潮汛网讯：俄罗斯联邦储蓄银行（sber）不仅是俄罗斯规模最大的银行之一，更早已超越传统金融范畴，成长为国家级人工智能创新引擎。近年来，该机构持续深耕生成式ai领域，目前已跃居俄罗斯ai研发第一梯队，并打造出欧洲迄今参数量最大、性能最强的基础语言模型。作为gigachat系列基础模型的技术掌舵人，费奥多尔·明金（fyodor minkin）主导着这一旗舰ai产品线的研发方向。团队最新推出的gigachat 3.5 ultra，堪称一次架构级突破：模型体积较前代压缩近50%，长文本生成速度最高提升4倍，在代码理解、数学推理与智能体协同等关键场景中展现出更强鲁棒性。其底层核心采用自研的线性注意力机制架构，且已全面开源。我们与费奥多尔深入探讨了储蓄银行在ai战略上的底层逻辑与未来判断。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
费奥多尔·明金，GigaChat基础模型首席技术官
为何选择线性注意力作为新一代旗舰模型的基石？在押注这项技术时，预判了哪些潜在风险？
当模型需处理超长上下文——例如一份百页合同或整套技术文档——全部内容必须持续驻留在记忆中参与每次交互。文本越长、对话轮次越多，上下文负载越重。传统方式下，每次新请求都需对整个历史重新计算注意力，导致延迟指数级上升、推理成本急剧攀升。
我们坚定选择线性注意力——它赋予模型“摘要式记忆”能力：一次性提取输入的关键语义特征，并在后续交互中动态更新与调用，而非重复扫描全文。这不仅使长文档处理效率最高提升4倍，更将模型体量压缩近半，显著降低部署门槛与运维开销。当然，初期最大的不确定性在于：能否在大幅瘦身与加速的同时，不牺牲模型的认知深度与任务泛化能力？为此，团队执行了逾1500组对照实验，反复校准架构设计、训练策略与数据配比，最终交付当前开源生态中规模最大、工程最成熟的线性注意力模型之一。
业界普遍信奉“更大即更强”——更多数据、更大参数、更强算力。而你们却主动将模型减半。在您看来，模型扩展的理性边界究竟在哪里？
每一次模型规模跃升，所付出的成本增长远超线性比例；当边际收益趋近于零时，继续堆叠资源便沦为低效投入。我们以“单位算力产出价值”为标尺来定义合理边界——即每瓦特算力能支撑多少真实业务场景的有效闭环。GigaChat 3.5 Ultra虽体积缩减近半，但在多项权威评测中已逼近甚至媲美参数量高出数倍的开源竞品（如DeepSeek 3.2）。这印证了一个关键事实：精巧的架构设计与高质量的数据筛选，足以让紧凑模型与庞然大物同台竞技。行业正站在一个分水岭上：未来胜负手，不再是谁拥有最多GPU，而是谁能以更少的计算资源撬动更大的智能杠杆。对我而言，“审慎计算”本身就是一种战略竞争力。
当前大语言模型在通往真正自主智能体的路上，面临哪些不可绕行的根本性瓶颈？
市场正加速迈入智能体时代。真正的自主智能体，必须具备端到端任务执行能力：拆解复杂目标、规划多步路径、动态调用工具、实时感知环境反馈，并持续反思与修正自身行为。这背后要求模型同时兼备四大能力：强规划能力、精准工具调度能力、超长上下文稳定性，以及——尤为关键的——自我评估与可信度判断能力。目前，最后一项仍是薄弱环节。但更深层的障碍未必来自技术本身，而在于组织惯性：大量企业沿用数十年未变的流程体系，真正的规模化智能体落地，不会始于模型再聪明1%的升级，而始于企业敢于重构工作流、重定义人机协作边界。技术演进必须匹配新的责任框架：哪些决策可全权交由AI，哪些环节必须嵌入人类确认节点。
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
人工标注数据在模型质量构建中仍扮演何种角色？合成数据的使用是否存在一条“临界红线”，越过之后反而损害模型能力？
人工撰写的内容，至今仍是模型知识深度与思维活性的核心来源——它承载真实专家经验、非结构化洞察，以及人类面对未知问题时迸发的创造性解法。合成数据则在结构明确、逻辑严苛的任务中极具价值，比如数学证明推演或编程范式学习。但若让合成数据大规模替代原始人类产出，模型将陷入“镜像循环”：一个模型的偏差与模式被另一个模型复刻并放大，最终输出趋于同质化、缺乏现实张力与意外发现。因此，在GigaChat 3.5 Ultra的训练数据集构建中，我们严格控制合成数据比例，并优先选用经多轮专业筛选的人工高质量文本。
将旗舰模型完全开源，是构筑护城河的战略选择，还是构建开放生态的必由之路？
全球开发者社区的集体智慧，远超单一内部团队的迭代速度。开源意味着代码、权重、训练日志全部透明，外部研究者能更快定位瓶颈、提出优化路径、开发配套工具链——这些成果最终反哺整个生态，也回馈至我们自身。开源更是最硬核的公信力背书：任何人皆可复现实验、验证基准结果、审计模型行为。伴随GigaChat 3.5 Ultra发布，我们同步公开了多个训练检查点——它们记录了模型从初始化到收敛全过程的关键快照，使训练轨迹可追溯、可复盘、可对比。开源模型越多，整个AI基础设施就越健壮。我们坚持这一方向，哪怕部分同行正走向封闭。
展望未来2–3年，AI架构演进更可能走向何方：是出现颠覆Transformer的全新范式，还是在现有框架内持续深挖潜力？
Transformer在未来两三年内绝不会退出舞台——其理论根基、工程实践与产业适配已足够深厚。但过去一年，其内部已发生深刻变革：线性注意力、稀疏注意力变体、混合专家（MoE）架构等创新层出不穷。这本质上是在同一地基上生长出的新一代“增强型Transformer”，也是行业主流路径。与此同时，更具探索性的方向同样值得关注——扩散式语言模型（Diffusion LM）：它不逐词生成，而是先粗粒度构建语义骨架，再逐层细化细节。尽管当前生成质量尚有差距，但其在长文本响应速度上的潜力极为可观，有望实现数倍级加速。我们内部已启动相关实验，此前发布的实验性模型GFusion，正是这一路线的早期探索。有趣的是，该项目最初由一名实习生发起，凭借扎实成果成功转正，如今已成为团队正式研发序列的一员。
本文来自“潮汛网”，作者：Felix，36氪经授权发布。
