印度 Sarvam 发 Sarvam Vision 2.1：文档智能推上帕累托前沿，olmOCR-Bench 与 OmniDocBench 双双 SOTA，推理栈重写后价格低于发布时

印度主权模型厂商 Sarvam 在 9 月 24 日发布 Sarvam Vision 2.1，距其 2 月随主权模型线推出的初代 Sarvam Vision 约七个月。官方给出的改进方向来自实际采用反馈，分两条轴：一条是能力缺口，另一条是可用性。

能力上补的是三处具体短板——跨多页表格的结构化抽取、表单的键值（KV）抽取、以及印度文字手写识别。官方说明为此专门构建了大规模合成与真实混合数据，包括批量生成的多语种手写与印刷表单、从网上抓取表单后合成填写以提高方差，以及用视频等含丰富手写内容的来源训练印度文手写。训练上沿用 harness 加 VLM 的路线，语义版面解析器与指针式阅读顺序网络作为主 harness，并做了大规模后训练：先 SFT，再 RLVR。

厂商同时承认上一代在幻觉与前后不一致上的弱点在新版有所改善。成绩方面，官方在上一代同样报过的 olmOCR-Bench 与 OmniDocBench 上称达到前沿水平，但自己也指出这两个基准大体已饱和，只能作为社区通用标尺，真正的判断依据是内部在真实工作流上的测试。

原文链接：Sarvam AI 官方博客