
GigaChat3.5-Omni รั่วไหล: โมเดล 432B ของ Sber มีตาและหูเพิ่มใน Draft PR
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 185 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 228 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 89 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 98 tok/s
- orcaใหม่Orca: OrcaC2 1.02026-11-079 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 89 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 134 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 79 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 118 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 68 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 94 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 44 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 199 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 113 tok/s
- deepseekDeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekDeepSeek: DeepSeek V4.1 Flash 09102026-10-17$0.15 / $0.60 ต่อ 1 ล้านโทเค็น · 311 tok/s
- DeepSeekDeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
คำขอ pull request ฉบับร่างที่เปิดในที่เก็บ SGLang เมื่อวันที่ 18 พฤศจิกายน 2026 อธิบายถึงโมเดลที่ไม่มีอยู่จริงต่อสาธารณะ: GigaChat3.5-Omni-432B-A28B ซึ่งก็คือ GigaChat 3.5 Ultra — โมเดลภาษามิกซ์เจอร์ออฟเอ็กซ์เพิร์ตส์ขนาด 432B พารามิเตอร์ของ Sber — พร้อมติดตั้งวิชันทาวเวอร์ InternViT-300M และตัวเข้ารหัสเสียงแบบคอนฟอร์เมอร์ 24 ชั้น รองรับภาพ วิดีโอที่มีหรือไม่มีแทร็กเสียง ไฟล์เสียง และการผสมผสานทั้งสามอย่าง ไม่มีอะไรในประโยคนั้นที่ตรวจสอบเทียบกับโมเดลการ์ดได้ เพราะไม่มีโมเดลการ์ดสาธารณะ ที่เก็บ Hugging Face ที่ PR ลิงก์ไปจะส่งคืน HTTP 401 เมื่อสอบถามในวันนี้ การค้นหาชื่อบน Hugging Face ไม่ให้ผลลัพธ์ใด ๆ และเอกสารสำหรับนักพัฒนาของ Sber เองยังคงระบุ GigaChat 3 Ultra เป็นโมเดลรุ่นใหม่ล่าสุด โดยไม่มีรายการมัลติโมดัลอยู่ที่ใดในรายการเลย สิ่งที่มีอยู่คือโค้ดให้บริการที่เพิ่มเข้ามา 3,290 บรรทัด ไฟล์กำหนดค่า ราว 2,000 บรรทัดสำหรับการทดสอบ และตาราง benchmark ที่มีบางคนเว้นคอลัมน์อ้างอิงไว้ว่างเปล่า
นั่นไม่ใช่เรื่องเล็กน้อย pull request ในลักษณะนี้เขียนได้โดยคนที่เคยมี checkpoint อยู่ตรงหน้าเท่านั้น: processor จะมอบหมายการถอดรหัสรูปภาพ การจัดวางพิกเซล และการสกัด log-mel ไปยังโค้ดระยะไกลของ checkpoint เองผ่าน --trust-remote-code ซึ่งหมายความว่าผู้เขียนต้องรันมันเพื่อรู้ว่าเทนเซอร์เหล่านั้นมีรูปร่างหน้าตาอย่างไร ดังนั้นคำถามที่มีประโยชน์จึงไม่ใช่ “Sber ประกาศเรื่องนี้หรือไม่” — ไม่ได้ประกาศ — แต่เป็นว่าโค้ดบอกอะไรเกี่ยวกับโมเดลที่ตอนนี้มีแนวโน้มสูงว่าจะอยู่ในรีโพซิทอรีส่วนตัว และสิ่งนั้นจะหมายความว่าอย่างไรสำหรับใครก็ตามที่ปัจจุบันจ่ายเงินตามจำนวนโทเคนเพื่อให้เสียงและวิดีโอถูกเข้าใจ
สิ่งที่ pull request อธิบายไว้จริง ๆ
SGLang PR #51276 มีชื่อว่า "[Feat] gigachat35-omni: เพิ่มการรองรับภาพ วิดีโอ และเสียงของ GigaChat3.5-Omni" เป็นฉบับร่าง ยังไม่ถูก merge และ CI ถูกข้ามไปเนื่องจากเป็นฉบับร่างนั่นเอง การ implement เป็น wrapper บาง ๆ — GigaChat35OmniForConditionalGeneration ที่ครอบGigaChat35ForCausalLM ที่มีอยู่ — โดยมีสิ่งใหม่สามอย่างเพิ่มเข้ามา: เส้นทาง vision ผ่าน InternVisionModel และ projector MLP แบบ pixel-shuffle, audio encoder แบบ conformer ที่อยู่ในทรี และ processor ที่จัดวาง placeholder ทั้งหมดด้านล่างเป็นคำอธิบายโมเดลของผู้เขียน PR เอง และไม่มีส่วนใดได้รับการยืนยันจาก Sber
• โครงสร้างภาษา — ไม่เปลี่ยนแปลงจาก GigaChat 3.5: พารามิเตอร์ทั้งหมด 432B, ใช้งานจริง 28B, ผู้เชี่ยวชาญแบบ routed 256 ตัว โดยใช้ 8 ตัวต่อโทเคน, 40 เลเยอร์, attention แบบไฮบริดที่ผสม MLA กับเลเยอร์ linear-attention ของ Gated DeltaNet, หัว MTP สองหัว ตัวเลขเหล่านี้มาจากการ์ดโมเดล GigaChat 3.5 Ultra ที่เผยแพร่สาธารณะ ดังนั้นส่วนนี้จึงตรวจสอบได้
• การมองเห็น — InternViT-300M แบ่งภาพออกเป็นครอปขนาด 448×448 โดยมี 256 โทเค็นต่อครอป
• เสียง — คอนฟอร์เมอร์ 24 เลเยอร์ ความกว้าง 1,024, 16 เฮด, ฟีดฟอร์เวิร์ดกว้าง 4,096, 64 ถังเมล, ตัวคูณซับแซมปลิง 4, attention จำกัดเฉพาะชังก์ 200 เฟรม โดยมีฮาโลหนึ่งบล็อกต่อเลเยอร์ เสียงถูกโทเค็นไนซ์ที่ 6.25 โทเค็นต่อวินาที หนึ่งโทเค็นต่อ 160 มิลลิวินาที
วิดีโอ — เฟรมแรกเก็บโทเคนทั้ง 256 ตัวไว้ทั้งหมด ส่วนเฟรมถัดๆ ไปเก็บโดยเฉลี่ย 77 ตัว และโทเคน 77 ตัวใดจะถูกเลือกนั้นตัดสินหลังการเข้ารหัส โดยจัดอันดับค่าเฉลี่ยของผลต่างสัมบูรณ์ของแต่ละโทเคนจากตำแหน่งเดียวกันในเฟรมก่อนหน้า การเรียงลำดับแบบเสถียรทั่วทั้งคลิปจะเลือกโทเคนเหล่านี้ ดังนั้นเฟรมหนึ่งอาจเก็บได้มากกว่าหรือน้อยกว่า 77 ตัว
• วิดีโอพร้อมเสียง — use_audio_in_video จะแทรกโทเค็นแทร็กเสียงส่วนของแต่ละเฟรมไว้หลังเฟรมนั้น พร้อมประทับเวลา HH:MM:SS ระหว่างเฟรม
• เสียงยาว — คลิปที่ยาวกว่า 32 นาทีจะถูกเข้ารหัสเป็นหน้าต่างๆ พร้อมส่วน halo ซึ่ง PR กล่าวว่าให้ผลเหมือนกับการประมวลผลครั้งเดียวทุกบิต ข้ออ้างของมัน: เสียงห้าชั่วโมงบนโหนดเดียว
• พฤติกรรมเมื่อเกิดความล้มเหลว — สื่อที่รูปแบบไม่ถูกต้องจะส่งคืน 400 แทนที่จะทำให้ scheduler ล่ม และ SGLANG_VLM_CACHE_SIZE_MBมีค่าเริ่มต้นเป็น 2048 สำหรับสถาปัตยกรรมนี้ เนื่องจากค่าเดิม 100 MiB ไม่สามารถเก็บ embeddings ของวิดีโอความยาวมากได้ และทุก prefill chunk ต้องรัน encoders ซ้ำ
ฉบับร่างก็คือฉบับร่าง
ควรระบุให้ชัดเจนว่าวันนี้มีสิ่งใดบ้างที่ตรวจสอบได้ เพราะ PR ฉบับร่างที่ข้าม CI เป็นเพียงข้อเสนอ ไม่ใช่ข้อเท็จจริงเกี่ยวกับรันไทม์ที่เปิดใช้งานจริงgigachat35_omni.pyไม่มีอยู่ในสาขา main ของ SGLang — การดึงไฟล์ดังกล่าวจากที่นั่นจะได้ 404 — และหน้า supported-models สำหรับมัลติโหมดใน main ก็ไม่มีรายการ GigaChat PR นี้มีหนึ่งคอมมิต จากบัญชีที่มีการโต้ตอบกับ SGLang เพียง PR นี้เท่านั้น และความคิดเห็นเพียงรายการเดียวใน PR คือข้อความจากบอทด้านเอกสารที่ขออนุมัติพรีวิวจากฟอร์ก
แหล่งที่มา (provenance) เป็นหลักฐานโดยอ้อมที่หนักแน่นที่สุดในเรื่องทั้งหมด เส้นทางสื่อทั้งหมดของโปรเซสเซอร์ถูกมอบหมายให้กับ "โปรเซสเซอร์ระยะไกลของ checkpoint" และผู้เขียนรายงานความสอดคล้องของ prompt-id เทียบกับ "สแตกการให้บริการที่โมเดลถูกฝึกและประเมินด้วย" ซึ่งเป็นสแตกอ้างอิงภายในที่ไม่ได้ระบุชื่อและไม่เปิดเผยต่อสาธารณะ คุณไม่สามารถเขียนข้อความใดข้อความหนึ่งในสองข้อนั้นโดยอ้างอิงกับโมเดลที่คุณยังไม่ได้รันได้ คนนอกกำแพงของ Sber จะต้องใช้ checkpoint ส่วนคนในจะต้องมีสแตกภายใน ไม่มีอะไรใน PR บอกว่าเป็นกรณีไหน และชิ้นนี้จะไม่เดา

สิ่งเดียวที่โค้ดทำให้ชัดเจนคือ นี่ไม่ใช่การเปลี่ยนชื่อหรือแฟล็กคอนฟิก โมเดลลงทะเบียนmodel_type (gigachat3_5_omni) พร้อม token id ของตัวเอง — 128004 สำหรับรูปภาพ, 128005 สำหรับเฟรมวิดีโอ, 128006 สำหรับเสียง, 128007 สำหรับซาวด์แทร็ก — โปรเซสเซอร์ใหม่, ชนิดผลลัพธ์ embedding ใหม่ที่ mm_schedule.py ต้อง dispatch ตามถัดจาก EVS path ที่มีอยู่ และการจัดการใหม่สำหรับ chunked prefill เพราะจำนวน token ที่เฟรมหนึ่งเก็บไว้จะรู้ได้ก็ต่อเมื่อเข้ารหัสแล้วเท่านั้น นั่นคือลักษณะเฉพาะของโมเดลที่ถูกฝึกโดยมีการตัดสินใจเกี่ยวกับการประมวลผลล่วงหน้าเหล่านี้ฝังอยู่ ไม่ใช่ไฟน์ทูนจากชุมชนที่สมมติขึ้นมาแล้วเอาไปต่อพ่วงกับ text checkpoint
คณิตศาสตร์ของโทเค็นคือส่วนที่คุ้มค่าที่จะอ่าน
ข้ามตาราง benchmark ไปก่อนสักครู่ การคำนวณใน PR คือสาระสำคัญ เพราะมันคือสิ่งที่บอกคุณว่าโมเดล 432B ที่รับเสียงและวิดีโอยาว ๆ เข้าไปนั้นเป็นสิ่งที่คุณพอจะมีกำลังรันได้หรือไม่ — และเป็นส่วนที่จะไม่เปลี่ยนแปลงแม้ Sber จะไม่พูดอะไรเลยเกี่ยวกับโมเดลนี้
ใช้ไฟล์เสียงหนึ่งชั่วโมง ที่ 6.25 โทเคนต่อวินาที จะเท่ากับ 22,500 โทเคนขาเข้า บวกกับการประทับเวลาทุก 60 วินาทีและตราประทับระยะเวลาปิดท้าย ซึ่งเป็นจำนวนเล็กน้อยเมื่อเทียบกับตัวไฟล์เสียงเอง ใช้วิดีโอ 512 เฟรม ที่ 256 โทเคนสำหรับเฟรมแรก และ 77 โทเคนต่อเฟรมถัดไป คลิปจะใช้ประมาณ 39,600 โทเคนก่อนจะรวมแทร็กเสียง ซึ่งประมาณหนึ่งในสามของคอนเท็กซ์ 128K สำหรับฟุตเทจครึ่งนาที เมื่อเพิ่มแทร็กเสียง แต่ละเฟรมก็มีโทเคนเพิ่มเติมเข้าไปอีก นี่คือเหตุผลทั้งหมดสำหรับแผนการลดการเปลี่ยนแปลง: หากไม่มีแผนนี้ 512 เฟรมที่ 256 โทเคนต่อเฟรมจะเท่ากับ 131,072 โทเคน ซึ่งเป็นหน้าต่าง 128K ทั้งหน้าต่างสำหรับคลิปเดียว
ความหมายในแง่ตัวเงินนั้นตรวจสอบได้ง่ายเมื่อเทียบกับโมเดลที่คุณเรียกใช้ได้ในวันนี้ ในแค็ตตาล็อกของ OrcaRouter รายการสื่อผสมในปัจจุบันกำหนดราคาสำหรับเสียงหนึ่งชั่วโมงไว้แบบนี้:
• Gemini 3.8 Flash — $0.75 ต่อหนึ่งล้านโทเค็นอินพุต ดังนั้นเสียงหนึ่งชั่วโมงมีค่าใช้จ่ายประมาณ 1.7 เซนต์ และคลิป 512 เฟรมประมาณ 3 เซนต์
• Qwen3-VL 235B A22B Instruct — $0.40 ต่อล้านโทเค็นอินพุต ดังนั้นประมาณ 0.9 เซนต์ต่อชั่วโมง และ 1.6 เซนต์ต่อคลิป
• DeepSeek V4 Flash Vision Exp — ราคา $0.22 ต่อหนึ่งล้านโทเค็นอินพุต แต่รับอินพุตได้เฉพาะรูปภาพเท่านั้น ไม่สามารถรับเสียงได้เลย
ลองวางปริมาณงานจริงมารองรับดูสิ สี่สิบชั่วโมงของสายที่บันทึกไว้คือ 900,000 โทเคน ประมาณ 68 เซนต์ในราคาที่ Google ลงไว้ และ 36 เซนต์ในราคาของ Qwen โดยคิดตามราคาที่ผู้ให้บริการประกาศ OrcaRouter ส่งต่อราคาของผู้ให้บริการตามจริงโดยไม่บวกกำไรใด ๆดังนั้นหากผู้ขายรายใดลดราคาในรายการเหล่านี้ ฝั่งเราก็พร้อมใช้ในวันเดียวกัน — ซึ่งนี่ก็เป็นขีดจำกัดอย่างตรงไปตรงมาของสิ่งที่เราบอกได้ ณ ที่นี้: GigaChat3.5-Omni-432B-A28B ไม่ได้อยู่ในแคตตาล็อกของเรา และเราไม่ใช่ช่องทางสำหรับเรียกใช้งานมัน มันเรียกใช้งานไม่ได้จากที่ใดเลย ประเด็นของการคำนวณนี้คือ เมื่อมีอะไรทำนองนั้นเกิดขึ้นจริง ส่วนที่เป็นเสียงไม่ใช่ส่วนที่แพง สิ่งที่แพงคือโทเคนที่คุณบีบอัดไม่ได้ต่างหาก
นั่นก็เป็นจุดเดียวกับหน้าต่าง 32 นาทีและคำกล่าวอ้างเรื่องห้าชั่วโมงของ PR เช่นกัน ตัวเลขเหล่านั้นสำคัญสำหรับใครก็ตามที่โฮสต์โมเดลด้วยตนเองบน H100 แปดตัว เพราะมันกำหนดว่าบันทึกเสียงยาวจะต้องถูกเข้ารหัสใหม่มากน้อยเพียงใดเมื่อคำขอถูกแบ่งออกเป็นชิ้น prefill ตัวเลขเหล่านี้ไม่สำคัญสำหรับใครก็ตามที่จ่ายตามโทเคน เพราะหนึ่งชั่วโมงของเสียงก็คือหนึ่งชั่วโมงของเสียง ไม่ว่าเอนโคเดอร์ใดจะเป็นผู้สร้างมันขึ้นมา
ตัวเลขเกณฑ์มาตรฐานสี่ตัว หนึ่งคอลัมน์ว่าง
PR รายงานคะแนนสี่รายการ โดยรันบน H100 แปดตัวใน FP8 ที่ tensor-parallel 8 และถอดรหัสแบบ greedy: MMLU-Pro 73.07, MMAU test-mini 78.50, MMMU validation 64.11 และ Video-MME 80.74 บนคลิป 512 เฟรมพร้อมแทร็กเสียง โปรดอ่านคะแนนเหล่านี้โดยคำนึงถึงข้อแม้สามข้อที่แนบมาด้วย ซึ่งทั้งหมดปรากฏให้เห็นบนหน้า PR เอง
ประการแรกคือคอลัมน์อ้างอิงว่างเปล่า ตารางมีคอลัมน์สำหรับสแตกการให้บริการดั้งเดิมของโมเดล และคอลัมน์สำหรับ PR นี้ โดยมีเพียงคอลัมน์ที่สองเท่านั้นที่ถูกกรอกข้อมูล ดังนั้นจึงไม่มี baseline พิมพ์กำกับอยู่ข้างตัวเลขเหล่านี้ และไม่มีทางบอกได้จากตารางว่าพอร์ตนั้นเทียบเท่าหรือแพ้สแตกที่โมเดลถูกฝึกมา เนื้อความเชิงบรรยายกล่าวอ้างถึงความเท่าเทียมกันจริง — prompt ids ที่เหมือนกันในทุกคำขอที่ข้อมูลอ้างอิงสามารถให้บริการได้, โทเคนแรกที่ตรงกันใน 19 จาก 19 — ซึ่งโดยนัยแล้วบอกคุณว่าข้อมูลอ้างอิงไม่สามารถให้บริการหนึ่งในยี่สิบคำขอแบบคงที่ได้
อย่างที่สองคือรายการตรวจสอบ รายการที่ระบุว่า "Provide accuracy and speed benchmark results according to Test the accuracy" ยังไม่ได้ติ๊ก และตารางความเร็ว ซึ่งมีแถวสำหรับแบทช์ 1 และแบทช์ 16 พร้อมคอลัมน์สำหรับ base decode, MTP decode, อัตราเร่ง และความยาวที่ยอมรับนั้น ว่างเปล่าทั้งหมด ดังนั้นจึงไม่มีตัวเลข throughput สำหรับโมเดลนี้เลย แม้ว่าในสแต็กภาษาจะมีหัว MTP สองหัวซึ่งการ์ด GigaChat 3.5 ฉบับสาธารณะระบุว่าช่วยให้ความเร็วในการสร้างสูงถึง 2.2 เท่าก็ตาม
ประการที่สามคือบริบท และตรงนี้ตัวเลขกลับน่าสนใจมากกว่าจะเป็นเพียงข้อมูลที่บางเฉียบ MMLU-Pro ที่ 73.07 อยู่ต่ำกว่าประมาณ 2.6 คะแนนเมื่อเทียบกับ 75.68 ที่การ์ดโมเดลของ GigaChat 3.5 Ultra เองรายงานไว้สำหรับโมเดลข้อความบนชื่อ benchmark เดียวกัน — ซึ่งอาจหมายความว่าตัวแปร multimodal สูญเสียคุณภาพด้านข้อความไปบ้าง หรือการรันทั้งสองครั้งใช้ harness ต่างกัน และไม่มีสิ่งใดที่เผยแพร่ซึ่งจะช่วยให้เลือกได้ว่าคำอธิบายใดถูกต้อง MMAU ที่ 78.50 สูงกว่า 74.7 ที่การ์ดโมเดลเสียงของ GigaChat เองระบุไว้สำหรับ Qwen3-Omni และสูงกว่ามากเมื่อเทียบกับ 62.2 ที่การ์ดเดียวกันรายงานสำหรับ GigaChat3.1-Audio-10B-A1.8B ของ Sber เอง — โดยการ์ดนั้นวัดบนชุด MMAU แบบเต็ม而非ชุดย่อย test-mini ดังนั้นควรถือว่าการเปรียบเทียบนั้นเป็นเพียงข้อบ่งชี้ ไม่ใช่การเปรียบเทียบแบบเทียบเคียงกันตรง ๆ MMMU ที่ 64.11 เป็นคะแนนความเข้าใจภาพระดับกลาง ๆ Video-MME ที่ 80.74 สำหรับคลิป 512 เฟรมพร้อมเสียงคือตัวที่จะทำให้ผู้คนแปลกใจหากมีใคร獨立ทำซ้ำได้

สิ่งที่ต้องมีเพื่อให้บริการ และสิ่งที่ Sber ได้กล่าวไว้
เริ่มจากความเป็นจริงด้านการติดตั้งใช้งานก่อน เช็กพอยต์ข้อความ FP8 ที่อยู่เบื้องหลัง GigaChat 3.5 Ultra มีขนาด 437.9 GB กระจายอยู่ใน 39 ไฟล์ ดังนั้น tensor-parallel 8 บน H100 จะเหลือน้ำหนักประมาณ 55 GB ต่อการ์ดก่อนคิด KV cache — นี่คือเหตุผลที่ชุดทดสอบของ PR ใช้ H100 แปดตัว และเป็นเหตุผลที่เรื่องนี้จะไม่เปลี่ยนแปลงมากนักสำหรับรุ่น Omni สองทาวเวอร์นั้นเป็นความคลาดเคลื่อนเล็กน้อยเมื่อเทียบกับ 432B: InternViT-300M บวกคอนฟอร์เมอร์ 24 เลเยอร์กว้าง 1,024 ยังต่ำกว่าหนึ่งพันล้านพารามิเตอร์อย่างมาก ดังนั้นข้อกำหนดฮาร์ดแวร์จึง essentially เป็นของโมเดลภาษาเป็นหลัก เมทาดาทา แฟล็กการเปิดใช้งาน และgigachat35ตัวแยกวิเคราะห์การเรียกใช้เครื่องมือ มีอยู่ใน SGLang main แล้วจากงาน GigaChat 3.5 ที่รวมเมื่อเดือนกันยายน และคุกบุ๊กของโปรเจกต์มีหน้า GigaChat 3.5 ตั้งแต่ตอนนั้น สิ่งที่ยังไม่มีใน main คือเส้นทางมัลติโมดัลใด ๆ
Sber เองไม่ได้เผยแพร่สิ่งใดที่บทความนี้ค้นหาได้ เอกสารสำหรับนักพัฒนาของ Sber ระบุว่า GigaChat 3 Ultra เป็นโมเดลรุ่นใหม่ล่าสุด ควบคู่กับ GigaChat 2 Max, Pro และ Lite พร้อมทั้งโมเดล embedding — ไม่มี 3.5 ไม่มี Omni ไม่มีรายการ multimodal Artificial Analysis ไม่มีหน้าสำหรับ GigaChat 3.5 Ultra หรือสำหรับรุ่น Omni ที่ slug ใด ๆ ที่เราลองในวันนี้ จึงไม่มีคะแนนอิสระสำหรับโมเดลฐานให้ใช้ประกอบการวิเคราะห์เช่นกัน การ์ดสาธารณะของ GigaChat 3.5 Ultra มีอยู่จริง ได้รับสัญญาอนุญาต MIT กำหนดเป้าหมายภาษารัสเซียและอังกฤษ และรายงานชุด benchmark ของผู้จำหน่าย ซึ่งรวมถึง TAU2-bench 68.71, SWE-bench Verified 42.6, Terminal-Bench 2 ที่ 13.48 และ LiveCodeBench v6 ที่ 56.2 — ตัวเลขทั้งหมดเป็นของ Sber เอง ยังไม่มีการทำซ้ำ และเป็นของโมเดลข้อความเท่านั้น
สายการพัฒนาด้านเสียงเป็นส่วนที่อ่านแล้วดูเป็นแผนที่วางไว้มากกว่าจะเป็นความบังเอิญ Sber เปิดตัว GigaChat3.1-Audio-10B-A1.8B ในเดือนกรกฎาคม 2026: เอนโคเดอร์เสียงพูดแบบ conformer และอะแดปเตอร์โมดัลลิตีที่ป้อนเข้าสู่เดโคเดอร์แบบ mixture-of-experts ขนาด 10B ซึ่งฝึกสำหรับ temporal grounding บนชุดข้อมูลเสียงยาวที่สร้างขึ้นโดยเฉพาะ โดยมีความสามารถเด่นคือคำอธิบายพร้อมการประทับเวลาและการสรุปเสียงยาว นั่นคือความสามารถที่กลไกการประทับเวลาของ Omni PR ถูกสร้างขึ้นมาเพื่อรักษาไว้พอดี — การประทับเวลาก่อนแต่ละเฟรม การประทับทุกหกสิบวินาทีของเสียง และระยะเวลาปิดท้าย — และมิติของ conformer ในคอนฟิกของ PR สอดคล้องกับการพับสแต็กนั้นเข้าไปในโมเดล 432B แทนที่จะวางไว้เคียงข้าง
อะไรจะทำให้เรื่องนี้ยุติลง
สี่สิ่งนี้ เรียงตามลำดับจากน้อยไปมากว่าสิ่งเหล่านี้จะบอกคุณได้มากแค่ไหน checkpoint สาธารณะที่ repository ID นั้นจะยืนยันว่าโมเดลมีอยู่จริง และเปิดให้ใครก็ได้อ่าน config ซึ่งปัจจุบันเป็นหลักฐานเชิงข้อเท็จจริงทั้งหมดสำหรับขนาดของทาวเวอร์ PR ที่ merge แล้วและไม่ใช่ draft โดยที่ CI ผ่าน จะบอกคุณว่า port ทำงานได้กับมากกว่าคำขอคงที่ 20 รายการของผู้เขียน ตารางความเร็วที่มีตัวเลขอยู่ในนั้นจะบอกคุณว่าหัว MTP สองหัวยังอยู่รอดผ่าน multimodal wrapper หรือไม่ ซึ่งเป็นความแตกต่างระหว่างโมเดลที่คุณให้บริการแบบโต้ตอบได้กับโมเดลที่ทำไม่ได้ benchmark อิสระ — ของใครก็ได้ บนชุดเต็มแทนที่จะเป็น test-mini — จะบอกคุณว่า 78.50 และ 80.74 มีความหมายใดๆ หรือไม่
จนถึงตอนนั้น การตัดสินใจสำหรับผู้อ่านนั้นเรียบง่าย และไม่ขึ้นอยู่กับการที่ข้อมูลรั่วไหลนี้จะคลี่คลาย หากผลิตภัณฑ์ของคุณต้องการให้เข้าใจเสียงหรือวิดีโอได้ในวันนี้ GigaChat3.5-Omni-432B-A28B ยังไม่อยู่ในตัวเลือก และยังไม่มีประกาศใดทำให้มันอยู่ในตัวเลือกนั้น โมเดลที่ทำงานนี้ได้มีการคิดราคาต่อโทเคนอยู่แล้ว และการคำนวณข้างต้นบ่งชี้ว่าค่าใช้จ่ายต่ำกว่าที่ทีมส่วนใหญ่คาดไว้ หากคุณวางแผนจะโฮสต์สแต็กมัลติโหมดภาษารัสเซียด้วยตนเองบน H100s ของคุณเอง PR นี้เป็นหลักฐานสาธารณะที่เร็วที่สุดว่าเช็กพอยต์ลักษณะนี้กำลังถูกสร้าง และการบัญชีโทเคนของมันคุ้มค่าที่จะอ่านตอนนี้ — รูปแบบการบีบอัด ไม่ใช่ตารางเบนช์มาร์ก คือส่วนที่กำหนดงบหน่วยความจำของคุณ
![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)
สิ่งที่เราจะจับตาต่อไปคือ: repository จะเปิดเป็นสาธารณะหรือไม่, PR จะเลิกอยู่ในสถานะฉบับร่างหรือไม่, และเอกสารสำหรับนักพัฒนาของ Sber จะมีรายการ multimodal เพิ่มขึ้นก่อนที่เหตุการณ์ใดเหตุการณ์หนึ่งในสองข้อนั้นจะเกิดขึ้นหรือไม่ หากข้อใดข้อหนึ่งในสามข้อนี้เกิดขึ้น จะทำให้เรื่องนี้เปลี่ยนจากบทความที่สรุปสิ่งที่เรารู้จนถึงตอนนี้ไปสู่การเปิดตัว และบทความนี้จะต้องเขียนใหม่มากกว่าการอัปเดต
