Среди более 200 открытых больших языковых моделей только одна смогла превзойти большинство коммерческих систем в тестах по индийским языкам. Это Sarvam 105B – модель, разработанная полностью в Индии и выпущенная под открытой лицензией.
Как появился Sarvam
Проект стартовал в рамках национальной инициативы IndiaAI, цель которой – создать полностью суверенный стек ИИ‑технологий. Команда построила весь конвейер обучения «с нуля»: от сбора и очистки данных до финального RL‑обучения и развертывания в продуктах.
Две модели – Sarvam 30B и Sarvam 105B – уже работают в реальных сервисах: первая питает разговорный агент Samvaad, а вторая – интеллектуального помощника Indus, ориентированного на сложные рассуждения и агентные задачи.
Техническая архитектура
Обе модели используют Mixture‑of‑Experts (MoE) Transformer с разреженным роутингом, позволяющим масштабировать количество параметров без пропорционального роста вычислительных затрат. Для экономии памяти в режиме вывода применяется Group Query Attention в 30B‑версии и более продвинутая Multi‑head Latent Attention в 105B‑версии.
Экспертные слои содержат 128 экспертов, а конфигурации роутинга различаются по ёмкости, что обеспечивает равномерную загрузку и стабильно‑высокую эффективность даже при работе с длинными контекстами.
Бенчмарки и сравнения
| Benchmark | Sarvam‑105B | GLM‑4.5‑Air (106B) | GPT‑OSS‑120B | Qwen3‑Next‑80B‑A3B‑Thinking |
|---|---|---|---|---|
| Math500 | 98.6 | 97.2 | 97.0 | 98.2 |
| Live Code Bench v6 | 71.7 | 59.5 | 72.3 | 68.7 |
| MMLU | 90.6 | 87.3 | 90.0 | 90.0 |
| MMLU Pro | 81.7 | 81.4 | 80.8 | 82.7 |
| Arena Hard v2 | 71.0 | 68.1 | 88.5 | 68.2 |
| IF Eval | 84.8 | 83.5 | 85.4 | 88.9 |
| GPQA Diamond | 78.7 | 75.0 | 80.1 | 77.2 |
| AIME 25 (w/ tools) | 88.3 (96.7) | 83.3 | 90.0 | 87.8 |
| BrowseComp | 49.5 | 21.3 | — | 38.0 |
| SWE Bench Verified | 45.0 | 57.6 | 50.6 | 34.46 |
| Tau2 (avg.) | 68.3 | 53.2 | 65.8 | 55.0 |
Таблица демонстрирует, что Sarvam 105B уверенно держится в топе по большинству категорий, особенно выделяясь в индийских языковых тестах, где опережает даже более крупные модели.
Как начать работу с Sarvam
Модели доступны для скачивания через платформу AI Kosh и репозиторий Hugging Face. Для локального вывода рекомендуется использовать фреймворки Transformers, vLLM или SGLang, где уже подготовлены примеры запуска. API‑доступ предоставлен через публичный дашборд, позволяя интегрировать модель в собственные сервисы без необходимости самостоятельного обучения.
Что дальше
Создатели уже планируют масштабировать стек до моделей «сверх‑100 B», добавить специализированные версии для программирования, мульти‑модального взаимодействия и более продвинутых агентных сценариев. Открытая природа проекта обещает ускорить развитие экосистемы ИИ в Индии и за её пределами.
