
GigaChat3.5-Omni-läcka: Sbers 432B-modell fick ögon och öron i en utkast-PR
- OrcaNYOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M tokens · 185 tok/s
- tencentNYTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M tokens · 228 tok/s
- GoogleNYGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M tokens · 89 tok/s
- AnthropicNYAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M tokens · 98 tok/s
- orcaNYOrca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M tokens · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M tokens · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M tokens · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M tokens · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M tokens · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M tokens · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligens
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M tokens · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligens
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M tokens · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733Intelligens
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 per 1M tokens · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740Intelligens
En pull request i utkastläge som öppnades i SGLang-repositoriet den 18 november 2026 beskriver en modell som inte finns offentligt: GigaChat3.5-Omni-432B-A28B, som är GigaChat 3.5 Ultra — Sbers mixture-of-experts-språkmodell med 432B parametrar — med ett InternViT-300M-syntorn och en 24-lagers conformer-ljudkodare kopplade, och som tar emot bilder, video med eller utan dess ljudspår, ljudfiler och blandningar av alla tre. Inget i den meningen kan kontrolleras mot ett modellkort, eftersom det inte finns något offentligt modellkort. Hugging Face-repositoriet som PR:en länkar till returnerar HTTP 401 när det anropas i dag, en namnsökning på Hugging Face ger inget resultat, och Sbers egen utvecklardokumentation listar fortfarande GigaChat 3 Ultra som sin nyaste generationsmodell, utan någon multimodal post någonstans i listan. Det som finns är 3 290 tillagda rader serveringskod, en konfigurationsfil, ungefär 2 000 rader tester och en benchmarktabell där någon lämnade referenskolumnen tom.
Det är inte ingenting. En pull request av den här formen kan bara skrivas av någon som har haft checkpointen framför sig: processorn skjuter upp bildavkodning, pixelayout och log-mel-extrahering till checkpointens egen fjärrkod via --trust-remote-code, vilket innebär att författaren måste ha kört den för att veta hur dessa tensorer ser ut. Så den användbara frågan är inte "annonserade Sber detta" — det gjorde de inte — utan vad koden säger om en modell som med stor sannolikhet ligger i ett privat repository just nu, och vad det skulle innebära för alla som för närvarande betalar per token för att få ljud och video förstådda.
Vad pull requesten faktiskt beskriver
SGLang PR #51276 har rubriken "[Feat] gigachat35-omni: Lägg till stöd för bild, video och ljud i GigaChat3.5-Omni". Det är ett utkast, det är inte mergat, och dess CI har hoppats över just för att det är ett utkast. Implementeringen är ett tunt omslag — GigaChat35OmniForConditionalGeneration runt den befintliga GigaChat35ForCausalLM — med tre nya saker runt den: en synväg genom InternVisionModel och en pixel-shuffle-MLP-projektor, en in-tree conformer-ljudkodare och en processor som lägger ut platshållarna. Allt nedan är PR-författarens egen beskrivning av modellen, och inget av det har bekräftats av Sber.
• Språkstack — oförändrad från GigaChat 3.5: 432B totala parametrar, 28B aktiva, 256 routade experter med 8 per token, 40 lager, hybriduppmärksamhet som blandar MLA med Gated DeltaNet-lager för linjär uppmärksamhet, två MTP-huvuden. Siffrorna kommer från det offentliga modellkortet för GigaChat 3.5 Ultra, så den här delen är verifierbar.
• Vision — InternViT-300M, bilder delas upp i 448×448-utsnitt, 256 token per utsnitt.
• Ljud — en conformer med 24 lager, 1 024 bred, 16 huvuden, feed-forward med bredd 4 096, 64 mel-bin, subsamplingsfaktor 4, uppmärksamhet begränsad till 200-ramsblock med en halo på ett block per lager. Ljud tokeniseras vid 6,25 token per sekund, en token per 160 ms.
• Video – den första bildrutan behåller alla sina 256 token; senare bildrutor behåller i genomsnitt 77, och vilka 77 som behålls avgörs efter kodning genom att rangordna varje tokens genomsnittliga absoluta skillnad från samma position i föregående bildruta. En stabil sortering över hela klippet väljer ut dem, så en bildruta kan sluta med att behålla fler eller färre än 77.
• Video med ljud — use_audio_in_video flätar in varje bildrutas andel av ljudspårets token efter den, med HH:MM:SS tidsstämplar mellan bildrutorna.
• Långt ljud – klipp längre än 32 minuter kodas i fönster med en halo, vilket PR:en säger är bitidentiskt med en enda genomkörning. Dess påstående: fem timmars ljud på en nod.
• Felbeteende – felaktiga medier returnerar en 400 i stället för att krascha schemaläggaren, och SGLANG_VLM_CACHE_SIZE_MB är standard 2048 för den här arkitekturen, eftersom standardvärdet 100 MiB inte kunde hålla en lång videos embeddingar och varje prefill-chunk körde om kodarna.
Utkast betyder utkast
Det är värt att vara precis om hur mycket av detta som är verifierbart idag, eftersom en utkast-PR med överhoppad CI är ett förslag, inte ett faktum om en levererad runtime. Filen gigachat35_omni.py finns inte på SGLang:s huvudgren — att hämta den där returnerar 404 — och sidan över multimodala modeller som stöds i main har ingen GigaChat-post. PR:en har en enda commit, från ett konto vars enda SGLang-interaktion är denna PR, och den enda kommentaren på den är en notis från dokumentationsboten som begär förhandsgranskningsgodkännande från en fork.
Härkomsten är det starkaste indirekta beviset i hela historien. Processorns hela medieväg delegeras till "checkpointens fjärrprocessor", och författaren rapporterar prompt-id-paritet mot "den serving-stack som modellen tränades och utvärderades med" – en intern referensstack som inte namnges och inte är offentlig. Du kan inte skriva något av detta mot en modell som du inte har kört. Någon utanför Sbers murar skulle behöva checkpointen; någon innanför dem skulle ha den interna stacken. Inget i PR:en säger vilket, och den här artikeln kommer inte att gissa.

Det enda koden gör tydligt är att detta inte är ett namnbyte eller en konfigurationsflagga. Modellen registrerar en ny model_type (gigachat3_5_omni) med egna token-id:n – 128004 för bilder, 128005 för videorutor, 128006 för ljud, 128007 för ljudspår – en ny processor, en ny typ av inbäddningsresultat som mm_schedule.py måste skicka vidare baserat på, vid sidan av den befintliga EVS-vägen, och ny hantering för chunkad prefill, eftersom antalet tokens som en ruta behåller bara är känt efter att den har kodats. Det är signaturen för en modell som tränats med dessa förbearbetningsbeslut inbyggda, inte för en community-finetune som hypotetiskt har skruvats på en textcheckpoint.
Tokenmatematiken är den del som är värd att läsa.
Hoppa över benchmarktabellen ett ögonblick. Aritmetiken i PR-materialet är själva substansen, för det är den som säger dig om en 432B-modell som tar in långa ljud- och videomaterial är något du har råd att köra — och det är den del som inte kommer att förändras om Sber aldrig säger ett ord om den här modellen.
Ta en timmes ljud. Vid 6,25 token per sekund blir det 22 500 indatatoken, plus en tidsstämpel var 60:e sekund och en avslutande varaktighetsstämpel – en småsak jämfört med själva ljudet. Ta en video på 512 bildrutor. Vid 256 token för den första bildrutan och 77 per bildruta därefter landar klippet på cirka 39 600 token innan dess ljudspår, vilket är ungefär en tredjedel av ett 128K-kontext för en halv minut filmmaterial. Lägg till ljudspåret och varje bildruta bär extra token ovanpå. Detta är hela argumentet för ändringsreduceringsschemat: utan det skulle 512 bildrutor på 256 token var och en vara 131 072 token, ett helt 128K-fönster för ett enda klipp.
Vad det innebär i pengar är lätt att kontrollera mot modeller du kan anropa i dag. I OrcaRouters katalog prissätts för närvarande en timme ljud så här i posterna för blandade medier:
Gemini 3.8 Flash — 0,75 USD per miljon indatatoken, så en timme ljud kostar cirka 1,7 cent, och ett klipp på 512 bildrutor cirka 3 cent.
• Qwen3-VL 235B A22B Instruct — 0,40 USD per miljon indatatoken, vilket är ungefär 0,9 cent i timmen och 1,6 cent per klipp.
• DeepSeek V4 Flash Vision Exp – 0,22 USD per miljon indata-tokens, men endast bildindata; den kan inte ta emot ljud alls.
Sätt en verklig arbetsbelastning bakom det. Fyrtio timmar inspelade samtal är 900 000 tokens: ungefär 68 cent enligt Googles prislista och 36 cent enligt Qwens, till leverantörens listpris. OrcaRouter vidarebefordrar leverantörspriser utan påslag, så en leverantörsprissänkning på någon av dessa slår igenom hos oss samma dag – vilket också är den ärliga gränsen för vad vi kan säga här: GigaChat3.5-Omni-432B-A28B finns inte i vår katalog och vi är inte ett sätt att anropa den. Den går inte att anropa någonstans. Poängen med räkneexemplet är att när något liknande väl dyker upp är ljudet inte den dyra delen; det är de tokens du inte kan komprimera.
Det är också där PR:s 32-minutersfönster och femtimmarspåstående ligger. De siffrorna spelar roll för den som självhostar modellen på åtta H100, eftersom de avgör hur mycket av en lång inspelning som måste kodas om när en förfrågan delas upp över prefill-chunks. De spelar ingen roll för den som betalar per token, där en timme ljud är en timme ljud oavsett vilken encoder som producerade den.
Fyra benchmarksiffror, en tom kolumn
PR:en rapporterar fyra resultat, körda på åtta H100:or i FP8 med tensor-parallell 8, girig avkodning: MMLU-Pro 73,07, MMAU test-mini 78,50, MMMU validering 64,11 och Video-MME 80,74 på ett 512-frames-klipp med dess ljudspår. Läs dem med tre förbehåll bifogade, alla synliga på själva PR-sidan.
Det första är att referenskolumnen är tom. Tabellen har en kolumn för modellens ursprungliga serveringsstack och en kolumn för denna PR, och endast den andra är ifylld, så det finns ingen baslinje utskriven bredvid någon av dessa siffror och inget sätt att utifrån tabellen avgöra om portningen matchar eller förlorar mot stacken som modellen tränades på. Prosatexten gör visserligen ett paritetsanspråk – identiska prompt-id:n på varje förfrågan som referensen kunde betjäna, matchande första tokens på 19 av 19 – vilket implicit säger att referensen inte kunde betjäna en av de tjugo fasta förfrågningarna.
Den andra är checklistan. Posten ”Ange benchmarkresultat för noggrannhet och hastighet enligt Testa noggrannheten” är inte ikryssad, och hastighetstabellen, som har rader för batch 1 och batch 16 med kolumner för basavkodning, MTP-avkodning, hastighetsökning och acceptlängd, är helt tom. Det finns alltså ingen genomströmningssiffra för den här modellen överhuvudtaget, trots de två MTP-huvudena i språkstacken som det offentliga GigaChat 3.5-modellkortet anger ska ge upp till 2,2× genereringshastighet.
Det tredje är kontext, och här blir siffrorna intressanta snarare än bara tunna. MMLU-Pro på 73,07 ligger omkring 2,6 punkter under de 75,68 som GigaChat 3.5 Ultras eget modellkort anger för textmodellen på samma benchmarknamn — vilket kan betyda att den multimodala varianten gav upp en del textkvalitet, eller att de två körningarna använde olika utvärderingsramverk, och det finns inget publicerat som skulle låta dig välja mellan de förklaringarna. MMAU på 78,50 är högre än de 74,7 som GigaChats eget ljudmodellkort listar för Qwen3-Omni, och långt över de 62,2 som samma kort anger för Sbers egen GigaChat3.1-Audio-10B-A1.8B — ett kort som mättes på hela MMAU-uppsättningen snarare än test-mini-delmängden, så betrakta den jämförelsen som antydande och inte som direkt jämförbar. MMMU på 64,11 är en bildförståelsepoäng i mittfältet. Video-MME på 80,74 för ett 512-bildrutors klipp med ljud är den som skulle väcka förvåning om någon oberoende reproducerade den.

Vad som krävs för att tjänstgöra, och vad Sber har sagt
Driftsättningsverkligheten först. FP8-textcheckpointen bakom GigaChat 3.5 Ultra är 437,9 GB fördelat på 39 filer, så tensor-parallellt 8 på H100:or lämnar ungefär 55 GB vikter per kort före KV-cache – vilket är anledningen till att PR:ns testrigg består av åtta H100:or och till att det inte kommer att förändras särskilt mycket för Omni-varianten. De två tornen är försumbara i förhållande till 432B: InternViT-300M plus en 24-lagrig conformer med bredd 1 024 är väl under en miljard parametrar, så hårdvarukravet är i praktiken språkmodellens. Metadata, startflaggor och gigachat35 verktygsanropsparsern finns redan i SGLang main från GigaChat 3.5-arbetet som slogs samman i september, och projektets cookbook har haft en GigaChat 3.5-sida sedan dess; det som inte finns i main är någon multimodal sökväg.
Sber självt har inte publicerat något som den här artikeln kan hitta. Deras utvecklardokumentation listar GigaChat 3 Ultra som den senaste generationsmodellen, tillsammans med GigaChat 2 Max, Pro och Lite, plus inbäddningsmodeller – ingen 3.5, ingen Omni, ingen multimodal post. Artificial Analysis har ingen sida för GigaChat 3.5 Ultra eller för Omni-varianten på någon slug vi provade i dag, så det finns inte heller någon oberoende poäng för basmodellen att utgå från. Det offentliga GigaChat 3.5 Ultra-kortet är verkligt, är MIT-licensierat, riktar sig till ryska och engelska och rapporterar en uppsättning benchmarkresultat från leverantören som omfattar TAU2-bench 68,71, SWE-bench Verified 42,6, Terminal-Bench 2 vid 13,48 och LiveCodeBench v6 vid 56,2 – alla Sbers egna siffror, oreproducerade och alla endast för textmodellen.
Ljudhärstamningen är den del av detta som framstår som en plan snarare än en slump. Sber släppte GigaChat3.1-Audio-10B-A1.8B i juli 2026: en conformer-talenkoder och en modalitetsadapter som matar en 10B mixture-of-experts-dekoder, tränad för temporal grounding på en specialbyggd datamängd för långt ljud, med tidsstämplade beskrivningar och sammanfattning av långt ljud som sina främsta kompetenser. Det är exakt den förmåga som Omni PR:s stämpelschema är byggt för att bevara – en tidsstämpel före varje bildruta, en stämpel var sextionde sekund ljud, en avslutande varaktighet – och conformer-dimensionerna i PR:ens konfiguration är förenliga med att vika in den stacken i 432B-modellen i stället för att låta den ligga bredvid.
Vad skulle avgöra det?
Fyra saker, i stigande ordning efter hur mycket de skulle säga dig. En offentlig checkpoint vid det repository-ID:t skulle bekräfta att modellen finns och låta vem som helst läsa konfigurationen, vilket för närvarande är hela den faktiska grunden för tornets dimensioner. En mergad PR som inte är ett utkast och där CI är grönt skulle visa att porten fungerar för mer än författarens tjugo fasta förfrågningar. En hastighetstabell med siffror i skulle visa om de två MTP-huvudena överlever den multimodala wrappern, vilket är skillnaden mellan en modell som du kan servera interaktivt och en som du inte kan. En oberoende benchmark – vems som helst, på de fullständiga uppsättningarna i stället för test-mini – skulle visa om 78.50 och 80.74 betyder något.
Fram till dess är beslutet enkelt för en läsare, och det beror inte på att den här läckan får sin lösning. Om din produkt behöver förstå ljud eller video i dag är GigaChat3.5-Omni-432B-A28B inte ett alternativ, och ingen tillkännagivelse har placerat den där; de modeller som kan göra jobbet är redan prissatta per token, och räkneexemplet ovan visar att kostnaden är lägre än vad de flesta team antar. Om du planerar att självhosta en ryskspråkig multimodal stack på dina egna H100s, är denna PR det tidigaste offentliga beviset på att en sådan checkpoint byggs, och dess tokenredovisning är värd att läsa nu — det är komprimeringsschemat, inte prestandatabellen, som avgör din minnesbudget.
![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)
Vad vi skulle hålla ögonen på härnäst: om repot blir offentligt, om pull requesten upphör att vara ett utkast, och om Sbers utvecklardokumentation får en multimodal post innan något av dessa inträffar. Vilken som helst av de tre skulle förvandla det här från en artikel om vad vi vet hittills till en lansering, och den här artikeln skulle behöva skrivas om snarare än uppdateras.
