Sarvam 团队正式发布了印度首批具备全球竞争力的开源大模型系列：Sarvam 30B 和 Sarvam 105B。这两款模型采用高效的混合专家（MoE）架构，从数据清洗、预训练到强化学习（RL）全流程均在印度本土完成。它们在数学、编程、逻辑推理以及智能代理任务上表现出色，尤其在支持 22 种印度官方语言方面达到了行业领先水平，为印度构建自主可控、高性能且易于部署的 AI 基础设施奠定了基石。
模型定位与核心差异
这两款模型针对不同的应用场景进行了差异化设计，旨在平衡性能与部署成本：
- Sarvam 30B： 专为实时对话优化，注重低延迟和高效率。它拥有 24 亿激活参数，在保持强大性能的同时，能以极低的计算成本运行，目前已应用于对话平台 Samvaad。
- Sarvam 105B： 侧重于复杂推理和智能代理（Agent）工作流。它在处理长文本、多步决策和工具调用方面具有显著优势，是智能助手 Indus 的核心引擎。
领先的技术架构
模型采用了混合专家（MoE）结构，这使得系统能够在不显著增加计算负担的情况下，通过扩大参数总量来提升处理复杂问题的能力。
- 高效推理： 使用了 MLA（多头潜在注意力）和 GQA（分组查询注意力）技术，大幅降低了推理时的显存占用，提高了处理长文本的效率。
- 印度语分词器： 专门针对 22 种印度语言和 12 种脚本进行了优化。与通用分词器相比，它在处理印度本土语料时更加节省 Token，直接降低了使用成本。
- 硬件适配性： 团队对底层算子进行了重写和优化，使模型不仅能在 H100 等高端显卡上高速运行，在 MacBook 或中端显卡（如 L40S）上也能保持出色的吞吐量。
关键能力与测试表现
Sarvam 系列模型在多项基准测试中展现了超越其规模的实力，甚至在部分指标上与规模大得多的封闭源代码模型持平：
- 数学与编程： Sarvam 105B 在 Math500 测试中获得 98.6 分，在 AIME 25 竞赛题目中配合工具可达到 96.7% 的准确率。
- 印度语水平： 在涵盖多种领域（STEM、数学、编程）的印度语评估中，该系列模型在流畅度、准确性和实用性上的胜率接近 90%。
- 智能代理任务： 在需要网页搜索、信息提取和长程规划的测试中（如 Tau2Bench），Sarvam 105B 的表现位居前列。
现实应用场景
为了展示模型的实际落地能力，团队展示了多个应用案例：
- 自动化网页构建： 只需简单提示词，模型即可生成包含完整 HTML/CSS/JS 代码的交互式网页（如 Pokédex 演示）。
- 教育辅导： 针对印度高考（JEE Mains）的真题测试显示，模型不仅能正确解题，还能通过“导师模式”引导学生逐步思考。
- 跨语言助手： 模型能理解泰卢固语等本土语言的需求，通过英语网页搜索最新信息后，再以准确的本土语言反馈给用户。
总结与意义
Sarvam 30B 和 105B 的发布标志着印度在主权 AI 建设上迈出了重要一步。通过全栈优化、本土化定制以及 Apache 2.0 协议的开源开放，这些模型不仅为开发者提供了实用的工具，也证明了通过精细化的数据工程和架构设计，可以在合理的算力预算内打造出世界级的 AI 模型。团队未来计划进一步扩大模型规模，并开发针对编程和多模态任务的专用版本。