Sarvam AI

概况

Sarvam AI 是一家印度公司，它的工作目标被概括为在印度构建一套「自主 AI 技术栈」（sovereign AI stack）——所谓自主，指的是模型的开发掌握在自己手里，而不是完全依赖外部供应方。2025 年 5 月 23 日，公司发布了计划中一系列技术博客的第一篇，介绍了一个名为 Sarvam-M 的模型^[1]。

Sarvam-M 的由来

Sarvam-M 是在 Mistral Small 基础上做后训练（post-training）得到的版本；Mistral Small 是一个 240 亿参数、以 Apache-2.0 许可发布的模型，名字里的 M 就是 Mistral 的首字母^[1]。后训练的意思是：基座模型已经从大量文本中学到了通用的语言规律，开发者不再从零训练，而是在此之上用更具体的目标继续训练它。模型的权重在 2025 年 5 月 20 日上传，比博客早三天，同时上线的还有 playground 和 API^[1][2]。

怎么训练的

Sarvam 说训练分三部分：监督微调（supervised fine-tuning）、带可验证奖励的强化学习（reinforcement learning with verifiable rewards）和推理优化（inference optimisation）^[1]。监督微调是用「输入＋期望输出」的样例去训练模型；带可验证奖励的强化学习更进一步：模型先生成若干候选答案，再由程序检查答案对不对——数学题看最终结果是否与正确答案一致，程序题看代码能否通过测试——然后把模型往「能通过检查」的方向推。推理优化则是另一类工程工作，目的是让训练好的模型在用户实际调用时跑得更省、更快。

模型有思考（think）与非思考（non-think）两种模式，并且是在同一套课程（curriculum）里训练出来的^[1]。思考模式指模型在给出答案前先写出中间的推理过程，非思考模式则直接作答；用一套课程同时训练两种行为，意味着不必为两种模式各做一个模型。

强化学习这一步用的是 GRPO^[1]。GRPO（group relative policy optimisation，分组相对策略优化）的做法是对同一个问题采样一组答案，让这组答案互相比较，用它们之间的相对好坏来决定强化哪些答案，而不必依赖另一个模型去逐个估计每个答案有多好。

公司还表示，它对带有政治倾向的生成结果做了去偏（debiasing），并把输出重新偏向与本地文化相关的内容^[1]。换句话说，训练数据与输出经过调整：一方面让模型的回答不带有公司认为不合适的政治立场，另一方面让回答更贴合印度用户的文化语境。

结果

Sarvam 报告说，相对基座模型，模型在印度语言基准上平均提升 20%，其中数学提升 21.6%，编程提升 17.6%^[1][2]。MMLU-IN 从 0.64 升到 0.79，MMLU-IN-R 从 0.49 升到 0.66，而英文 MMLU 下降了约 1 个百分点^[1]。MMLU 是一套考察知识面的标准试题，带 -IN 的版本是面向印度语言与语境改编的版本，因此这一项上的提升正是后训练想要的结果；英文那一分的下滑则说明这种提升伴随着取舍。

公司称，模型在多数基准上超过 Llama-4 Scout，并与 Llama-3.3 70B、Gemma 3 27B 相当^[1]。Sarvam-M 只有 240 亿参数，这些对比把它放在了比自己更大的模型旁边来看。

开放程度与语言覆盖

模型权重以 Apache-2.0 许可发布，覆盖 11 种语言，包括印地语、孟加拉语、泰米尔语和泰卢固语^[2]。Apache-2.0 是一种宽松的开源许可，允许商用和修改，条件是保留版权与许可声明。

在发展中的位置

Sarvam-M 是「在印度构建自主 AI 技术栈」这一系列技术博客的第一篇^[1]，因此它在公司对外的叙述里更像一个公开的起点：先交代一个可运行的模型、一组可以对照的分数和一套开放的权重，技术栈的其他部分留待后续文章展开。