Sarvam Epoch 发布 105B 模型更新、印度本地推理层与 Indus 智能体平台

上周，我们举办了首届 Sarvam Epoch。看到社区带着如此强烈的可能性意识齐聚 Epoch，令人振奋。

Builder Edition 汇聚了开发者和研究人员，进行技术会议和现场演示。Enterprise Edition 汇聚了来自银行、政府和行业的领导者，共同探讨在大型组织中部署 AI 需要什么。

在这两天里，我们在整个技术栈上都有发布：模型更新、托管在印度的推理层、自助式智能体平台，以及旨在将这些能力带入全国各机构的合作伙伴关系。本文涵盖了我们宣布的所有内容。

Sarvam 105B

我们在二月份发布了首个 Sarvam 105B 检查点。在 Epoch 上，我们发布了面向对话智能体和工作智能体的更新变体，这是我们在印度看到最多应用场景的两个用例。

对于对话智能体，标准的公开基准并不完整。它们无法捕捉模糊消息、ASR 噪声、代码混合语音、长篇政策文档，或必须在多轮之后才遵循的指令。

因此，我们在一个基于数亿分钟印度对话构建的生产基准上评估了该模型。

滚动

滚动

Sarvam 105B 在所有四项指标上均领先 GPT 5.4 Mini 和 Gemini 3.5 Flash，其中在指令遵循和语言质量方面差距最大，这两项能力决定了语音智能体能否在真实客户通话中存活下来。它以每百万混合 token 0.80 美元的价格实现这一点，而 GPT 5.4 Mini 为 4.50 美元，Gemini 3.5 Flash 为 9.00 美元。每一项指标都更好，价格却只是零头。

对于工作智能体，我们调整了一个推理变体，并在 HarnessBench 上进行了评估：涵盖软件工程、数据与金融、知识检索、办公工作流、工具使用、SRE 和长时间自主运行的 106 项沙盒任务。

与 753B 模型 GLM 5.2 相比，Sarvam 105B 的表现足够接近，最有用的产品决策是路由。在我们自己的智能体配置中，36% 的任务路由到 Sarvam 105B，64% 路由到 GLM 5.2，将服务成本降低了约 40%。

两个变体均可通过 Sarvam API 使用：一个针对低延迟对话优化，另一个针对智能体框架内的复杂任务优化。

Sarvam Vision 2.0

Sarvam Vision 1.0 于二月份推出，此后已数字化超过 3500 万页。

Vision 2.0 扩展了模型，支持从表格和表单中原生提取键值、印度手写识别、更强的复杂表格解析，以及改进的通用 OCR。

我们还发布了 Sarvam Vision Edge，通过为特定工作流定制的模型将这些能力带入客户环境。在为奥里萨邦政府进行的土地记录数字化工作流中，一个定制模型比在同一任务上测试的最佳通用模型准确率高出 50%。

Saaras V4

Saaras V4 扩展了 Sarvam 的语音识别技术栈，一个模型提供五种输出模式：逐字转录、规范化转录、代码混合输出、音译和翻译。

它还新增了单次多说话人 ASR，将说话人分离与转写合并在一起，而不是运行独立的串行系统。这对于通话录音、会议和访谈非常有用，因为在这些场景中，说话人归属与转写内容同样重要。

Saaras V4 支持 22 种印度语言。而且最好的英语 ASR 现在来自印度：在七套标准测试集上，从 LibriSpeech 和 GigaSpeech 到针对印度口音语音的 Svarah，它创下了所有测试系统中最低的平均词错误率。

Bulbul V4（研究预览版）

Bulbul V4 是我们迄今为止最具表现力的文本转语音模型。开发者可以塑造每一句话的说话方式，在生成音频时引导情感、强调、节奏以及笑声等提示。

这为语音智能体、创作者工具、配音、教育、无障碍和媒体带来了更多控制力。它在企业环境中尤其有价值，因为在那里名称、金额、产品术语和语气必须清晰准确地传达。

自定义模型训练

我们为希望基于自身数据、策略和工作流获得专用模型的组织推出自定义模型训练。我们在印度的基础设施上管理训练，并将训练好的权重交付给该组织，带来我们在高效管理 GPU 集群和运行优化模型训练流水线方面的经验。

我们与组织合作，训练更小、面向特定任务的模型，与对每个请求都使用更大的通用模型相比，这可以降低延迟和推理成本。

在整个合作过程中，组织的训练数据保持隔离，绝不会用于训练 Sarvam 自己的模型。训练完成后，生成的权重会交付给该组织并由其拥有，该组织对模型的部署和修改方式保留完全控制权。

Sarvam Inference

Sarvam Inference 是我们为 Sarvam 模型和前沿开放权重模型提供的服务层，从印度的数据中心运行。开发者可以访问最好的开放模型。企业默认获得数据驻留和符合印度法规的合规性。

该阵容包括 GLM 5.2 和 Gemma 4 31B，其性价比可与任何全球提供商竞争。GLM 5.2 的运行速度高达每秒 80 个 token，Gemma 4 31B 的首 token 时间 p50 为 0.63 秒。

这种性能来自底层的系统工程。我们的推理团队优化内核、分离预填充和解码、跨工作负载类型管理 KV 缓存，并训练推测模型。

所有这些都运行在印度首个 Blackwell GPU 集群上，并且该集群将在未来几个月内持续扩展。随着新的开放模型发布，我们将从第一天起就提供服务，并具备企业可以据此规划的可靠性和定价。

Indus 是一个平台，满足你所有的 AI 工作。一个工作空间，多个智能体。Voice Agents 用于对话，Work Agents 用于员工，Document Agents 用于文书工作，Content Studio 用于媒体，Coding Agents 用于工程。

Voice Agents

我们的语音智能体已通话超过 3.25 亿分钟，以人工坐席成本的一小部分交付业务成果。

业务团队可以用通俗语言描述智能体的目标，针对它模拟一千次通话，并在不到两小时内上线一个电话号码，整个技术栈可在合规要求下部署到企业自己的 VPC 内。

智能体还可以作为一支协同编排的团队朝着目标运行，一个负责解释，一个负责谈判，一个负责成交，并且它们会在每一次对话中不断改进。分析能力超越通话摘要，深入到业务洞察：哪个方案实现了转化，哪个人群出现了流失，下一笔千万级回款将来自哪里。这一切的成本和延迟都是为印度规模量身打造的。

语音智能体现已正式可用，无需等待名单，每分钟 ₹3.50，包含创作、模拟、电话号码、评估和分析功能。

工作智能体

工作智能体为企业提供一支 AI 同事团队，企业可以构建、管理它们，并将其与现有系统和数据集成。每一个都能与营销、数据或开发者团队并肩起草、研究、分析并运行流程。它在沙盒环境中执行代码，产出成品工件——一份报告、一个仪表盘、一个可运行的应用程序——并在企业级安全与合规下运行。工作智能体现已上线。

内容工作室

内容工作室将多语言内容创作与转换汇聚于一个平台。

内容工作室包含 AI 语音、声音克隆、转录、视频配音和实时翻译。这些能力可以单独使用，也可以组合成更大的内容工作流。

在配音方面，该系统旨在保留情感、保持说话人一致性，并生成听起来自然、可直接对口型的音频。

Sarvam Code

隆重推出 Sarvam Code，现已进入早期测试阶段。我们正在进入一个已有众多优秀产品的领域，并持有明确的观点：代码生成正在快速进步，但代码速度并未持续转化为产品成果。重复代码不断累积，代码审查正成为瓶颈，而前沿模型上的长时间任务可能变得昂贵。

Sarvam Code 旨在优化每个已完成任务的成本。它在 100B、700B 和 3T 规模的模型之间路由工作，在复杂任务上坚持到完成为止，使用为每个模型设计的工具，并管理上下文而无需反复处理同一代码库。

它包含前端开发、数据和机器学习以及网络安全方面的技能，同时还有针对 Finacle、SAP 和内部记录系统等系统的自定义技能。该框架构建于 Codex 之上，而更广泛的技术栈会从你基础设施内的工作流和轨迹中学习，以改进路由，并支持面向 ITOps、NetworkOps 和 CloudOps 的专用模型。它可以在印度、你的 VPC 或本地运行。

Sarvam Cyber

在 Epoch 上，我们预览了 Sarvam Cyber，这是一款 AI 安全智能体，帮助团队在复杂系统中发现、调查和修复漏洞。它跨环境追踪问题并关联相关发现，为安全团队提供从发现到解决的更清晰路径。

我们还在构建安全技能和工具，与网络安全领域的初创公司和领域专家合作。同一套用于规划和验证编码工作的框架，在调查方面也表现出色：它维护假设台账，发现漏洞，并将发现串联起来以证明可利用性，而不仅仅是标记可能性。

通过这种方式，我们已经在印度广泛使用的消费者平台中发现了漏洞。我们正在根据负责任披露原则与受影响的团队合作，以便尽快完成修补。

Anvaya in a Box

Anvaya 是一款面向国防、情报、政府和金融机构的调查智能体，在这些领域，准确性、部署控制和数据安全不容妥协。

它可以在本地部署、气隙环境中以及各种硬件上运行。将它指向文档、音频、视频、图像和结构化数据，它就能在所有这些数据之上构建一个统一的数据层，并带有本体、实体模式和追踪来源的知识图谱。

Kivi

Kivi 是一款语音应用，让你可以与计算机对话，并在任何应用中完成工作。在 WhatsApp 中写消息、在 Docs 中起草文档、处理电子表格、在 Sarvam Code 中构建应用，或在 Sarvam Work 中指挥 AI，全部通过自然说话完成。Kivi 理解 22 种以上的印度语言，包括语码转换，并将你所说的话转化为清晰、准确的文本或操作。它是你在计算机上所做一切的语音界面。

Kivi for Mac 现已推出。Windows、Android、API 和 MCP 访问即将到来。

智能眼镜

Kaze 是一款智能眼镜系统，将 Sarvam 的语音、视觉和语言模型带入可穿戴界面。它支持 22 种印度语言，包括语码转换，并使用云端和边缘模型在低网络环境中工作。

我们宣布的许多内容现在就可以试用，其余内容将在未来几周内陆续推出。请从 docs.sarvam.ai 开始，如果本文中有些内容尚未提供，很快就会提供。