Sarvam AI ने ओपन-वेट Prism निर्णय मॉडल जारी किया

Sarvam AI ने 3 नवंबर, 2026 को Sarvam Prism जारी किया—यह उद्यमों के निर्णयों के लिए एक ओपन-वेट मॉडल है, जो आधार के रूप में Sarvam 105B का इस्तेमाल करता है और टोकन-दर-टोकन टेक्स्ट तैयार करने के बजाय पहले से तय विकल्पों को स्कोर करता है। कंपनी के अनुसार, एक NVIDIA B200 GPU पर इसकी औसत प्रतिक्रिया अवधि 44 मिलीसेकंड रही। 25 मॉडलों के मूल्यांकन में 100 मिलीसेकंड से कम समय में जवाब देने वाले मॉडलों में इसका औसत स्कोर सबसे ऊँचा था।

इसके वेट Hugging Face पर Apache 2.0 लाइसेंस के तहत उपलब्ध हैं। Sarvam Indus पर Sarvam API के ज़रिए होस्ट की गई पहुँच भी मिलती है। इसे चलाने के लिए कम-से-कम 120 GB मेमोरी वाला एक GPU चाहिए और Prism को FP8 में चलाना होता है। यह हर प्रश्न के लिए अधिकतम 131,072 टोकन संसाधित कर सकता है, जिससे एजेंट ट्रेस जैसे लंबे इनपुट का एक ही पास में मूल्यांकन किया जा सकता है।

एक ही पास में निर्णय लेने वाला मॉडल

हर अनुरोध में एक स्थिति, एक प्रश्न और संदर्भ विंडो में समा सकने वाले विकल्पों की कोई भी संख्या होती है। Prism इस इनपुट को एक ही फॉरवर्ड पास में संसाधित करता है और एक छोटा स्कोरिंग हेड हर विकल्प को एक प्रायिकता देता है। Sarvam ने अपने 105B सिस्टम को LoRA के साथ फाइन-ट्यून करके यह मॉडल बनाया और इसे मुक्त रूप में टेक्स्ट तैयार करने के बजाय उद्यमों के निर्णयों के लिए अनुकूलित किया। इसके परीक्षण किए गए उपयोगों में ग्राहक सहायता के लिए आशय-आधारित रूटिंग, मॉडलों की रूटिंग, दस्तावेज़ संबंधी बुद्धिमत्ता और एजेंट के रन की जाँच शामिल हैं।

दो समान भार वाले प्रशिक्षण उद्देश्य इन प्रायिकताओं को आकार देते हैं। इनमें से एक में पूर्ण निश्चितता को हतोत्साहित करने के लिए 5% लेबल स्मूदिंग के साथ क्रॉस-एंट्रॉपी का इस्तेमाल होता है; दूसरे में ब्रायर लॉस का, जो प्रायिकता की वर्गित त्रुटि मापता है और आत्मविश्वास से की गई गलतियों को महँगा बनाता है। Sarvam इस संयोजन को Prism के कैलिब्रेशन का कारण बताता है। स्कोरिंग के दौरान एक कस्टम अटेंशन मास्क विकल्पों को एक-दूसरे से अलग भी रखता है। स्थिति और प्रश्न को दोनों दिशाओं में पढ़ा जाता है, जबकि सभी विकल्पों को देखकर उनकी तुलना केवल उत्तर वाला टोकन करता है।

सटीकता और विलंबता के माप

बताया गया औसत तीन सूचकांकों को मिलाकर निकाला गया है: Jev Decision Index, जिसमें 37 सार्वजनिक बेंचमार्क शामिल हैं; Artificial Analysis Decision Index का Sarvam द्वारा बनाया गया पुनर्संस्करण, जिसमें मूल निजी ज्ञान-परीक्षण के स्थान पर चुनिंदा कठिन प्रश्न और “मुझे नहीं पता” विकल्प शामिल हैं; और भारतीय भाषाओं का एक आंतरिक बेंचमार्क। प्रतिक्रिया समय 1,000 अनुरोधों को एक के बाद एक भेजकर निकाला गया औसत था। जहाँ Sarvam अपने B200 हार्डवेयर पर मॉडल चला सका, वहाँ हर मॉडल के डेवलपर के अपने इन्फ़रेंस कोड का इस्तेमाल किया गया।

Sarvam के परीक्षण में Prism का औसत स्कोर 71.8 रहा। अलग-अलग घटकों में Jev पर इसका स्कोर 67.0, Artificial Analysis के पुनर्संस्करण पर 65.9 और भारतीय भाषाओं पर 82.5 था। इससे अधिक स्कोर करने वाले mammoth-1 ने 75.2 हासिल किए, लेकिन उसकी औसत प्रतिक्रिया अवधि 284 मिलीसेकंड थी। केवल API के ज़रिए उपलब्ध दो सिस्टम—Jev 1.14 और Microsoft-Decision-1—की तुलना में समकक्ष स्थानीय मापों के बजाय सार्वजनिक रूप से बताए गए समय शामिल हैं। इसलिए चार्ट में हर मॉडल के लिए एक ही मापन पद्धति का इस्तेमाल नहीं किया गया है।

शुरुआती कॉन्फ़िगरेशन दो B200 GPU पर 16-बिट परिशुद्धता में चला और उसकी औसत अवधि 664 मिलीसेकंड रही। वेट को FP8 में बदलने से Prism एक GPU पर समा गया। Sarvam ने सभी 128 विशेषज्ञों को एक कर्नेल में भी समेटा, फॉरवर्ड पास को CUDA Graph के रूप में दर्ज किया, FP8 रूपांतरण को विशेषज्ञ कर्नलों में मिला दिया और फाइन-ट्यूनिंग एडैप्टर को मॉडल के वेट में शामिल कर दिया। इन बदलावों से मिलकर जारी किए गए संस्करण की एक-GPU विलंबता हासिल हुई। Sarvam के अनुसार, सटीकता में कोई कमी नहीं आई।

कैलिब्रेशन और एजेंट का मूल्यांकन

कैलिब्रेशन परीक्षण यह जाँचते हैं कि क्या कोई कार्यप्रवाह निर्णयों को स्वचालित करते समय आत्मविश्वास की सीमाओं पर भरोसा कर सकता है। अंग्रेज़ी में कम-से-कम 90% आत्मविश्वास पर, Sarvam के अनुसार Prism ने 3.3% त्रुटियों का अनुमान लगाया और 2.2% त्रुटियाँ कीं। यह आँकड़ा 37 सार्वजनिक बेंचमार्क के 226,088 प्रश्नों पर आधारित है। 10 भारतीय भाषाओं और हिंग्लिश के 20,108 प्रश्नों के लिए इसने 5.4% त्रुटियों का अनुमान लगाया और 4.4% त्रुटियाँ कीं। दोनों भाषा-समूहों में 50% से 95% तक की हर जाँची गई सीमा पर वास्तविक त्रुटियाँ अनुमानित त्रुटियों से कम रहीं।

विकल्पों का क्रम बदलने से निरंतरता की एक अलग समस्या पैदा होती है। Sarvam के 2,000 प्रश्नों वाले परीक्षण में, विकल्पों को चार अलग-अलग क्रमों में फेरबदल करके उसी क्रम में स्कोर करने पर Prism ने 4.0% उत्तर बदल दिए। स्कोर करने से पहले विकल्पों को एक तय आंतरिक क्रम में रखने और फिर हर प्रायिकता को उसके मूल लेबल के तहत लौटाने से ये बदलाव पूरी तरह रुक गए। इस कदम में कोई अतिरिक्त गणना नहीं करनी पड़ी और मूल्यांकन में सटीकता भी कम नहीं हुई।

एजेंटों की निगरानी के लिए Sarvam ने पाँच मॉडलों का मूल्यांकन उन्हीं 700 रिकॉर्ड किए गए रन और 1,770 प्रश्नों पर किया। Prism की बताई गई कुल सटीकता 78.5% थी। इसमें कार्य की सफलता का आकलन करने में 75.0%, मानवीय समीक्षा की ज़रूरत तय करने में 86.4% और विफलता के लिए ज़िम्मेदार एजेंट की पहचान करने में 69.6% सटीकता शामिल थी। उत्तरों की जाँच विशेषज्ञों की टिप्पणियों या वातावरण के स्वचालित नतीजों से की गई, किसी अन्य AI मॉडल के निर्णय से कभी नहीं। Prism एक बार में ट्रेस पढ़कर मूल्यांकन के पाँचों प्रश्नों को एक साथ स्कोर करता है; एक GPU पर हर रन में लगभग आधा सेकंड लगता है।

Sarvam के अनुसार, 5,517 प्रश्नों और नौ कार्यों वाले एक आंतरिक साइबर सुरक्षा बेंचमार्क पर Prism की सटीकता 89.0% रही। कंपनी इस मूल्यांकन-समूह का विस्तार करने और इसे सार्वजनिक रूप से जारी करने की योजना बना रही है। इसी मूल्यांकन में Clef ने 84.5%, Jev 1.14 ने 78.6% और Microsoft-Decision-1 ने 76.1% स्कोर किया। जुलाई 2026 से प्रकाशित कमज़ोरियों के आधार पर तैयार किए गए इन कार्यों में फ़िशिंग अभियानों और जेलब्रेक के प्रयासों की पहचान करना तथा MITRE फ़्रेमवर्क के तहत हमलों के प्रकारों का वर्गीकरण करना शामिल है।

Prism का मुख्य विचार एक ऐसी निर्णय-परत है, जिसे उद्यम अपने बुनियादी ढाँचे पर प्रशिक्षित करके चला सकते हैं और जिसमें स्वचालित सीमाओं के लिए विश्वास-स्तर के अनुमान शामिल हैं। खुले वज़न के कारण निजी कार्यप्रवाहों पर इस विचार को परखना संभव है। सुरक्षा मूल्यांकन को सार्वजनिक करने की प्रस्तावित योजना से घोषणा के आंतरिक परीक्षणों में से एक भी सार्वजनिक जाँच के दायरे में आ जाएगा।