
Vazamento do GigaChat3.5-Omni: o modelo de 432B da Sber ganhou olhos e ouvidos em um PR em rascunho
- OrcaNOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 por 1M de tokens · 185 tok/s
- tencentNOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 por 1M de tokens · 228 tok/s
- GoogleNOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 por 1M de tokens · 89 tok/s
- AnthropicNOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 por 1M de tokens · 98 tok/s
- orcaNOVOOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 por 1M de tokens · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 por 1M de tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 por 1M de tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 por 1M de tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 por 1M de tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 por 1M de tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Inteligência
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 por 1M de tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Inteligência
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 por 1M de tokens · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Inteligência
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 por 1M de tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Inteligência
Um pull request em rascunho aberto no repositório SGLang em 18 de novembro de 2026 descreve um modelo que não existe publicamente: GigaChat3.5-Omni-432B-A28B, que é GigaChat 3.5 Ultra — o modelo de linguagem mixture-of-experts de 432B parâmetros da Sber — com uma torre de visão InternViT-300M e um codificador de áudio conformer de 24 camadas acoplados, aceitando imagens, vídeo com ou sem sua trilha sonora, arquivos de áudio e misturas dos três. Nada nessa frase pode ser verificado em uma model card, porque não existe uma model card pública. O repositório do Hugging Face para o qual o PR aponta retorna HTTP 401 quando consultado hoje, uma busca por nome no Hugging Face não retorna nada, e a documentação de desenvolvedor da própria Sber ainda lista o GigaChat 3 Ultra como seu modelo de geração mais recente, sem nenhuma entrada multimodal em lugar algum da lista. O que existe são 3.290 linhas adicionadas de código de serving, um arquivo de configuração, cerca de 2.000 linhas de testes e uma tabela de benchmark cuja coluna de referência alguém deixou em branco.
Isso não é pouca coisa. Um pull request desse formato só pode ser escrito por alguém que teve o checkpoint diante de si: o processador delega a decodificação de imagens, o layout de pixels e a extração de log-mel ao código remoto do próprio checkpoint via --trust-remote-code, o que significa que o autor teve de executá-lo para saber como esses tensores se parecem. Portanto, a pergunta útil não é "a Sber anunciou isso" — não anunciou —, mas o que o código diz sobre um modelo que muito provavelmente está em um repositório privado neste momento, e o que isso significaria para qualquer pessoa que hoje paga por token para conseguir que áudio e vídeo sejam compreendidos.
O que o pull request realmente descreve
O PR #51276 do SGLang tem o título "[Feat] gigachat35-omni: Add GigaChat3.5-Omni image, video and audio support". Ele é um rascunho, não foi mesclado, e sua CI foi pulada justamente por ser um rascunho. A implementação é um wrapper fino — GigaChat35OmniForConditionalGeneration em torno do GigaChat35ForCausalLM existente — com três novos elementos em torno dele: um caminho de visão por meio de InternVisionModel e um projetor MLP com pixel-shuffle, um codificador de áudio conformer integrado ao repositório, e um processador que organiza os placeholders. Tudo abaixo é a própria descrição do modelo feita pelo autor do PR, e nada disso foi confirmado pela Sber.
• Pilha de linguagem — inalterada em relação ao GigaChat 3.5: 432B de parâmetros totais, 28B ativos, 256 especialistas roteados com 8 por token, 40 camadas, atenção híbrida combinando MLA com camadas de atenção linear Gated DeltaNet, duas cabeças MTP. Esses números vêm do model card público do GigaChat 3.5 Ultra, então esta parte é verificável.
• Visão — InternViT-300M, imagens divididas em recortes de 448×448, 256 tokens por recorte.
• Áudio — um conformer de 24 camadas, com 1.024 de largura, 16 cabeças, feed-forward de 4.096 de largura, 64 bins mel, fator de subamostragem 4, atenção restrita a trechos de 200 quadros com um halo de um bloco por camada. O áudio é tokenizado a 6,25 tokens por segundo, um token a cada 160 ms.
• Vídeo — o primeiro frame mantém todos os seus 256 tokens; os frames seguintes mantêm 77 em média, e quais 77 são decididos após a codificação, classificando a diferença absoluta média de cada token em relação à mesma posição no frame anterior. Uma ordenação estável sobre o clipe inteiro os seleciona, então um frame pode acabar mantendo mais ou menos que 77.
• Vídeo com som — use_audio_in_video intercala a parcela de cada quadro dos tokens da trilha sonora depois dele, com HH:MM:SS marcações entre os quadros.
• Áudio longo — clipes com mais de 32 minutos são codificados em janelas com halo, o que, segundo o PR, é idêntico bit a bit a uma passagem única. A alegação: cinco horas de áudio em um único nó.
• Comportamento em caso de falha — mídia malformada retorna um 400 em vez de derrubar o agendador, e SGLANG_VLM_CACHE_SIZE_MB tem como padrão 2048 para esta arquitetura, porque os 100 MiB padrão não conseguiam armazenar os embeddings de um vídeo longo e cada chunk de prefill reexecutava os encoders.
Rascunho significa rascunho.
Vale a pena ser preciso sobre quanto disso é verificável hoje, porque um PR em rascunho com CI pulada é uma proposta, não um fato sobre um runtime já lançado. O arquivo gigachat35_omni.py não existe no branch main do SGLang — buscá-lo lá retorna um 404 — e a página de modelos multimodais suportados no main não tem entrada do GigaChat. O PR tem um único commit, de uma conta cuja única interação com o SGLang é este PR, e o único comentário nele é uma nota de bot de documentação pedindo aprovação de preview a partir de um fork.
A proveniência é a evidência indireta mais forte de toda a história. Todo o caminho de mídia do processador é delegado ao "processador remoto do checkpoint", e o autor relata paridade de prompt-id em relação ao "stack de serving com o qual o modelo foi treinado e avaliado" — um stack de referência interno que não é nomeado nem público. Não dá para escrever nenhuma dessas coisas em relação a um modelo que você não executou. Alguém fora dos muros da Sber precisaria do checkpoint; alguém dentro deles teria o stack interno. Nada no PR diz qual dos dois, e este texto não vai adivinhar.

A única coisa que o código deixa claro é que isto não é uma renomeação nem uma flag de configuração. O modelo registra um novo model_type (gigachat3_5_omni) com seus próprios ids de token — 128004 para imagens, 128005 para frames de vídeo, 128006 para áudio, 128007 para trilha sonora —, um novo processador, um novo tipo de resultado de embedding sobre o qual mm_schedule.py precisa despachar ao lado do caminho EVS existente, e um novo tratamento para prefill em chunks, porque o número de tokens que um frame mantém só é conhecido depois que ele foi codificado. Essa é a assinatura de um modelo treinado com essas decisões de pré-processamento incorporadas, não de um ajuste fino da comunidade hipoteticamente enxertado em um checkpoint de texto.
A matemática dos tokens é a parte que vale a pena ler
Deixe a tabela de benchmark de lado por um momento. A aritmética no PR é o que importa, porque é ela que diz se um modelo de 432B que ingere áudio e vídeo longos é algo que você poderia ter condições de executar — e é a parte que não vai mudar se a Sber nunca disser uma palavra sobre este modelo.
Considere uma hora de áudio. A 6,25 tokens por segundo, isso dá 22.500 tokens de entrada, mais um carimbo de data/hora a cada 60 segundos e um carimbo de duração final — uma ninharia perto do próprio áudio. Considere um vídeo de 512 quadros. A 256 tokens para o primeiro quadro e 77 por quadro depois dele, o clipe chega a cerca de 39.600 tokens antes da trilha sonora, o que é aproximadamente um terço de um contexto de 128K para meio minuto de filmagem. Acrescente a trilha sonora e cada quadro carrega tokens extras por cima. Esse é todo o argumento para o esquema de redução de mudanças: sem ele, 512 quadros a 256 tokens cada seriam 131.072 tokens, uma janela inteira de 128K para um único clipe.
O que isso significa em dinheiro é fácil de verificar em modelos que você pode usar hoje. No catálogo da OrcaRouter, as listagens de mídia mista atualmente cobram por uma hora de áudio assim:
• Gemini 3.8 Flash — US$ 0,75 por milhão de tokens de entrada, então uma hora de áudio custa cerca de 1,7 centavos, e um clipe de 512 quadros, cerca de 3 centavos.
• Qwen3-VL 235B A22B Instruct — US$ 0,40 por milhão de tokens de entrada, então aproximadamente 0,9 centavos por hora e 1,6 centavos por clipe.
• DeepSeek V4 Flash Vision Exp — US$ 0,22 por milhão de tokens de entrada, mas apenas entrada de imagens; não aceita áudio de forma alguma.
Coloque uma carga de trabalho real por trás disso. Quarenta horas de chamadas gravadas equivalem a 900.000 tokens: cerca de 68 centavos na listagem da Google e 36 centavos na da Qwen, ao preço de tabela do provedor. A OrcaRouter repassa as tarifas dos provedores sem acréscimo, então uma redução de preço de um fornecedor em qualquer um destes passa a valer do nosso lado no mesmo dia — o que também é o limite honesto do que podemos dizer aqui: o GigaChat3.5-Omni-432B-A28B não está no nosso catálogo e não somos um meio de chamá-lo. Não é possível chamá-lo em lugar nenhum. O ponto da aritmética é que, quando algo assim aparecer, o áudio não é a parte cara; os tokens que você não consegue comprimir é que são.
É também aí que se situam a janela de 32 minutos e a afirmação de cinco horas do PR. Esses números importam para quem auto-hospeda o modelo em oito H100s, porque determinam quanto de uma gravação longa precisa ser recodificado quando uma solicitação é dividida em chunks de prefill. Não importam para quem paga por token, onde uma hora de áudio é uma hora de áudio, independentemente do encoder que a produziu.
Quatro números de benchmark, uma coluna em branco
O PR relata quatro pontuações, executadas em oito H100s em FP8 com tensor-parallel 8, decodificação greedy: MMLU-Pro 73,07, MMAU test-mini 78,50, MMMU validação 64,11 e Video-MME 80,74 em um clipe de 512 quadros com sua trilha sonora. Leia-as com três ressalvas anexadas, todas visíveis na própria página do PR.
A primeira é que a coluna de referência está vazia. A tabela tem uma coluna para a stack de serving original do modelo e uma coluna para este PR, e apenas a segunda está preenchida, então não há baseline impresso ao lado de nenhum desses números e não há como saber pela tabela se o port corresponde ou perde para a stack com a qual o modelo foi treinado. O texto faz, sim, uma alegação de paridade — ids de prompt idênticos em toda requisição que a referência conseguia atender, primeiros tokens iguais em 19 de 19 — o que implicitamente indica que a referência não conseguia atender uma das vinte requisições fixas.
O segundo é a lista de verificação. O item “Fornecer resultados de benchmark de precisão e velocidade de acordo com Testar a precisão” está desmarcado, e a tabela de velocidade, que tem linhas para lote 1 e lote 16 com colunas para decodificação base, decodificação MTP, aceleração e comprimento de aceitação, está totalmente vazia. Portanto, não há nenhum número de throughput para este modelo, apesar das duas cabeças MTP na pilha de linguagem que a ficha pública do GigaChat 3.5 atribui até 2,2× de velocidade de geração.
O terceiro é o contexto, e aqui os números ficam interessantes, e não apenas escassos. O MMLU-Pro em 73,07 fica cerca de 2,6 pontos abaixo dos 75,68 que a própria ficha do modelo do GigaChat 3.5 Ultra reporta para o modelo de texto no mesmo nome de benchmark — o que pode significar que a variante multimodal abriu mão de parte da qualidade de texto, ou que as duas execuções usaram harnesses diferentes, e não há nada publicado que permita escolher entre essas explicações. O MMAU em 78,50 é superior aos 74,7 que a própria ficha do modelo de áudio do GigaChat lista para o Qwen3-Omni, e muito acima dos 62,2 que a mesma ficha reporta para o GigaChat3.1-Audio-10B-A1.8B da própria Sber — uma ficha medida no conjunto completo do MMAU, e não no subconjunto test-mini, portanto, trate essa comparação como sugestiva e não como uma comparação equivalente direta. O MMMU em 64,11 é uma pontuação mediana de compreensão de imagens. O Video-MME em 80,74 para um clipe de 512 quadros com áudio é o que levantaria sobrancelhas se alguém independente o reproduzisse.

O que é preciso para servir, e o que a Sber disse
Primeiro, a realidade da implantação. O checkpoint de texto FP8 por trás do GigaChat 3.5 Ultra tem 437,9 GB distribuídos em 39 arquivos, então tensor-parallel 8 em H100s deixa cerca de 55 GB de pesos por placa antes do cache KV — é por isso que o equipamento de teste do PR são oito H100s e por que isso não vai mudar muito para a variante Omni. As duas torres são erro de arredondamento diante de 432B: o InternViT-300M mais um conformer de 24 camadas e 1.024 de largura fica bem abaixo de um bilhão de parâmetros, então o requisito de hardware é essencialmente o do modelo de linguagem. Metadados, flags de inicialização e o parser de chamadas de ferramentas gigachat35 já estão no main do SGLang a partir do trabalho do GigaChat 3.5 mesclado em setembro, e o cookbook do projeto tem uma página do GigaChat 3.5 desde então; o que não existe no main é qualquer caminho multimodal.
A própria Sber não publicou nada que este artigo tenha conseguido encontrar. A sua documentação para programadores lista o GigaChat 3 Ultra como o modelo da geração mais recente, juntamente com o GigaChat 2 Max, Pro e Lite, além de modelos de embeddings — não há 3.5, nem Omni, nem entrada multimodal. A Artificial Analysis não tem página para o GigaChat 3.5 Ultra nem para a variante Omni em nenhum slug que tenhamos experimentado hoje, pelo que também não existe uma pontuação independente para o modelo base a partir da qual raciocinar. O cartão público do GigaChat 3.5 Ultra é real, tem licença MIT, destina-se ao russo e ao inglês e reporta um conjunto de benchmarks do fornecedor que inclui TAU2-bench 68,71, SWE-bench Verified 42,6, Terminal-Bench 2 a 13,48 e LiveCodeBench v6 a 56,2 — todos valores da própria Sber, não reproduzidos, e todos apenas para o modelo de texto.
A linhagem de áudio é a parte disto que se lê como um plano, e não como um acidente. A Sber lançou o GigaChat3.1-Audio-10B-A1.8B em julho de 2026: um codificador de fala conformer e um adaptador de modalidade alimentando um decodificador de mistura de especialistas de 10B, treinado para ancoragem temporal em um conjunto de dados de áudio longo criado especificamente para esse fim, com descrições com carimbos de data/hora e sumarização de áudio longo como suas principais competências. É exatamente a capacidade que o esquema de carimbos do PR do Omni foi criado para preservar — um carimbo de data/hora antes de cada quadro, um carimbo a cada sessenta segundos de áudio, uma duração de encerramento — e as dimensões do conformer na configuração do PR são consistentes com incorporar essa pilha ao modelo de 432B em vez de mantê-la ao lado dele.
O que resolveria isso
Quatro coisas, em ordem crescente de quanto elas lhe diriam. Um checkpoint público naquele ID de repositório confirmaria que o modelo existe e permitiria que qualquer pessoa lesse a configuração, que atualmente é toda a base factual para as dimensões da torre. Um PR mesclado e não rascunho com CI verde lhe diria que o porte funciona em mais do que as vinte requisições fixas do autor. Uma tabela de velocidade com números nela lhe diria se as duas cabeças MTP sobrevivem ao wrapper multimodal, que é a diferença entre um modelo que você pode servir de forma interativa e um que não pode. Um benchmark independente — de qualquer pessoa, nos conjuntos completos em vez do test-mini — lhe diria se 78,50 e 80,74 significam alguma coisa.
Até lá, a decisão para um leitor é simples, e não depende de este vazamento ser resolvido. Se o seu produto precisa que áudio ou vídeo sejam compreendidos hoje, o GigaChat3.5-Omni-432B-A28B não está disponível e nenhum anúncio o colocou lá; os modelos que conseguem fazer o trabalho já têm preço por token, e a aritmética acima diz que a conta é menor do que a maioria das equipes presume. Se você está planejando auto-hospedar uma pilha multimodal em russo nas suas próprias H100s, este PR é a primeira evidência pública de que tal checkpoint está sendo construído, e sua contabilidade de tokens vale a pena ser lida agora — o esquema de compressão, não a tabela de benchmarks, é a parte que determina seu orçamento de memória.
![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)
O que observaríamos a seguir: se o repositório se torna público, se o PR deixa de ser rascunho e se a documentação para desenvolvedores da Sber ganha uma entrada multimodal antes de qualquer uma dessas coisas acontecer. Qualquer uma das três faria isto deixar de ser um artigo sobre o que sabemos até agora e passar a ser um lançamento, e este artigo precisaria ser reescrito, não atualizado.
