Sarvam Akshar

在由美国和中国巨头主导的全球 AI 格局中，印度本土 AI 实验室 Sarvam AI 正走出一条差异化道路。近日，该公司不仅发布了新一代高效大语言模型，更宣布了一项宏大的部署计划：将 AI 能力带入诺基亚功能手机、汽车以及自研智能眼镜，旨在让智能触达每一台边缘设备。

边缘优先：让 AI 在兆字节级设备上运行

Sarvam 的核心策略是“边缘优先”。公司推出的最新模型经过极致优化，仅占用兆字节（MB）级的存储空间，无需依赖云端算力，即可在搭载现有处理器的普通手机上离线运行。

• 功能手机的智能化：Sarvam 正与 HMD Global（诺基亚手机品牌持有者）深度合作，将对话式 AI 助手植入功能手机。演示视频显示，用户只需按下专用 AI 键，即可用当地语言与助手交流，获取政府计划解读或当地市场行情。这种低门槛的交互方式，有望让数亿非智能手机用户首次体验 AI 红利。
• 汽车与物联网：除了手机，Sarvam 还与德国工程巨头 博世（Bosch） 合作，探索车载 AI 助手的应用场景。同时，公司与 高通（Qualcomm） 联手，针对其芯片组优化模型，共同开发适用于手机、PC、汽车及 IoT 设备的“主权 AI 体验套件”。

Sarvam 边缘 AI 负责人 Tushar Goswamy 表示：“我们的目标是通过边缘 AI，将智能赋予每部手机、每台笔记本、每辆汽车，乃至新一代可穿戴设备。”

模型升级：小而美的开源路线

此次发布标志着 Sarvam 从企业级语音服务向消费者通用模型的转型。新推出的模型家族包括：

• 300 亿参数模型：采用混合专家（MoE）架构，支持 32k 上下文窗口，专为实时对话优化。
• 1050 亿参数模型：同样基于 MoE 架构，拥有 128k 超长上下文，擅长复杂多步推理。
• 多模态能力：配套发布了文本转语音（TTS）、语音转文本（STT）及文档解析视觉模型。

与许多直接在开源模型上微调的做法不同，Sarvam 强调这些模型是从头开始训练的。其中，300 亿参数模型在约 16 万亿 token 上预训练，而 1050 亿参数模型则重点覆盖了多种印度语言数据。

Sarvam 联合创始人兼 CEO Vivek Raghavan 指出：“我们采取有节制的扩展策略，不盲目追求参数规模，而是聚焦于哪些任务真正需要规模效应。我们将开源这些模型，推动印度乃至全球的开发者优先使用本地化、低成本的 AI 方案。”

重磅新品：Akshar 工作台，攻克文档智能“最后一英里”

在发布会的另一大亮点是 Sarvam Akshar——一个基于其视觉语言模型 Sarvam Vision 构建的文档智能工作台。

痛点：传统 OCR 的局限

现有的 OCR 技术（如 Tesseract 或 Google Cloud Vision）在处理复杂排版、手写体及印度语系特有的连字和变音符号时，往往表现不佳。它们通常采用“自底向上”的字符识别方式，缺乏对页面语义和空间布局的理解，导致多栏内容错乱、上下文丢失。即便是先进的多模态大模型，也常因概率性输出而产生事实幻觉，难以满足金融、医疗等高精度场景的需求。

解决方案：从“被动提取”到“主动推理”

Akshar 引入了智能体（Agent）编排机制，实现了范式转变：

1. 视觉定位与布局理解：不仅能提取文字，还能精确定位元素坐标，理解表格、图表及多栏排版的语义结构。
2. 智能体循环（Plan-Reason-Act）：系统不再是一次性输出，而是像人类专家一样工作。它能识别不确定区域，自动进行校对，甚至发起“人机协作”——将存疑部分标记出来，供人工快速验证。
3. 可审计性：所有智能体的操作均作为“建议”呈现，用户可接受或拒绝，确保最终结果的准确性与可追溯性。

Pratyush Kumar 联合创始人举例道：“面对 19 世纪的古吉拉特语手稿，传统模型常将古老字体‘幻觉’为现代拼写。Akshar 能识别这种不确定性，让语言学家在转录一页的时间内验证数百页，极大提升了效率。”

自有硬件：Sarvam Kaze 智能眼镜

除了软件模型，Sarvam 还展示了其首款硬件产品——Sarvam Kaze 智能眼镜。这款在印度设计并制造的设备，被定位为“面向开发者的工具”，预计于今年 5 月上市。它将作为 Sarvam 边缘 AI 模型的载体，探索增强现实（AR）与语音交互的新形态。