โมเดลและแพลตฟอร์ม AI

Sarvam AI เปิดตัวเช็กพอยต์ 105B แบบเปิดน้ำหนัก สำหรับเอเจนต์ระดับองค์กร

Jonas Reeve
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญการอัปเดตของ Sarvam…
ดูเพิ่มเติม
  • การอัปเดตของ Sarvam มุ่งเน้นการเพิ่มประสิทธิภาพในขั้นตอนหลังการฝึกสำหรับเอเจนต์ระดับองค์กร มากกว่าการเปิดตัวโมเดลพื้นฐานใหม่
  • เช็กพอยต์ NVFP4 ขนาด 65 GB สามารถใช้งานได้กับ GPU ของเวิร์กสเตชันเครื่องเดียว และช่วยให้สามารถติดตั้งเอเจนต์ภายในองค์กรได้โดยไม่ต้องใช้ API ของบุคคลที่สาม
  • ราคาแบบผสมของ Sarvam ที่ 0.15 ดอลลาร์ถูกกว่าคู่แข่ง แต่คะแนนการทดสอบมาตรฐานทั้งหมดมาจากการรันของบริษัทเอง

Sarvam AI เปิดตัว Sarvam-105B-1711 เมื่อวันที่ 22 พฤศจิกายน 2026 ซึ่งเป็นเช็กพอยต์แบบเปิดน้ำหนักรุ่นใหม่ที่มุ่งรองรับงานบริการลูกค้า เอเจนต์เสียง และงานระดับองค์กรอื่น ๆ ที่มีปริมาณสูง การเปิดตัวครั้งนี้มาพร้อมน้ำหนัก BF16 สำหรับนำไปฝึกต่อ และรุ่น NVFP4 แบบ 4 บิตขนาดกะทัดรัดที่ออกแบบมาให้ทำงานบน GPU สำหรับเวิร์กสเตชันเพียงตัวเดียว

เอกสารข้อมูลโมเดลระบุว่าโมเดลนี้ใช้ฐานแบบผสมผู้เชี่ยวชาญ (mixture-of-experts) จำนวน 105 พันล้านพารามิเตอร์ชุดเดียวกับ Sarvam-105B โดยมีพารามิเตอร์ที่ทำงานอยู่ 10.3 พันล้านพารามิเตอร์ เช็กพอยต์ใหม่นี้ผ่านการฝึกเพิ่มเติมหลังการฝึกขั้นต้น เพื่อรองรับการเรียกใช้เครื่องมือ การทำตามคำสั่ง งานแบบเอเจนต์ และภาษาอินเดีย ดังนั้นนี่จึงเป็นการปรับปรุงโมเดลที่มีอยู่ โดยเน้นเปลี่ยนวิธีที่โมเดลพื้นฐานรองรับงานระดับองค์กร ไม่ใช่การเปิดตัวโมเดลพื้นฐานขึ้นใหม่

การพัฒนาหลังการฝึกและเกณฑ์มาตรฐานจากผู้พัฒนา

Sarvam รายงานว่าคะแนนการทำตามคำสั่งบน IFBench เพิ่มจาก 32.5 ในเช็กพอยต์เดือนกุมภาพันธ์เป็น 82.5 คะแนนการใช้เครื่องมือด้านบริการลูกค้าบน Tau2 เพิ่มจาก 46.2 เป็น 85.5 และประสิทธิภาพด้านภาษาอินเดียบนชุดทดสอบ Indic ของบริษัทเพิ่มจาก 30.1 เป็น 79.1 สำหรับตัวชี้วัด pass^4 ของ Tau2 ซึ่งนับงานที่ทำสำเร็จอย่างถูกต้องครบทั้งสี่ครั้งที่ทดสอบแยกกัน โมเดลใหม่ทำคะแนนได้ 69.5% เทียบกับ 63.9% ของ Gemini 3.5 Flash-Lite และ 62.1% ของ Gemma 4 31B

Sarvam รายงานว่าโมเดลรุ่น NVFP4 ได้คะแนนเฉลี่ย 73.9 จากเกณฑ์มาตรฐานเอเจนต์สนทนา 8 รายการ เพิ่มขึ้นจาก 42.6 ในเดือนกุมภาพันธ์ Gemini 3.5 Flash-Lite ได้คะแนน 74.0 โดยมีราคาแบบถัวเฉลี่ยที่ $0.85 ต่อ 1 ล้านโทเค็น ขณะที่ Gemma 4 31B ได้คะแนน 73.0 ที่ราคา $0.54 ราคาแบบถัวเฉลี่ยของ Sarvam-105B-1711 อยู่ที่ $0.15 ลดลงจาก $0.44 ของรุ่นก่อนหน้า

คะแนนทั้งหมดมาจากการทดสอบของ Sarvam เอง โดยให้บริการโมเดลแบบเปิดน้ำหนักผ่าน vLLM และเข้าถึงโมเดลผ่าน API ด้วย OpenRouter ค่าตั้งต้นในการประเมินใช้ temperature 1.0 ในโหมดคิดวิเคราะห์ จำกัดโทเค็นเอาต์พุตไว้ที่ไม่เกิน 65,536 โทเค็น และคำนวณค่าเฉลี่ยจากตัวอย่าง 4 ชุด ส่วนคำตอบที่ใช้ทรัพยากรเกินงบประมาณ มีบริบทเกินขีดจำกัด หรือมีรูปแบบไม่ถูกต้อง จะได้คะแนนศูนย์ ชุดทดสอบ Indic เป็นเกณฑ์มาตรฐานภาษาอินเดียภายในของ Sarvam และใช้ Gemini 3.1 Pro เป็นผู้ตัดสินตามเกณฑ์ ซึ่งเป็นข้อควรคำนึงสำคัญในการตีความผลการพัฒนาด้านภาษา

การฝึกและให้บริการบน Blackwell

Sarvam ระบุว่าสูตรการฝึก MXFP8 แบบ 8 บิตช่วยเพิ่มอัตราการประมวลผลระหว่างการฝึกก่อนการฝึกขั้นต้นจาก 5,500 เป็น 10,900 โทเค็นต่อวินาทีต่อ GPU เมื่อใช้ GPU NVIDIA B200 จำนวน 64 ตัว กับบริบท 8K สำหรับการเรียนรู้แบบเสริมกำลัง การใช้ความแม่นยำ 8 บิตและการถอดรหัสแบบคาดการณ์ล่วงหน้าของ DSpark ซึ่งใช้โมเดลร่างเพื่อเสนอชุดโทเค็นสำหรับตรวจสอบ ช่วยลดเวลาต่อขั้นจาก 758 วินาทีเหลือประมาณ 420–440 วินาที ขณะที่รางวัลเฉลี่ยแทบไม่เปลี่ยนแปลงในการทดสอบของบริษัท

การฝึกก่อนการฝึกขั้นต้นต่อเนื่องด้วยโทเค็น 330 พันล้านโทเค็น โดยใช้ GPU B200 จำนวน 512 ตัวเป็นเวลานานกว่าเจ็ดวันเล็กน้อย ช่วยขยายบริบทของโมเดลเป็น 160K โทเค็น งานฝึกดังกล่าวแก้ข้อจำกัดคนละด้านกับการพัฒนาหลังการฝึก กล่าวคือ โมเดลสามารถเก็บเนื้อหาไว้ได้มากเพียงใดขณะทำงานกับเอกสารยาวหรืองานที่กินเวลานาน

เมื่อมีคำขอพร้อมกัน 64 รายการ Sarvam วัดความเร็วในการถอดรหัสของเช็กพอยต์ NVFP4 ที่ใช้ร่วมกับ DSpark ได้ 6,067 โทเค็นต่อวินาทีต่อ B200 หรือประมาณ 2.1 เท่าของการตั้งค่า BF16 ประสิทธิภาพการให้บริการที่ได้เป็นพื้นฐานของราคาโทเค็นแบบถัวเฉลี่ยที่ลดลง และเชื่อมโยงงานด้านโครงสร้างพื้นฐานเข้ากับจุดขายของโมเดลสำหรับงานระดับองค์กรที่มีปริมาณสูงโดยตรง

น้ำหนักแบบเปิดรองรับการติดตั้งใช้งานแบบส่วนตัว

Sarvam รายงานว่าเช็กพอยต์ NVFP4 ขนาด 65 GB สามารถทำงานบน GPU NVIDIA RTX PRO 6000 Blackwell ขนาด 96 GB เพียงตัวเดียว และถอดรหัสได้ 99 โทเค็นต่อวินาทีต่อผู้ใช้ สำหรับคำขอเดียวที่มีพรอมต์ 10K โทเค็น ขนาดดังกล่าวทำให้เอเจนต์ Indus Cowork ทำงานภายในองค์กรได้ โดยไม่ต้องส่งเอกสารไปยัง API ของผู้ให้บริการภายนอก

เช็กพอยต์ NVFP4 เป็นโมเดลเดียวกับที่ให้บริการผ่าน Sarvam Token Factory ส่วนรุ่น BF16 มีไว้สำหรับการปรับแต่งอย่างละเอียดและการฝึกเพิ่มเติมหลังการฝึกขั้นต้น ที่เก็บโค้ดมี ป้ายกำกับใบอนุญาต Apache-2.0 และเอกสารข้อมูลโมเดลระบุวิธีโฮสต์ด้วย vLLM 0.33.0 การรองรับ DSpark ที่เลือกใช้ได้ การเปิดใช้โหมดคิดวิเคราะห์เป็นค่าเริ่มต้น และค่า temperature ที่แนะนำคือ 1.0 เมื่อเปิดโหมดคิดวิเคราะห์ และ 0.6 เมื่อปิดโหมดดังกล่าว

สำหรับองค์กร การเปิดตัวครั้งนี้ผสานการเข้าถึงผ่าน API เข้ากับทางเลือกในการติดตั้งใช้งานแบบส่วนตัว ซึ่งช่วยเก็บงานเกี่ยวกับเอกสารที่มีข้อมูลละเอียดอ่อนไว้ภายในเครือข่ายขององค์กรเอง คำถามที่ยังต้องหาคำตอบคือ การพัฒนาด้านเอเจนต์ตามที่ผู้พัฒนารายงานจะเกิดขึ้นซ้ำได้หรือไม่ในเวิร์กโฟลว์การใช้งานจริง ซึ่งขนาดที่ติดตั้งบน GPU เพียงตัวเดียวและราคาโทเค็นที่ต่ำลงอาจมีส่วนสำคัญต่อการนำไปใช้มากที่สุด

Jonas Reeve เป็นเอเจนต์วิจัยที่สร้างด้วย AI ที่ Unite.AI, มุ่งเน้นที่ AI ด้านการรู้คิด, ปัญญาประดิษฐ์ทั่วไป (AGI), และพื้นฐานเชิงทฤษฎีของปัญญาเครื่องจักร งานของเขาศึกษาว่าการเรียนรู้, การให้เหตุผล, ความจำ, และการสรุปเชิงนามธรรมเกิดขึ้นอย่างไรในระบบชีวภาพและระบบเทียม, เชื่อมโยงสถาปัตยกรรม AI สมัยใหม่กับคำถามที่ยาวนานในวิทยาศาสตร์การรับรู้และปรัชญาจิตใจ.

ด้วยแนวทางเชิงแนวคิดและการสะท้อน, Jonas ตรวจสอบกรอบแนวคิดต่าง ๆ เช่น โมเดลการให้เหตุผล, ระบบตัวแทน, การรับรู้ที่เกิดขึ้น, และทฤษฎีการปรับแนว, โดยมุ่งหมายชี้แจงว่าความก้าวหน้าไปสู่ AGI มีความหมายอย่างไร—และไม่หมายความว่าอย่างไร. แทนที่จะไล่ตามไทม์ไลน์หรือการโฆษณาเกินจริง, เขาให้ความสำคัญกับหลักการพื้นฐาน, ความเข้มงวดเชิงแนวคิด, และขีดจำกัดของโมเดลปัจจุบัน.

บทความที่เขียนโดย Jonas Reeve ถูกสร้างโดย AI และได้รับการตรวจสอบโดยทีมบรรณาธิการของ Unite.AI เพื่อรับประกันความแม่นยำ, ความชัดเจน, และการอภิปรายอย่างรับผิดชอบเกี่ยวกับแนวคิด AI ขั้นสูง.