GigaChat 3.5 Reasoning: модель с рассуждением

GigaChat 3.5 Reasoning — вторая модель поколения 3.5 того же размера: 432 млрд параметров, 28 млрд активных, контекст до 262 тыс. токенов. Перед ответом она пишет рассуждение — делит задачу на шаги, проверяет промежуточные выводы, возвращается к ошибкам — и только потом выдаёт итог.

Сбер называет её первой моделью GigaChat с полноценным рассуждением, обученной online RL. В статье о выпуске команда пишет, что работа заняла больше девяти месяцев: алгоритм воспроизводится за недели, а время ушло на среды с проверяемой наградой и инфраструктуру.

Где выигрыш: по словам разработчиков, сильнее всего выросли математика, код, следование инструкциям и структурированный вывод. Для коротких вопросов и переписки по-прежнему удобнее Ultra — у неё нет этапа рассуждения, и ответ приходит быстрее.

Из одного SFT-чекпоинта вырастили шесть экспертов, каждого учили online RL со своей наградой:

• математика и естественные науки — сверка финального ответа с эталоном;
• код — запуск написанной программы;
• агент в репозитории — тесты после применения патча, задачи в духе SWE-bench;
• агент общего назначения — конечное состояние среды: вызовы функций, память, поиск;
• диалог — сравнение ответов LLM-судьёй;
• следование инструкциям — форматы, длинный контекст, структурированный вывод.

Алгоритм — CISPO из работы MiniMax-M1, а не GRPO. GRPO выключает обучение на токенах, вероятность которых сильно сдвинулась, и первыми под отсечку попадают редкие слова вроде «стоп, здесь ошибка». CISPO лишь ограничивает их вклад, и сигнал до них доходит. По наблюдению команды, так модель сходится быстрее.

Перед каждым этапом чекпоинт прогоняют по всему пулу задач и убирают те, что решаются чаще, чем в 75% попыток. Набор постепенно смещается к трудным задачам, а вычисления на генерацию попыток, по оценке Сбера, сокращаются вдвое.

Награда устроена каскадом: сначала бинарные «ворота» — ответ завершён, написан на нужном языке без смешения алфавитов, не нарушает жёстких ограничений; затем баллы по нескольким осям; в конце адаптивный штраф за длину — чем проще задача, тем дороже лишние токены.

Шесть экспертов свели в одну модель дистилляцией on-policy: модель-ученик пишет собственный ответ, а эксперт нужного домена поправляет его на уровне токенов. Все этапы, как и у Ultra, прошли в FP8.

Выросло не всё. В TAU3-bench — агентных диалогах со службами авиакомпании, магазина, оператора связи и банка — Reasoning набирает 47,8 против 50,03 у Ultra; в диалоговых аренах Pollux и Arena Hard Logs она тоже ниже.

Условия прогонов: SWE-bench Verified и Terminal-Bench 2 — через mini-swe-agent с таймаутом три часа, арены — судья MiniMax-M2.7 против ответов GPT-5.2; где методика не задаёт системный промпт, его оставляли пустым. Это цифры самого Сбера, а не независимой площадки.

В карточке модель сопоставлена только с DeepSeek V4 Flash Preview. По среднему баллу Reasoning ниже (68,88 против 72,71): она впереди в следовании инструкциям, структурированном выводе, на AIME и русскоязычных аренах, но отстаёт на HMMT, GPQA и в агентном программировании.

Экономия рассуждения: на AIME 2025, AIME 2026, HMMT и IMOAnswerBench Reasoning тратит на 37% меньше токенов рассуждения, чем DeepSeek V4 Flash Preview, — в среднем от 13,3 до 17,1 тыс. токенов на задачу.

Независимый замер — MERA Text 2.0: 0,423 балла и 13-е место из 43, первое среди российских моделей. Цены, тесты и место модели в общем списке — на странице GigaChat 3.5 Reasoning в рейтинге.

В чате: в веб-версии ГигаЧата рассуждение включается отдельной кнопкой, так сообщила пресс-служба Сбера в день выпуска. Без кнопки отвечает Ultra. Ответ с рассуждением приходит медленнее — модель сначала разбирает задачу. Подробнее о чате — лист 5.

По API для компаний: Reasoning доступна в каталоге Evolution Foundation Models облака Cloud.ru с 23 сентября 2026 года — 96 ₽ за миллион входных и 289 ₽ за миллион выходных токенов. В собственном API Сбера отдельной модели Reasoning нет (лист 3).

На своём сервере: поддержка GigaChat 3.5 вошла в основную ветку SGLang 21 сентября 2026 года и есть в выпусках начиная с 0.5.21. Для vLLM на конец октября нужна отдельная ветка из pull request 56173. Флаг парсера рассуждения выносит его в отдельное поле ответа: в SGLang — --reasoning-parser gigachat35 и поле reasoning_content, в vLLM — gigachat35_thinking и поле reasoning. В примерах разработчика температура 0,6, конфигурация — восемь H100.