Сбер объявил о выпуске GigaChat 3.5 Reasoning — модели, обученной с применением технологии online RL (обучение с подкреплением в реальном времени). По заявлению разработчиков, это первая российская открытая модель с полноценными навыками рассуждения. Процесс обучения занял более девяти месяцев и включал разделение модели на шесть отдельных экспертов (математика, код, агенты и другие), каждый из которых обучался с собственной системой наград, после чего они были объединены через on-policy distillation. В качестве алгоритма обучения использовался CISPO, который, по утверждению авторов, обеспечивает более устойчивое обучение редких токенов по сравнению с GRPO. Для оптимизации вычислительных затрат разработчики внедрили динамическое расписание: задачи, которые модель решает более чем в 75% случаев, исключаются из обучающей выборки. Веса и код запуска модели опубликованы на платформе Hugging Face.