GigaChat 3 Ultra Preview
Представляем
GigaChat 3 Ultra Preview — флагманскую
instruct-модель семейства GigaChat.
Модель основана на архитектуре Mixture-of-Experts (MoE) с 702B общих и 36B активных параметров.
Архитектура включает
Multi-head Latent Attention (MLA) и
Multi-Token Prediction (MTP), за счет чего модель оптимизирована для высокой пропускной способности (throughput) при инференсе.
Данная версия предназначена для высокопроизводительного инференса в fp8, модель в bf16 —
GigaChat3-702B-A36B-preview-bf16.
Больше подробностей
в хабр статье.
Архитектура модели
GigaChat 3 Ultra Preview использует кастомную MoE-архитектуру:
Multi-head Latent Attention (MLA)
Вместо стандартного Multi-head Attention модель использует MLA. MLA обеспечивает эффективный инференс за счет сжатия Key-Value (KV) кэша в латентный вектор, что значительно снижает требования к памяти и ускоряет обработку.
Multi-Token Prediction (MTP)
Модель обучена с использованием задачи Multi-Token Prediction (MTP). Это позволяет модели предсказывать несколько токенов за один проход, что ускоряет генерацию до 40% с помощью техник спекулятивной/параллельной генерации.
Данные для обучения
Мы добавили в датасет 10 языков — от китайского и арабского до узбекского и казахского, а также расширили набор источников: книги, академические данные, датасеты по коду и математике. Все данные проходят дедупликацию, языковую фильтрацию и автоматические проверки качества при помощи эвристик и классификаторов.
Ключевой вклад в качество внесла синтетика: мы сгенерировали около 5,5 триллионов токенов синтетических данных. В корпус входят вопросы-ответы к текстам, цепочки reverse-prompt для структурирования данных, LLM-заметки с комментариями от модели внутри текстов, миллионы синтетических задач с решениями по математике и олимпиадному программированию (с синтетическими тестами) на основе PromptCot.
Бенчмарки
| Metric | GigaChat 3 Ultra | GigaChat 2 Max |
|---|
| MERA text | 0.683 | 0.663 |
| MERA industrial | 0.645 / 0.824 | — |
| MERA code | 0.338 | — |
| AUTOLOGI_EN_ZERO_SHOT | 0.6857 | 0.6489 |
| GPQA_COT_ZERO_SHOT | 0.5572 | 0.4714 |
| HUMAN_EVAL_PLUS_ZERO_SHOT | 0.8659 | 0.7805 |
| LBPP_PYTHON_ZERO_SHOT | 0.5247 | 0.4753 |
| MMLU_PRO_EN_FIVE_SHOT | 0.7276 | 0.6655 |
| GSM8K_FIVE_SHOT | 0.9598 | 0.9052 |
| MATH_500_FOUR_SHOT | 0.7840 | 0.7160 |
Как проверить метрики модели
1# lm-eval[api]==0.4.9.1
2# sglang[all]==0.5.5
3# или
4# vllm==0.11.2
5
6export HF_ALLOW_CODE_EVAL=1
7
8# sglang server up
9
10# 702B
11python -m sglang.launch_server --model-path <path_to_model> --host 127.0.0.1 --port 30000 --nnodes 2 --node-rank <0/1> --tp 16 --ep 16 --dtype auto --mem-fraction-static 0.7 --trust-remote-code --allow-auto-truncate --speculative-algorithm EAGLE --speculative-num-steps 1 --speculative-eagle-topk 1 --speculative-num-draft-tokens 2 --dist-init-addr <master_node_ip>:50000
12
13# mmlu pro check
14python -m lm_eval --model sglang-generate --output_path <path_to_model> --batch_size 16 --model_args base_url=http://127.0.0.1:30000/generate,num_concurrent=16,tokenized_requests=True,max_length=131072,tokenizer=<path_to_model> --trust_remote_code --confirm_run_unsafe_code --num_fewshot 5 --tasks mmlu_pro
Инференс и деплой
GigaChat 3 Ultra Preview ориентирована на кластерные и on-prem-сценарии с серьёзной инфраструктурой.
Основные моменты:
- поддержка популярных inference-движков (vLLM, SGLang, LMDeploy, TensorRT-LLM и др.);
- режимы BF16 и FP8 (для FP8 — отдельная сборка и рекомендации по конфигурации GPU);
- использование MLA и MTP для уменьшения KV-кэша и ускорения генерации;
- прокси- и gateway-слой для интеграции с внешними сервисами, инструментами и агентными фреймворками.
Для конфигурации можно ориентироваться на публикуемые гайды для моделей схожего масштаба:
- DeepSeek-V3 — раздел How to run locally в официальной модельной карточке:
- Kimi-K2-Instruct — рекомендации по деплою (vLLM / SGLang / LMDeploy):
