Российская технологическая экосистема пополнилась новой версией нейросетевой модели — GigaChat 3.5 Ultra. Разработка уже интегрирована в одноименного ИИ-помощника и стала доступна широкому кругу пользователей и сторонних разработчиков. Ключевой особенностью релиза является переход к open-source формату, что позволяет ИТ-сообществу свободно использовать наработки компании для создания собственных сервисов и проведения исследований.
Технологический прорыв и открытая архитектура
Согласно официальному заявлению представителей «Сбера», GigaChat 3.5 Ultra стала первой моделью компании, созданной на базе собственной уникальной архитектуры LLM. Разработчики не просто открыли доступ к весам модели, но и опубликовали данные о нескольких этапах обучения.
Такая прозрачность позволяет специалистам проследить эволюцию алгоритмов и лучше понять внутренние процессы формирования ответов нейросети.
Ключевые преимущества и производительность
Несмотря на расширенные возможности, новая версия демонстрирует высокую эффективность распределения ресурсов. По данным внутренних тестов, модель стала почти вдвое компактнее своей предшественницы, что снижает требования к вычислительным мощностям при развертывании.
Разработчики выделили несколько направлений, в которых GigaChat 3.5 Ultra показывает наиболее значимый прогресс:
- Работа с длинными контекстами: улучшена обработка объемных документов и сохранение логики повествования.
- Математика и логика: повышенная точность при решении сложных вычислительных задач.
- Программирование: более качественная генерация и аудит программного кода.
- Агентные задачи: способность модели выступать в роли автономного исполнителя многоэтапных инструкций.
Перспективы для индустрии
Выход GigaChat 3.5 Ultra в открытый доступ знаменует новый этап в развитии отечественных больших языковых моделей. Переход к использованию собственной архитектуры вместо адаптации зарубежных решений подчеркивает стремление компании к технологическому суверенитету в области искусственного интеллекта.
Ожидается, что предоставление доступа к этапам обучения и компактность модели стимулируют создание новых прикладных решений в корпоративном секторе и образовательной среде, обеспечивая высокую скорость обработки данных при сохранении качества ответов.