Что такое GigaChat Ultra
GigaChat — семейство российских больших языковых моделей, разрабатываемых Сбером.
По назначению это тот же класс технологий, к которому относятся GPT, Claude, Gemini, DeepSeek и другие современные LLM.
Модель получает запрос пользователя и способна генерировать текст, анализировать информацию, писать и объяснять программный код, работать с документами, решать математические задачи и выполнять другие операции.
Но GigaChat интересен прежде всего тем, что изначально серьезно ориентирован на русский язык и российский рынок.
6 июля 2026 года Сбер представил новую версию своего флагмана — GigaChat 3.5 Ultra.
И здесь произошло довольно интересное изменение.
Обычно мы привыкли к простой логике развития AI:
новая модель → больше параметров → больше вычислений → выше качество.
Сбер пошел немного другим путем.
Предыдущий флагман имел около 700 млрд параметров. GigaChat 3.5 Ultra содержит 432 млрд.
То есть новая модель стала примерно на 40% компактнее.
При этом разработчики заявляют рост качества в программировании, математике, сложных предметных областях и агентных сценариях.
Получается интересная формула:
меньше модель → меньше ресурсов → выше скорость → при этом выше качество в ряде задач.
И именно это является главным техническим изменением GigaChat 3.5 Ultra.
Почему модель стала меньше
Количество параметров само по себе давно перестало быть единственным показателем качества AI.
Можно создать огромную нейросеть, но это еще не означает, что она будет экономично работать.
GigaChat 3.5 Ultra построен на архитектуре Mixture of Experts — MoE.
Название можно перевести как «смесь экспертов».
Принцип достаточно интересный.
Представим огромную компанию, в которой работают сотни специалистов.
Когда приходит задача, для ее решения необязательно подключать каждого сотрудника.
Если вопрос связан с программированием, нужны одни специалисты.
Если с математикой — другие.
Если необходимо написать текст — третьи.
Примерно по такому принципу работают MoE-модели.
У модели может быть огромное общее количество параметров, но при обработке конкретного токена используется только определенная часть сети.
Это позволяет получить высокую емкость модели без необходимости каждый раз задействовать абсолютно все вычислительные ресурсы.
GigaChat 3.5 Ultra развивает этот подход дальше.
Появилось линейное внимание
Одно из главных технических изменений новой версии — использование линейного внимания.
Чтобы понять его преимущество, необходимо немного разобраться в работе современных LLM.
Когда модель читает большой текст, ей необходимо учитывать предыдущую информацию.
В традиционном Transformer attention при увеличении контекста растет объем данных, которые необходимо хранить и обрабатывать.
На небольшом запросе это практически незаметно.
Но представим, что мы передаем AI огромный договор, техническую документацию или значительную часть программного проекта.
Расход памяти начинает серьезно увеличиваться.
Сбер использовал гибридный подход.
Часть слоев GigaChat 3.5 Ultra работает с механизмом MLA, а часть — с линейным attention на основе GatedDeltaNet.
Линейное внимание позволяет не хранить всю предыдущую историю в традиционном виде, а поддерживать более компактное состояние.
На практике это уменьшает требования к памяти при работе с длинным контекстом.
По данным разработчиков, новая архитектура использует примерно в четыре раза меньше KV-cache на токен, а в тот же объем памяти может помещаться более чем в два раза больше контекста.
Для обычного пользователя это звучит слишком технически.
Но практический смысл простой:
большие документы и длинные запросы можно обрабатывать эффективнее.
Генерация стала заметно быстрее
Еще одно важное изменение — скорость.
Сбер использует технологию Multi-Token Prediction — MTP.
Большинство языковых моделей генерирует текст последовательно.
Сначала следующее слово или токен.
Затем еще один.
Потом следующий.
И так далее.
MTP позволяет модели прогнозировать сразу несколько будущих токенов.
Упрощенно это можно представить так.
Обычная модель говорит:
Сейчас напишу одно слово, затем подумаю над следующим.
MTP пытается заранее подготовить небольшой фрагмент:
Скорее всего, следующие несколько слов будут такими.
После этого основной механизм модели проверяет прогноз и принимает правильную часть.
Сбер сообщает, что новый вариант MTP способен ускорять greedy decoding до 2,2 раза.
В реальной работе конкретное ускорение зависит от параметров генерации, нагрузки и самого запроса, поэтому воспринимать 2,2× как гарантированную скорость каждого ответа не стоит.
Но технологически направление очень интересное.
Разработчики AI сегодня соревнуются уже не только в интеллекте моделей.
Скорость генерации становится таким же важным параметром.
Работа с текстом улучшилась
Одно из наиболее очевидных применений GigaChat — русский язык.
Это особенно важно для российских пользователей и компаний.
Большинство ведущих международных моделей прекрасно работает на русском, но русский язык для них является одним из многих.
Для GigaChat русскоязычные данные являются одним из основных направлений обучения.
В GigaChat 3.5 Сбер также существенно изменил подход к обучающему датасету.
Разработчики отмечают, что раньше значительная роль отводилась синтетическим данным — информации, созданной другими моделями.
Теперь больший акцент сделан на натуральных текстах.
Например, при обработке веб-страниц HTML преобразовывался в структурированный Markdown с сохранением таблиц, формул и логики документа.
Это позволяет получить более качественные обучающие данные.
В итоге модель лучше видит структуру реальных документов, а не только искусственно созданных примеров.
Программирование серьезно усилили
Для меня как разработчика одно из наиболее интересных изменений GigaChat 3.5 Ultra связано с кодом.
Сбер значительно расширил объем программных данных в обучающей выборке.
По информации разработчиков, раньше использовались данные примерно по 16 языкам программирования.
В новом датасете — более 600 языков.
Конечно, это не означает, что GigaChat одинаково хорошо программирует на всех шестистах языках.
Но разнообразие обучающих данных значительно увеличилось.
Модель можно использовать для:
- написания функций;
- объяснения существующего кода;
- поиска ошибок;
- рефакторинга;
- генерации SQL;
- создания тестов;
- анализа алгоритмов;
- подготовки документации;
- работы с API.
Например, можно передать:
Напиши PHP-функцию для WordPress, которая добавляет собственный тип записи «Проекты» с поддержкой заголовка, изображения, редактора и собственного URL /projects/.
И получить основу для реализации.
Или более практическая задача:
Проанализируй этот PHP-код. Найди потенциальные проблемы совместимости с PHP 8.3, объясни каждую проблему и предложи исправленный вариант без изменения бизнес-логики.
Здесь AI уже используется не как поисковик, а как помощник разработчика.
Математика тоже стала сильнее
Второе направление, которое Сбер отдельно выделяет в новой модели, — математика.
Для LLM это традиционно сложная область.
Модель может прекрасно написать статью и при этом ошибиться в достаточно простом вычислении.
В GigaChat 3.5 Ultra разработчики усилили математические данные и дополнительно использовали обучение с подкреплением.
По внутренним тестам Сбера новая модель показывает улучшения на математических benchmark-наборах по сравнению с предыдущим поколением.
Это делает ее интереснее для аналитических и технических задач.
Например:
Компания продает услугу за 45 000 рублей. Переменные расходы составляют 12 000 рублей, стоимость привлечения клиента — 8 500 рублей. Рассчитай маржинальную прибыль, долю расходов на привлечение и покажи, что произойдет с прибылью при увеличении CAC на 20%.
Модель может не только выдать результат, но и объяснить последовательность вычислений.
Однако здесь необходимо помнить важное правило.
LLM нельзя считать заменой калькулятору или специализированной аналитической системе.
Критические финансовые расчеты необходимо перепроверять.
Большие документы стали важнее
Еще одна область применения — работа с большими объемами текста.
Это могут быть:
- договоры;
- техническая документация;
- отчеты;
- инструкции;
- исследования;
- исходный код;
- базы знаний;
корпоративные документы.
Например, вместо просьбы:
Кратко перескажи документ.
можно поставить гораздо более полезную задачу:
Проанализируй техническое задание. Составь таблицу всех функциональных требований. Для каждого требования укажи раздел документа, приоритет, предполагаемую сложность разработки и вопросы, которые необходимо уточнить у заказчика.
Для бизнеса подобный сценарий значительно ценнее обычного пересказа.
AI превращается в инструмент извлечения и структурирования информации.
А благодаря более экономичной работе с длинным контекстом GigaChat 3.5 Ultra лучше приспособлен именно к подобным задачам.
AI-агенты стали отдельным направлением
Еще одно важное слово в описании новой модели — агентные сценарии.
Обычный чат работает просто:
- пользователь → вопрос → AI → ответ.
- Агент работает иначе.
- Пользователь дает ему цель.
- После этого система может самостоятельно выполнить несколько действий.
- Например:
- получить документы;
- проанализировать их;
- обратиться к базе данных;
- вызвать API;
- выполнить вычисления;
- подготовить результат;
- передать его в другую систему.
Представим интернет-магазин.
AI-агент получает сообщение:
Покупатель спрашивает, почему его заказ еще не отправлен.
Обычная модель может только написать красивый ответ.
Агент потенциально способен:
- найти заказ;
- проверить его статус;
- посмотреть данные склада;
- определить причину задержки;
- сформировать ответ;
- создать обращение сотруднику, если проблема требует вмешательства.
Именно для таких многоэтапных процессов особенно важны скорость, стабильность и способность модели следовать инструкциям.
Где GigaChat особенно интересен
Одно из очевидных преимуществ GigaChat — российская экосистема.
Для обычного пользователя это означает хорошую работу с русским языком и доступность привычных сервисов.
Для бизнеса вопрос значительно шире.
Российским компаниям может быть важна возможность использовать отечественную модель, строить собственные решения и при необходимости разворачивать модель в контролируемой инфраструктуре.
GigaChat 3.5 Ultra выпущена с открытыми весами под лицензией MIT.
Это принципиально отличается от полностью закрытых коммерческих моделей.
Разработчик может изучать модель, экспериментировать с ней и строить собственную инфраструктуру в рамках условий лицензии.
Для крупных организаций это может быть серьезным преимуществом.
Особенно если данные нельзя или нежелательно отправлять во внешний зарубежный API.
Но open source требует ресурсов
Здесь появляется и первый серьезный недостаток.
Фраза «открытые веса» может создать впечатление, что модель можно скачать и запустить на обычном компьютере.
С GigaChat 3.5 Ultra все значительно сложнее.
432 млрд параметров — это огромная модель.
Для полноценного самостоятельного запуска требуется серьезное серверное оборудование и значительный объем GPU-памяти.
Поэтому обычному пользователю нет практического смысла пытаться запускать Ultra локально на домашнем компьютере.
Открытость модели важнее для:
крупных компаний;
облачных провайдеров;
исследовательских команд;
AI-разработчиков;
организаций с собственной GPU-инфраструктурой.
Для остальных намного удобнее пользоваться готовым сервисом или облачным API.
Чем отличается предыдущего Ultra
Предыдущий флагман GigaChat 3.1 Ultra использовал примерно 700 млрд параметров.
Новая версия — 432 млрд.
На первый взгляд кажется, что модель должна стать слабее.
Но разработчики изменили архитектуру, данные и процесс обучения.
В результате новая версия стала компактнее и одновременно улучшилась в нескольких ключевых областях.
Основные отличия можно сформулировать так:
GigaChat 3.1 Ultra: очень большая MoE-модель предыдущего поколения.
GigaChat 3.5 Ultra: более компактная гибридная архитектура, линейное внимание, улучшенный MTP, меньшие требования к памяти и более сильный акцент на код, математику и агентов.
То есть развитие произошло не за счет простого увеличения модели.
Сбер сделал ставку на эффективность архитектуры.
И это соответствует общей тенденции AI-индустрии.
Преимущества новой модели
Первое преимущество — русский язык.
GigaChat изначально ориентирован на русскоязычные задачи, что особенно интересно при работе с российскими документами, терминологией и локальным контекстом.
Второе — открытые веса.
Для компаний и разработчиков возможность самостоятельно развернуть модель может быть принципиально важна.
Третье — улучшенная работа с кодом.
Расширение программного датасета и результаты внутренних тестов показывают, что это одно из приоритетных направлений развития модели.
Четвертое — эффективность.
GigaChat 3.5 Ultra значительно компактнее предыдущего флагмана и требует меньше памяти для работы с длинным контекстом.
Пятое — агентные сценарии.
Модель создавалась с учетом нового поколения AI-приложений, где нейросеть должна не только отвечать на вопросы, но и последовательно выполнять действия.
Какие есть недостатки
Первый недостаток — размер.
Несмотря на оптимизацию, 432 млрд параметров по-прежнему делают Ultra чрезвычайно тяжелой моделью для самостоятельного развертывания.
Второй — нельзя ориентироваться исключительно на внутренние benchmark-тесты.
Сбер публикует хорошие результаты сравнения с предыдущими моделями и некоторыми конкурентами, но любой benchmark показывает только определенный набор задач.
Если вы планируете использовать модель в реальном продукте, необходимо тестировать именно свой сценарий.
Третий недостаток характерен практически для всех LLM.
Модель может ошибаться.
Она способна уверенно сформулировать неправильный ответ, придумать факт или допустить ошибку в коде.
Поэтому результат необходимо проверять.
Особенно если речь идет о медицине, праве, финансах, безопасности или production-коде.
Четвертый недостаток — для простых задач Ultra может быть избыточной.
Если нужно классифицировать короткие обращения или генерировать простые описания товаров, использование флагманской модели не всегда рационально.
Когда стоит выбирать Ultra
GigaChat 3.5 Ultra имеет смысл использовать там, где качество действительно важнее минимальной стоимости вычислений.
Например:
- сложный анализ документов;
- программирование;
- математические задачи;
- работа с большим контекстом;
- корпоративные AI-помощники;
- RAG-системы;
- AI-агенты;
- анализ сложных запросов;
- автоматизация бизнес-процессов.
Для простого вопроса:
Напиши пять вариантов заголовка.
возможности Ultra будут явно избыточными.
А вот запрос:
Проанализируй техническое задание на разработку интернет-магазина, выдели функциональные модули, найди противоречия, составь вопросы заказчику и предложи архитектуру проекта.
уже значительно лучше соответствует возможностям флагманской модели.
Пример работы разработчика
Представим реальную задачу.
Есть старый проект на PHP.
Вместо запроса:
Исправь код.
лучше дать модели контекст:
Проанализируй следующий PHP-класс. Проект переносится с PHP 7.4 на PHP 8.3. Сначала перечисли все проблемы совместимости. Затем раздели их на критические ошибки и потенциальные предупреждения. После этого предложи исправленный вариант кода. Не меняй публичный API класса и бизнес-логику.
Такой prompt задает модели порядок действий.
Это особенно важно при работе со сложными LLM.
Чем лучше сформулирована задача, тем полезнее результат.
Пример анализа документов
Другой сценарий — работа с большим договором.
Плохой запрос:
Проверь договор.
Хороший:
Проанализируй договор с позиции заказчика. Найди условия, связанные со сроками, оплатой, ответственностью, расторжением и передачей исключительных прав. Для каждого пункта укажи номер раздела, кратко объясни смысл и выдели формулировки, которые требуют дополнительного внимания специалиста. Не делай юридических выводов там, где информации недостаточно.
Второй запрос значительно снижает вероятность получить бесполезный общий пересказ.
Этот принцип универсален для GigaChat, GPT, Claude, Gemini и практически любой другой современной LLM.
Пример создания AI-агента
Самое перспективное применение — автоматизация.
Допустим, компании ежедневно приходят сотни заявок.
Вместо простого чат-бота можно создать AI-систему, которая:
- определяет тему обращения;
- извлекает контактные данные;
- классифицирует потенциального клиента;
- проверяет информацию в CRM;
- подбирает нужную услугу;
- создает задачу менеджеру;
- готовит черновик ответа.
Здесь модель уже является частью программной архитектуры.
Именно поэтому улучшения GigaChat 3.5 Ultra в agentic-сценариях важны не только пользователям чата.
Они прежде всего интересны разработчикам AI-продуктов.
Стоит ли переходить GigaChat
Для русскоязычного пользователя GigaChat определенно стоит попробовать.
Особенно если задачи связаны с большими русскоязычными текстами, программированием, документами или аналитикой.
Но я бы не подходил к выбору AI по принципу:
Какая модель сейчас самая лучшая?
Такого универсального ответа уже практически не существует.
Одна модель лучше работает с кодом.
Другая — с текстом.
Третья дешевле при массовых запросах.
Четвертая удобнее интегрируется в существующую инфраструктуру.
Поэтому правильнее спрашивать:
какая модель лучше решает именно мою задачу?
Для российского бизнеса у GigaChat есть дополнительный аргумент — отечественная экосистема и открытые веса.
Для разработчика — возможность экспериментировать с моделью и создавать собственные AI-сервисы.
Для обычного пользователя — бесплатный доступ к мощному русскоязычному AI-помощнику.
Что получаем результате
GigaChat 3.5 Ultra показывает интересное направление развития больших языковых моделей.
Главная идея нового поколения заключается не в том, чтобы сделать модель еще больше.
Наоборот.
Сбер уменьшил флагман примерно с 700 до 432 млрд параметров, переработал архитектуру, добавил линейное внимание, улучшил механизм Multi-Token Prediction и изменил подход к обучающим данным.
В результате модель требует меньше ресурсов и при этом стала сильнее в ряде ключевых сценариев.
Особенно интересны четыре направления:
русский язык, программирование, большие документы и AI-агенты.
При этом GigaChat 3.5 Ultra нельзя воспринимать как универсальную замену всем зарубежным моделям.
Для серьезного внедрения необходимо сравнивать качество на собственных задачах с актуальными GPT, Claude, Gemini, DeepSeek и другими решениями.
Но для российского рынка появление мощной открытой модели такого класса — важное событие.
На мой взгляд, главное преимущество GigaChat 3.5 Ultra даже не в конкретной цифре benchmark.
Гораздо важнее сочетание качества, эффективности, сильной работы с русским языком и возможности использовать открытые веса.
А это делает модель интересной уже не только как очередной чат с искусственным интеллектом.
GigaChat постепенно превращается в технологическую платформу, на которой можно строить собственные сервисы, корпоративных помощников и AI-агентов.
И именно в этом направлении новая Ultra выглядит наиболее перспективно.
Разработка современных сайтов Denkon
Искусственный интеллект постепенно становится частью не только контента, но и самих веб-проектов: от AI-поиска и обработки обращений до интеллектуальных помощников и автоматизации внутренних процессов.
Если вам нужен новый сайт, интернет-магазин или развитие существующего проекта, я могу помочь с разработкой на WordPress и 1С-Битрикс, созданием индивидуального функционала и интеграцией современных решений там, где они действительно приносят пользу бизнесу.
Denkon — разработка сайтов с учетом современных технологий, производительности и дальнейшего развития проекта.
