Sarvam AI 开源基于 Mistral Small 的印度语言推理模型

背景

Sarvam AI 把 Sarvam-M 的发布放在一个计划中的系列技术博客的开头，这个系列讨论的是如何在印度搭建一套「主权 AI 技术栈」^[1]。所谓主权 AI 技术栈，通常指一个国家或地区的机构自己掌握构建和运行 AI 系统所需的环节——模型、数据、推理服务——而不是把这些关键部分全部交给外部供应商。这类工作不只是训练出一个模型，还意味着把模型怎么训练、怎么部署写清楚，让本地团队能够复用其中的做法。

发布了什么

Sarvam AI 于 2025 年 5 月 23 日发布 Sarvam-M ^[1]。与公告同时上线的有三样东西：模型权重、一个可以直接试用模型的 playground，以及供开发者在自己的软件里调用的 API ^[1]。权重以 Apache-2.0 协议发布，因此允许商业使用 ^[2]。对使用者来说，开放权重意味着模型可以下载到自己的机器上运行，也可以在自己的数据上继续训练；而许可证决定了这些后续用途是否被允许。

基座模型与后训练

团队选择 Mistral Small 作为基座，给出的理由是它拥有 24B 参数，并且采用 Apache-2.0 协议 ^[1]。参数规模和许可证，本来就是挑选基座时最先要问的两个实际问题。24B 的模型体量较小，不需要庞大的算力集群就能提供服务；而基座本身采用宽松许可证，也为把衍生模型以同样宽松的条款发布留出了空间。

博客对后训练阶段着墨较多，特别是训练提示词（prompt）的筛选方式：先给样本打两类分，一类衡量质量，一类衡量难度，然后再做聚类和采样 ^[1]。按质量打分，是为了保留表达规范、可靠的样本，丢掉质量差的；按难度打分，是为了留下模型容易做错的样本，这类样本在训练中才真正能提供学习信号。聚类把相似的提示词归到一起，再在各类别中采样，可以让训练信号覆盖不同主题，而不是被某一类提示词主导。

基准表现

按照博客的说法，Sarvam-M 在多数基准上优于 Llama-4 Scout，并与 Llama-3.3 70B、Gemma 3 27B 相当 ^[1]。这组对比要和基座一起看：Sarvam-M 建立在 24B 的基座之上，而被列为「相当」的对象里有一个是 70B 模型，参数量约为它的三倍。

意义

这次发布是「主权技术栈」这套说法落到实处的一个小而具体的例子。一个从开放许可的基座衍生出来、用筛选过的数据做后训练、再以开放权重连同 playground 和 API 一起发布的模型，是印度其他团队可以直接取用、检查并在其上继续搭建的东西，不需要先获得许可。把后训练的方法和权重一起公开，是让结果可以被复现而不只是被使用的关键，也是公司把这则公告定位成一个系列的开篇、而非一次性发布的原因。