Сбер опубликовал новую модель GigaChat 3.5 Reasoning на Hugging Face и открыл доступ к ней в ГигаЧате. Компания называет ее первой моделью линейки с полноценным режимом логического рассуждения: в ряде задач она показывает результаты на уровне DeepSeek, а в математике использует в среднем на 37% меньше токенов рассуждения.
Ключевое отличие новинки — режим chain-of-thought, то есть пошагового решения задачи. Перед ответом модель разбивает запрос на подпункты, строит план, проверяет промежуточные выводы и только после этого формирует итоговый ответ. Такой подход особенно важен для задач, где нужна не просто генерация текста, а последовательная логика: расчеты, код, работа со сложными инструкциями и длинными документами.
Что умеет GigaChat 3.5 Reasoning
- решать математические задачи, включая олимпиадные;
- писать код;
- следовать сложным инструкциям;
- формировать структурированные ответы, в том числе в таблицах;
- работать с длинными текстами;
- вести диалог и вызывать функции.
Как устроена модель
GigaChat 3.5 Reasoning использует архитектуру Mixture-of-Experts — «смесь экспертов». Это означает, что на каждый запрос активируется не вся модель целиком, а только нужные блоки. По данным разработчиков, при обработке промпта задействуются 28 млрд параметров из 432 млрд. Такой подход помогает экономить вычислительные ресурсы и повышать эффективность на сложных задачах.
Также в модели применено гибридное внимание: классический механизм Multi-head Latent Attention объединен со слоями линейного внимания GatedDeltaNet. Для конечного пользователя это важно не само по себе, а как объяснение, почему модель может работать с длинным контекстом и при этом сохранять качество рассуждений.
Какие результаты показала новинка
Сбер сообщает, что на стандартных бенчмарках модель в математике и задачах на следование инструкциям вышла на уровень DeepSeek и местами превзошла DeepSeek V4 Flash Preview. При этом в сложном программировании и агентских сценариях она пока уступает конкуренту.
Отдельно разработчики выделяют экономию токенов рассуждения в математических задачах: в среднем она составляет 37%, а на отдельных тестах достигает 41% по сравнению с DeepSeek V4 Flash Preview. Для бизнеса и команд, которые считают стоимость инференса и скорость обработки запросов, это заметный показатель.
Что это значит для российского рынка
Для российских компаний и специалистов новость важна сразу по двум причинам. Во-первых, на рынке появляется открытая российская reasoning-модель, которую можно свободно интегрировать в собственные продукты по лицензии MIT. Во-вторых, это расширяет выбор инструментов для автоматизации маркетинга, поддержки, аналитики и контентных задач без обязательной привязки к зарубежным API.
Практическое применение для digital-команд — генерация структурированных SEO-брифов, разбор больших массивов отзывов и поисковых запросов, подготовка таблиц с кластеризацией семантики, помощь в написании скриптов и автоматизации отчетности. Для специалистов, работающих одновременно с Яндексом и Google, особенно полезны сценарии, где нужна не креативность, а точное следование инструкции и прозрачная логика ответа.
При этом воспринимать такие модели как полностью автономный инструмент пока рано: собственные тесты остаются обязательными, особенно если речь идет о коде, медиапланировании, юридически чувствительном контенте или SEO-рекомендациях для коммерческих проектов.
На практике запуск GigaChat 3.5 Reasoning означает, что у бизнеса, агентств и специалистов в России появился еще один открытый инструмент для задач, где важны пошаговая логика, работа с длинным контекстом и контроль затрат на генерацию.
Проверьте, какие процессы в команде требуют не генерации текста, а пошаговой логики: кластеризация запросов, разбор ТЗ, подготовка SEO-таблиц, анализ длинных документов, написание простых скриптов. Для таких задач reasoning-модель может дать более предсказуемый результат, чем обычный чат-бот.
Если используется ИИ в продакшене, сравните GigaChat 3.5 Reasoning с текущими инструментами на собственных сценариях: качество ответов, длина рассуждений, стоимость обработки и стабильность следования инструкции. Особенно полезно прогнать тесты на типовых задачах SEO, PPC и контент-аналитики.
При интеграции в продукт или внутренний workflow сразу задайте правила валидации: проверка фактов, ручной контроль кода, ограничение на публикацию ответов без редактора. Это особенно важно для коммерческих страниц, рекламных материалов и автоматических рекомендаций.
Частые вопросы
Можно ли уже использовать модель в своих сервисах и внутренних инструментах?
Да. Сбер открыл модель на Hugging Face под лицензией MIT, поэтому ее можно свободно интегрировать в свои продукты с учетом технических и юридических требований проекта.
Чем reasoning-модель отличается от обычной языковой модели на практике?
Она сначала разбивает задачу на шаги, строит план и проверяет промежуточные выводы. Это полезно там, где важны логика, точность инструкций и работа со сложными запросами.
Подойдет ли GigaChat 3.5 Reasoning для SEO и интернет-маркетинга?
Да, прежде всего для аналитических и структурных задач: брифы, таблицы, разбор семантики, суммаризация длинных текстов и помощь с автоматизацией. Но рекомендации модели все равно нужно проверять вручную.