GigaChat 3.5 Ultra

G-Score: н/д

От Sber

Open Source

FAMGigaChat

CTX128K

PAR432B (28B активных)

Релиз: 2026-07-06

FlagshipRussianMoEOpen SourceReasoningCodingOpen Weights

Официальный сайт Создать обсуждение Сравнить

Краткое описание

GigaChat 3.5 Ultra — открытая флагманская MoE-модель Сбера на 432 млрд параметров с 28 млрд активных параметров на токен. Модель использует гибридную архитектуру MLA + GatedDeltaNet, требует меньше KV-cache, ускоряет генерацию через MTP и заметно усилилась в коде, математике и агентных сценариях.

G-Score и профиль

G-Score: н/д

Для GigaChat 3.5 Ultra пока нет совпавших результатов в подключённых публичных лидербордах. Исходные значения карточки не используются для G‑Score.

Показатели G‑Код, G‑Рассуждения, G‑Агенты и G‑Зрение рассчитаны по массовым таблицам LiveBench, Artificial Analysis и LMArena. Наведите или нажмите на значок рядом с оценкой, чтобы увидеть исходный лидерборд, вариант модели, значение и размер выборки.

Уверенность данных

низкая

Покрытие

0 тестов · 0 направлений

Происхождение

нет данных лидербордов

Как рассчитан профиль →

Место модели в каталоге

Место исходного бенчмарка показывается только при закреплённом source record и среди других карточек с источником. Эти старые значения не участвуют в G-Score лидербордов.

Бенчмарк	Результат	Место	Доказательство
MMLU (Общие знания)	85.28%	н/д	Источник не указан
HumanEval (Кодинг)	80.49%	н/д	Источник не указан
MATH (Математика)	86%	н/д	Источник не указан
GPQA (Экспертные знания)	30.81%	н/д	Источник не указан
BBH (Рассуждения)	87.5%	н/д	Источник не указан
MBPP (Python-задачи)	70.4%	н/д	Источник не указан
SWE-bench (Разработка)	42.6%	н/д	Источник не указан
MERA (Русский NLU)	67.3%	н/д	Источник не указан

Где запустить модель

Цены приведены за 1 млн токенов и могут меняться. Доступность российских провайдеров проверяется на их стороне.

Обновляем провайдеров и цены…

Стоимость API

Бесплатно (открытые веса MIT) / API по тарифам GigaChat

Рассчитать сценарий →

Профиль модели

Бенчмарки

MMLU (Общие знания)85.28%

HumanEval (Кодинг)80.49%

MATH (Математика)86%

GPQA (Экспертные знания)30.81%

BBH (Рассуждения)87.5%

MBPP (Python-задачи)70.4%

SWE-bench (Разработка)42.6%

MERA (Русский NLU)67.3%

История семейства

Линейка GigaChat

Последовательность собрана по датам релиза моделей Sber в каталоге. Она показывает соседние поколения, но не приписывает им совместимость или наследование архитектуры без отдельного источника.