GigaChat 3.5 Reasoning не спешит сразу отвечать на сложный вопрос: сначала нейросеть делит задачу на этапы, определяет план решения, при необходимости обращается к поиску и другим инструментам, ищет ошибки в своих промежуточных результатах и только после этого формирует ответ.
GigaChat 3.5 Reasoning: представлена новая «рассуждающая» нейросеть для пользователей и разработчиков
Сбер представил новую reasoning-нейросеть
GigaChat 3.5 Reasoning – российская открытая мультимодальная нейросеть, которая последовательно рассуждает перед ответом, работает с цепочками задач и способна исправлять собственные ошибки.
GigaChat
Модель способна решать задачи с меньшими ресурсами, заметно экономя токены на рассуждение по сравнению с другими открытыми нейросетями.
Способность нейросети рассуждать полезна в задачах, где недостаточно одного действия или простого поиска информации. Например, модель может найти противоречия между пунктами договора, провести финансовые расчеты или найти ошибку в коде. Флагманская модель доступна пользователям ГигаЧата, и разработчикам по лицензии MIT для интеграции в свои продукты. Бизнес сможет интегрировать модель по API в ближайшее время.
Пользователь может сам определить, когда требуется рассуждение и включить режим отдельной кнопкой. На простой вопрос модель отвечает сразу, а для сложной задачи может использовать десятки тысяч токенов на поиск решения. Новая версия лучше справляется с написанием кода и агентскими сценариями, в которых нужно последовательно выполнить несколько действий. Например, при организации поездки модель может уточнить недостающие параметры, подобрать рейс и отель, проверить, укладывается ли маршрут в бюджет, а при обнаружении противоречия — перестроить план.
Продолжение ниже
Видео
Продолжение
Наиболее заметный прогресс нейросеть показывает в агентских задачах, работе с функциями и инструментами, программировании и задачах со сложной логикой. По ключевым направлениям — следованию сложным инструкциям, планированию и написанию кода — GigaChat 3.5 Ultra Reasoning приблизился к ведущим мировым моделям. Например, в бенчмарке IFBench результат вырос с 44 до 77 баллов, на Natural Plan — с 64 до 80, на Live Code Bench v6 — с 56 до 85. Это заметный рост по сравнению с версией без режима рассуждений.
GigaChat 3.5 Reasoning тратит на рассуждения существенно меньше токенов, чем другие открытые модели при сопоставимом качестве ответов. Например, на решение математических задач она тратит в среднем на 37% меньше токенов, чем DeepSeek V4 Flash Preview.
Рассуждающая модель будет наиболее полезна в таких сферах, как:
- финансы и банкинг — прогнозирование сценариев, проверка сделок на соответствие нормативным требованиям;
- юриспруденция — поиск противоречий в договорах, проверка документов на соответствие регламенту или прецедентам;
- разработка ПО — поиск и исправление багов, выбор архитектуры с учетом скорости, цены и надежности;
- логика и планирование — построение маршрутов и расписаний с учетом сроков, бюджета и доступных ресурсов.
- образование — пошаговый разбор задач по математике, физике и программированию с проверкой каждого шага.
- наука и аналитика данных — анализ данных в несколько этапов: расчеты и проверка гипотез.
- поддержка клиентов — уточнение деталей у клиента и проверка данных в разных системах перед ответом.
Как обучали новую модель
Нейросети без режима рассуждения на сложных задачах модель могут давать быстрый, но неполный ответ — просто не размышляя над ними. Новую модель целенаправленно обучили рассуждать, взяв за основу базовую GigaChat 3.5 Ultra.
В процессе модель решала математические и кодовые задачи разными способами, раскладывая их на последовательные шаги. Автоматическая проверка определяла, какой вариант рассуждения привел к правильному ответу, и закрепляла именно такие пути решения. Так она научилась не только выстраивать последовательность действий, но и самостоятельно решать, когда обратиться к внешнему инструменту или пересмотреть предыдущий шаг.
GigaChat 3.5 Reasoning использует собственную архитектуру с технологией линейного внимания. Она помогает эффективнее работать с длинным контекстом: вместо того, чтобы повторного сопоставлять каждый новый запрос со всем предыдущим текстом модель запоминает его ключевое содержание и дополняет его по мере обработки информации.
Загружаем