Компания Сбер представила GigaChat 3.5 Reasoning — новую версию нейросети с режимом рассуждений. Модель способна разбивать сложную задачу на этапы, составлять план решения, обращаться к внешним инструментам и проверять собственные выводы.
Новый режим рассчитан на задачи, где одного действия недостаточно: анализ договоров, финансовые расчеты, программирование и другие сложные сценарии. Пользователь может самостоятельно включить рассуждение отдельной кнопкой. Для простых запросов модель отвечает сразу, а при необходимости может использовать десятки тысяч токенов для поиска решения.
GigaChat 3.5 Reasoning уже доступна пользователям ГигаЧата, а разработчики могут бесплатно использовать модель по лицензии MIT. В ближайшее время ее планируют предоставить бизнесу через API.
По словам старшего вице-президента Сбербанка, руководителя блока «Развитие генеративного ИИ» Антона Фролова, модель самостоятельно определяет этапы решения, проверяет промежуточные результаты и при необходимости меняет план. Такой подход особенно полезен для агентных сценариев, программирования и аналитики.
После добавления режима рассуждений модель улучшила результаты по большинству тестов. Например, показатель IFBench вырос с 44 до 77 баллов, Natural Plan — с 64 до 80, а Live Code Bench v6 — с 56 до 85. Наиболее заметный прогресс отмечен в агентных задачах, работе с инструментами, программировании и задачах со сложной логикой. Сбер также заявляет, что GigaChat 3.5 Reasoning расходует меньше токенов на рассуждения, чем ведущие открытые модели. В математических задачах модель в среднем использует на 37% меньше токенов, чем DeepSeek V4 Flash Preview.
Для обучения новой версии взяли GigaChat 3.5 Ultra. Модель решала математические и кодовые задачи разными способами, после чего автоматическая проверка определяла успешные варианты рассуждений. Это позволило обучить нейросеть выстраивать последовательность действий, обращаться к инструментам и пересматривать предыдущие шаги.
GigaChat 3.5 Reasoning использует архитектуру с линейным вниманием, которая позволяет эффективнее работать с длинным контекстом за счет сохранения ключевой информации вместо повторной обработки всего предыдущего текста.
