Sber 的开放模型:432B 对话模型、语音识别与嵌入

Sber 的 GigaChat 团队在 Hugging Face 上有五个 MIT 许可证条目:GigaChat 3.5 Ultra、3.1 Lightning、GigaAM-v3、GigaAM Multilingual 和 Giga-Embeddings。规模、分数与注意事项。

  • 分析
  • 阅读约 6 分钟
  • 发布于

Sber 的 GigaChat 团队以 ai-sage 的名字在 Hugging Face 上发布开放权重。2025 年 11 月到 2026 年 9 月,它发布了覆盖俄语对话、语音识别和嵌入的一组模型,我们收录了其中五个条目,全部标注为 MIT。本文把它们放在一起比较,文中每个分数都来自 Sber 自己。

五个条目

模型 用途 规模 宣布或首次出现在 Hugging Face 我们列出的最小版本
GigaChat 3.5 Ultra 对话、推理、智能体 432B 混合专家,激活 28B 2026 年 7 月 6 日(Reasoning 为 9 月 3 日) FP8,437.9 GB
GigaChat 3.1 Lightning 小型对话模型 10B 混合专家,激活 1.8B 2026 年 3 月 24 日 GGUF Q4_K_M,6.5 GB
GigaAM-v3 俄语语音识别 220M 到 240M 2025 年 11 月 19 日 每个检查点约 0.45 GB
GigaAM Multilingual 俄语和中亚语言语音识别 220M、600M 2026 年 7 月 14 日 0.88 GB
Giga-Embeddings 俄语和英语嵌入 480M、3B、10B-A1.8B 2026 年 7 月 29 日到 8 月 10 日 0.98 GB

对话模型

GigaChat 3.5 Ultra 取代了 700B 的 GigaChat 3.1 Ultra,模型卡称它比前者小约 40%,在代码、数学和智能体任务上更强。它使用自定义的混合注意力,一部分层保留多头潜在注意力,其余改成 GatedDeltaNet 线性注意力,Sber 称这让每个词元的缓存缩小约四倍。它有 Instruct 和 Reasoning 两个版本,配置文件里有 262144 个位置。FP8 文件分别为 437.9 GB 和 446.0 GB,模型卡要求你用特定的拉取请求自行构建 SGLang 或 vLLM,所以它是多卡服务器上的工程。

在 Sber 的表格里,Reasoning 版本在 AIME 2025 和 2026 上略微领先 DeepSeek V4 Flash Preview Reasoning,分别是 89 和 92,对方是 88.95 和 90.4。它在 GPQA Diamond(82.32 对 87.4)、SWE-bench Verified(64.7 对 78.6)和 Terminal-Bench 2(30.3 对 56.6)上落后,平均分是 68.88,对方是 72.71。

GigaChat 3.1 Lightning 是小的那个。它的 10B 参数中只有 1.8B 被激活,但全部 10B 参数都要放进内存,文件大小是 FP8 12.3 GB、BF16 23.0 GB、Q4_K_M 的 GGUF 6.5 GB。在 Sber 的表格里,它在七项测试上平均 0.631,Qwen3-4B-Instruct 是 0.612,领先之处是俄语测试,比如 MMLU RU(0.680 对 0.597)。Qwen3-4B-Instruct 则在 MMLU-Pro、BBH 和 HumanEval Plus 上领先。

语音和嵌入

GigaAM-v3 的 RNN-T 模型在五组俄语测试上的平均词错误率是 8.4%,CTC 模型是 9.2%,Whisper 是 25.1%。差距最大的是失语类语音(19.2% 对 59.3%)和呼叫中心音频(9.5% 对 23.9%),两个 e2e 检查点还会直接写出带标点的规范化文本。GigaAM Multilingual 增加了哈萨克语、吉尔吉斯语和乌兹别克语。在 FLEURS 上,它的大模型在这三种语言上分别是 4.4%、5.5% 和 7.3%,Whisper large v3 是 32.4%、86.3% 和 105.4%。在英语上它落后,是 9.4% 对 3.9%。

Giga-Embeddings 有 480M、3B 和 10B-A1.8B 三种规格。480M 模型在 MTEB 俄语上得 70.98,Qwen3-Embedding-0.6B 是 63.64,但后者在英语、代码和多语言测试上领先。3B 和 10B 模型在俄语上分别是 74.57 和 74.99。

使用前要检查什么

  • 许可证。 模型卡写的是 MIT,但两个 GigaChat 仓库都没有 LICENSE 文件,所以许可证依据的是模型卡元数据和 Sber 在 Habr 上的公告。请把两者都留存。
  • 硬件。 Ultra 需要服务器。其余模型每个文件都在 25 GB 以内,Lightning 还有 12.3 GB 和 6.5 GB 的版本。显存计算器可以给出初步估算。
  • 环境搭建。 GigaAM 和 Giga-Embeddings 需要 trust_remote_code。GigaAM-v3 的模型卡固定了 Transformers 4.57.1 和 PyTorch 2.8,GigaAM 能处理最长 25 秒的音频,更长的音频要用它的长音频模式,该模式依赖 pyannote.audio。Giga-Embeddings 的查询需要加“Instruct: … Query: …”前缀,并且要用均值池化。
  • 证据。 各组测试集不同,GigaAM Multilingual 的测试集排除了含数字的参考文本,e2e 与 Whisper 的对比由 Gemini 2.5 Pro 来评判。

可以看语音识别模型和嵌入模型榜单,并按照如何自己评估模型,用你自己的俄语数据来测试。

来源

本文涉及的模型

模型 发布时间 参数量 上下文 许可证 最小版本所需内存
GigaChat 3.5 Ultra Sber (GigaChat) 434B – 438B 激活 28B 256K MIT (宽松) 299 GB 大内存台式机
GigaChat 3.1 Lightning Sber (GigaChat) 11.5B 激活 1.8B 256K MIT (宽松) 7.15 GB 笔记本或手机
GigaAM-v3 Sber (GigaChat) 220M – 240M – MIT (宽松) 0.506 GB 笔记本或手机
GigaAM Multilingual Sber (GigaChat) 220M – 600M – MIT (宽松) 1.01 GB 笔记本或手机
Giga-Embeddings Sber (GigaChat) 480M – 10.5B 激活 1.8B 8K MIT (宽松) 1.13 GB 笔记本或手机