Модели и платформы ИИ
Sarvam AI выпустила чекпойнт с открытыми весами на 105 млрд параметров для корпоративных агентов

Ключевые моментыОбновление Sarvam сосредоточено на улучшениях после обучения для корпоративных агентов…
Показать больше
- Обновление Sarvam сосредоточено на улучшениях после обучения для корпоративных агентов, а не на представлении новой базовой модели.
- Контрольная точка NVFP4 объёмом 65 ГБ помещается на один графический процессор рабочей станции и обеспечивает развёртывание агентов на собственных серверах без сторонних API.
- Смешанная цена Sarvam в $0,15 ниже, чем у конкурентов, но все оценки в бенчмарках получены в ходе собственных запусков компании.
22 ноября 2026 года Sarvam AI выпустила Sarvam-105B-1711 — новый чекпойнт с открытыми весами, предназначенный для поддержки клиентов, голосовых агентов и других высоконагруженных корпоративных задач. В комплект входят веса BF16 для дальнейшего обучения и компактная 4-битная версия NVFP4, рассчитанная на запуск на одном графическом процессоре рабочей станции.
В карточке модели указано, что в её основе лежит та же модель типа «смесь экспертов» на 105 млрд параметров, что и в Sarvam-105B; число активных параметров составляет 10,3 млрд. Новый чекпойнт прошёл дополнительное обучение для вызова инструментов, следования инструкциям, выполнения агентных задач и работы с индийскими языками. Таким образом, это обновление существующей модели: изменения сосредоточены на том, как базовая модель справляется с корпоративными задачами, а не на создании новой фундаментальной модели.
Улучшения после дообучения и результаты тестирования поставщика
По данным Sarvam, результат на IFBench по следованию инструкциям вырос с 32,5 у февральского чекпойнта до 82,5, показатель использования инструментов для обслуживания клиентов на Tau2 — с 46,2 до 85,5, а результат на внутреннем наборе тестов Indic для индийских языков — с 30,1 до 79,1. По метрике pass^4 на Tau2, которая учитывает задачи, правильно выполненные во всех четырёх независимых попытках, новая модель набрала 69,5% против 63,9% у Gemini 3.5 Flash-Lite и 62,1% у Gemma 4 31B.
По данным Sarvam, версия NVFP4 в среднем набрала 73,9 балла по восьми тестам разговорных агентов — против 42,6 в феврале. Gemini 3.5 Flash-Lite получила 74,0 балла при совокупной цене 0,85 доллара за миллион токенов, а Gemma 4 31B — 73,0 балла при цене 0,54 доллара. Совокупная цена Sarvam-105B-1711 составляет 0,15 доллара — против 0,44 доллара у предыдущей версии.
Все результаты получены в собственных тестах Sarvam: модели с открытыми весами запускались через vLLM, а доступ к моделям через API осуществлялся посредством OpenRouter. По умолчанию оценивание проводится с температурой 1,0 в режиме рассуждений, с лимитом до 65 536 выходных токенов; итоговый показатель представляет собой среднее по четырём образцам. Ответы, превысившие бюджет, вышедшие за пределы контекста или имеющие неверный формат, оцениваются в ноль. Набор тестов Indic — это внутренний бенчмарк Sarvam для индийских языков; в нём Gemini 3.1 Pro выступает в роли судьи по заданной шкале. Это важная оговорка при оценке заявленного улучшения результатов на индийских языках.
Обучение и инференс на Blackwell
По словам Sarvam, схема обучения с точностью 8 бит MXFP8 увеличила пропускную способность предварительного обучения с 5 500 до 10 900 токенов в секунду на один графический процессор при использовании 64 графических процессоров NVIDIA B200 и контекста размером 8K. Для обучения с подкреплением точность 8 бит и спекулятивное декодирование DSpark, при котором черновая модель предлагает токены для проверки, позволили сократить длительность одного шага с 758 секунд примерно до 420–440 секунд; при этом среднее вознаграждение в тесте компании практически не изменилось.
Продолжение предварительного обучения на 330 млрд токенов с использованием 512 графических процессоров B200 в течение немногим более семи дней позволило увеличить размер контекста модели до 160K токенов. Эта работа над обучением решает иную задачу, чем улучшения после дообучения: она определяет, сколько материалов агент может удерживать в контексте при работе с длинными документами или выполнении продолжительных задач.
При 64 одновременных запросах Sarvam измерила для чекпойнта NVFP4 с DSpark скорость декодирования 6 067 токенов в секунду на один B200 — примерно в 2,1 раза выше, чем у конфигурации BF16. Такая эффективность инференса обеспечивает более низкую совокупную цену токена и напрямую связывает работу над инфраструктурой с позиционированием модели для высоконагруженных корпоративных задач.
Открытые веса позволяют развернуть модель в частной инфраструктуре
По данным Sarvam, чекпойнт NVFP4 размером 65 ГБ помещается на один графический процессор NVIDIA RTX PRO 6000 Blackwell с 96 ГБ памяти и обеспечивает скорость декодирования 99 токенов в секунду на пользователя для одного запроса с промптом на 10K токенов. Благодаря этому агент Indus Cowork можно запускать локально, не отправляя документы стороннему API.
Именно чекпойнт NVFP4 используется в Sarvam Token Factory, тогда как версия BF16 предназначена для тонкой настройки и дальнейшего дообучения. В репозитории указана лицензия Apache-2.0, а в карточке модели описан запуск на vLLM 0.33.0, возможность использовать DSpark, включённый по умолчанию режим рассуждений и рекомендуемые значения температуры: 1,0 в режиме рассуждений и 0,6 без него.
Для корпоративных клиентов этот релиз объединяет доступ через API с возможностью частного развертывания, позволяющей обрабатывать конфиденциальные документы внутри собственной сети. Открытый вопрос — будут ли заявленные поставщиком улучшения в работе агентов проявляться в производственных процессах, где компактность модели, позволяющая запускать её на одном графическом процессоре, и более низкая цена токена могут оказаться особенно важными для её внедрения.












