nie ma w main, to jakiejkolwiek ścieżki multimodalnej.
Sam Sber nie opublikował niczego, co udałoby się znaleźć w tym artykule. Jego dokumentacja dla deweloperów wymienia GigaChat 3 Ultra jako model najnowszej generacji, obok GigaChat 2 Max, Pro i Lite oraz modeli embeddingowych — żadnego 3.5, żadnego Omni, żadnego wpisu multimodalnego. Artificial Analysis nie ma strony dla GigaChat 3.5 Ultra ani dla wariantu Omni pod żadnym slugiem, którego dziś próbowaliśmy, więc nie ma też niezależnego wyniku dla modelu bazowego, na którym można by się oprzeć. Publiczna karta GigaChat 3.5 Ultra jest prawdziwa, objęta licencją MIT, obsługuje rosyjski i angielski i podaje zestaw benchmarków producenta, w tym TAU2-bench 68,71, SWE-bench Verified 42,6, Terminal-Bench 2 na poziomie 13,48 i LiveCodeBench v6 na poziomie 56,2 — wszystkie to dane samego Sbera, niepowtórzone, i wszystkie dotyczą wyłącznie modelu tekstowego.
Rodowód audio to ta część, która czyta się jako plan, a nie przypadek. Sber wydał GigaChat3.1-Audio-10B-A1.8B w lipcu 2026 r.: enkoder mowy conformer i adapter modalności zasilające dekoder mixture-of-experts o 10B, wytrenowany pod kątem ugruntowania czasowego na specjalnie zbudowanym zbiorze długich nagrań audio, którego flagowymi umiejętnościami są opisy ze znacznikami czasu i streszczanie długiego audio. To dokładnie ta zdolność, którą schemat stemplowania z Omni PR ma zachować — znacznik czasu przed każdą ramką, znacznik co sześćdziesiąt sekund audio, końcowy czas trwania — a wymiary conformera w konfiguracji PR są spójne z wkomponowaniem tego stosu w model 432B, a nie z pozostawieniem go obok.
Co by to rozstrzygnęło?
Cztery rzeczy, w rosnącej kolejności według tego, ile by ci powiedziały. Publiczny checkpoint pod tym identyfikatorem repozytorium potwierdziłby, że model istnieje, i pozwoliłby każdemu odczytać konfigurację, która obecnie stanowi całą faktyczną podstawę wymiarów wieży. Zmergowany PR niebędący szkicem, z zielonym CI, powiedziałby ci, że port działa na więcej niż dwudziestu ustalonych żądaniach autora. Tabela szybkości z liczbami powiedziałaby ci, czy dwie głowice MTP przetrwają wrapper multimodalny, co jest różnicą między modelem, który można serwować interaktywnie, a takim, którego nie można. Niezależny benchmark — czyjkolwiek, na pełnych zbiorach, a nie na test-mini — powiedziałby ci, czy 78.50 i 80.74 cokolwiek znaczą.
Do tego czasu decyzja dla czytelnika jest prosta i nie zależy od tego, czy ten wyciek zostanie wyjaśniony. Jeśli Twój produkt już dziś potrzebuje rozumienia audio lub wideo, GigaChat3.5-Omni-432B-A28B nie wchodzi w grę, a żadna zapowiedź tego nie zmieniła; modele, które potrafią wykonać tę pracę, są już wyceniane za token, a powyższa arytmetyka mówi, że rachunek jest mniejszy, niż zakłada większość zespołów. Jeśli planujesz samodzielnie hostować rosyjskojęzyczny stos multimodalny na własnych H100s, ten PR jest najwcześniejszym publicznym dowodem, że taki checkpoint powstaje, a jego rozliczanie tokenów warto teraz przeczytać — to schemat kompresji, a nie tabela benchmarków, jest tym elementem, który określa Twój budżet pamięci.
![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)
Na co będziemy zwracać uwagę w dalszej kolejności: czy repozytorium stanie się publiczne, czy PR przestanie być szkicem oraz czy dokumentacja deweloperska Sber zyska wpis multimodalny, zanim nastąpi którekolwiek z tych zdarzeń. Każdy z tych trzech elementów przeniósłby ten materiał z kategorii tekstu o tym, co wiemy do tej pory, do kategorii ogłoszenia premiery, a artykuł wymagałby przepisania, a nie aktualizacji.
