ai-sage/GigaChat3-702B-A36B-preview

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 (to do).

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

# lm-eval[api]==0.4.9.1
# sglang[all]==0.5.5
# или 
# vllm==0.11.2

export HF_ALLOW_CODE_EVAL=1

# sglang server up

# 702B
python -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

# mmlu pro check
python -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:
  • https://github.com/deepseek-ai/DeepSeek-V3?tab=readme-ov-file#6-how-to-run-locally
• Kimi-K2-Instruct — рекомендации по деплою (vLLM / SGLang / LMDeploy):
  • https://huggingface.co/moonshotai/Kimi-K2-Instruct/blob/main/docs/deploy_guidance.md