Skip to content
সর্বম ভিশন ২.১ ইংরেজি ও ২২টি তফসিলভুক্ত ভারতীয় ভাষা পড়ে, যোগ হয়েছে হাতের লেখা ও ফর্ম থেকে তথ্য তোলা, আর সর্বমের নিজের পরীক্ষায় olmOCR-Bench-এ স্কোর ৮৭.৩
এআই ও প্রযুক্তি

সর্বম ভিশন ২.১ ইংরেজি ও ২২টি তফসিলভুক্ত ভারতীয় ভাষা পড়ে, যোগ হয়েছে হাতের লেখা ও ফর্ম থেকে তথ্য তোলা, আর সর্বমের নিজের পরীক্ষায় olmOCR-Bench-এ স্কোর ৮৭.৩

অলঙ্করণ: tuput

বাংলা

২০২৬ সালের ২৪ সেপ্টেম্বর সর্বম প্রকাশ করেছে ভিশন ২.১, ইংরেজি ও ২২টি তফসিলভুক্ত ভারতীয় ভাষার নথি-পড়া মডেল, যা এখন ফর্ম থেকে ঘর ধরে তথ্য তোলে, একাধিক পৃষ্ঠার টেবিল বোঝে আর ভারতীয় ভাষার হাতের লেখা পড়ে। সর্বমের জানানো স্কোর olmOCR-Bench-এ ৮৭.৩ আর নিজেদের ইন্ডিক পরীক্ষায় ৮৭.৩৯, এবং এখন পর্যন্ত প্রতিটি স্কোরই সর্বমের নিজের।

· · 6 মিনিটের পাঠ

২০২৬ সালের ২৪ সেপ্টেম্বর বেঙ্গালুরুর এআই কোম্পানি সর্বম প্রকাশ করেছে সর্বম ভিশন ২.১, যে মডেল ইংরেজি ও ২২টি তফসিলভুক্ত ভারতীয় ভাষার স্ক্যান করা ও ছবি তোলা নথি পড়ে। তিনটি ক্ষমতা নতুন: ফর্ম থেকে নামযুক্ত ঘরের তথ্য তুলে আনা, একাধিক পৃষ্ঠা জুড়ে চলা টেবিল বোঝা, আর ভারতীয় ভাষার হাতের লেখা পড়া। সর্বমের জানানো স্কোর olmOCR-Bench নামের একটি প্রকাশ্য ইংরেজি পরীক্ষায় ৮৭.৩, আর তাদের নিজেদের বানানো নতুন ইন্ডিক পরীক্ষায় ৮৭.৩৯। এই লেখার প্রতিটি স্কোর সর্বমের কাছ থেকে এসেছে, আর ২০২৬ সালের ১২ নভেম্বর পর্যন্ত কোনো স্বাধীন পুনর্পরীক্ষার খোঁজ মেলেনি।

কাজটির নাম অপটিক্যাল ক্যারেক্টার রিকগনিশন, সংক্ষেপে ওসিআর: লেখার ছবিকে এমন লেখায় বদলে দেওয়া, যা কম্পিউটার খুঁজতে, কপি করতে আর যাচাই করতে পারে। সর্বমের ২০২৬ সালের ফেব্রুয়ারির প্রকাশের পোস্ট বলছে, ভারতের জ্ঞানের অনেকটা রয়েছে কাগজের নথি, স্ক্যান করা সংরক্ষণাগার আর ঐতিহাসিক সংগ্রহে।

ভিশন ২.১ কী যোগ করেছে

সর্বমের পোস্টে তিনটি নতুন ক্ষমতার নাম আছে: ফর্ম থেকে কি-ভ্যালু তথ্য তোলা (লেবেল আর তার পাশে লেখা এন্ট্রি, যেমন “নাম” আর সেখানে যা লেখা হয়েছে), একাধিক পৃষ্ঠার টেবিলসহ জটিল টেবিল থেকে কাঠামোবদ্ধ তথ্য তোলা, আর ভারতীয় ভাষার হাতের লেখা চেনা। পোস্ট বলছে, প্রথম সংস্করণের দুর্বলতা, প্রধানত হ্যালুসিনেশন (পাতায় নেই এমন লেখা মডেলের লিখে ফেলা) আর অসঙ্গত আউটপুট নিয়েও কাজ হয়েছে।

মডেলটি এক পাসে পাতা পড়ে না। সর্বম বর্ণনা করেছে একটি “হারনেস-উইথ-ভিএলএম” নকশা: একটি লেআউট পার্সার আগে বের করে লেখার ব্লক, টেবিল আর চিত্র কোথায় বসে, একটি রিডিং-অর্ডার নেটওয়ার্ক ক্রম ঠিক করে, আর ভিশন-ল্যাঙ্গুয়েজ মডেল (ভিএলএম), অর্থাৎ যে মডেল ছবি নিয়ে লেখা লেখে, পড়ে প্রতিটি টুকরো। পোস্টের মতে, ভিএলএম সরাসরি গোটা পাতাতেও কাজ করতে পারে, কিন্তু হারনেস পাশে থাকলে নির্ভুলতা বেশি।

নতুন ক্ষমতাগুলোর জন্য সর্বম হাতে লেখা ও ছাপা ফর্মের প্রশিক্ষণ সেট বানিয়েছে, কিছু কৃত্রিম, কিছু ওয়েবে পাওয়া ফর্ম নিয়ে কম্পিউটারে ভরা। হাতের লেখার জন্য নিয়েছে হাতে লেখা পাঠ থাকা ভিডিও ও অন্যান্য উৎস। প্রশিক্ষণ শেষ হয়েছে সুপারভাইজড ফাইন-টিউনিং দিয়ে, তারপর যাচাইযোগ্য পুরস্কারসহ রিইনফোর্সমেন্ট লার্নিং, অর্থাৎ এমন পুরস্কার যা স্বয়ংক্রিয়ভাবে যাচাই করা যায়। অ্যাঞ্জেল ওয়ানের ২০২৬ সালের ২৫ সেপ্টেম্বরের প্রতিবেদনে প্রকাশের এই কথাগুলোই আছে।

খরচের দিকে সর্বম বলছে, তাদের ইনফারেন্স স্ট্যাকে, অর্থাৎ ব্যবহারকারীদের জন্য মডেল চালানো সফটওয়্যারে, বদল আনায় ভিশন ২.১ তারা ফেব্রুয়ারিতে ঘোষিত দামের চেয়ে কমে দিতে পারছে, আর এপিআই এখন প্রোডাকশন কাজের জন্য সাজানো। কত কমল তার কোনো অঙ্ক দেওয়া নেই। ২০২৬ সালের ১২ নভেম্বর খোলা সর্বমের দামের পাতা জানায়, তাদের ডকুমেন্ট ডিজিটাইজেশন এপিআই পৃষ্ঠাপ্রতি ০.৫০ টাকা আর ডকুমেন্ট এক্সট্র্যাকশন এপিআই পৃষ্ঠাপ্রতি ১.০০ টাকা, জিএসটি বাদে। পাতাটি বলে না এই দাম কোন মডেল সংস্করণের জন্য।

পোস্টে মডেলের আকার বলা নেই। ফেব্রুয়ারির প্রকাশের পোস্টে সর্বম ভিশনকে বর্ণনা করা হয়েছিল ৩ বিলিয়ন প্যারামিটারের স্টেট-স্পেস ভিশন-ল্যাঙ্গুয়েজ মডেল হিসেবে (প্যারামিটার হলো মডেলের ভেতরের সমন্বয়যোগ্য সংখ্যা, তার আকারের একটি মোটামুটি মাপ), আর মডেলটির জন্য সর্বমের ডকুমেন্টেশন পাতায় এখনো ৩ বিলিয়ন লেখা। ২.১ সেই আকার রেখেছে কি না, তা বলা নেই।

ভারতীয় লিপি পড়া কেন কঠিন

ভারতীয় লিপির বেশির ভাগ নেমে এসেছে ব্রাহ্মী থেকে, আর ইউনিকোড স্ট্যান্ডার্ডের এ-সংক্রান্ত অধ্যায় বলছে, তাদের কাঠামোগত বৈশিষ্ট্য অনেকগুলোই এক। প্রতিটি ব্যঞ্জনবর্ণের সঙ্গে থাকে একটি নিহিত স্বর, সাধারণত ছোট “অ”, তাই “ক”-এর বর্ণটি পড়া হয় “ক”। অন্য স্বর লেখা হয় নির্ভরশীল স্বরচিহ্ন, মাত্রা, দিয়ে, যা ব্যঞ্জনের ওপরে, নিচে, বাঁয়ে বা ডানে বসতে পারে, আর কিছু লিপিতে দুই অংশে তৈরি হয়ে ব্যঞ্জনটিকে ঘিরে ধরে।

ভিরাম নামের একটি চিহ্ন নিহিত স্বর বাতিল করে, আর এভাবে স্বর হারানো ব্যঞ্জন পরের ব্যঞ্জনের সঙ্গে মিশে যুক্তাক্ষর হয়ে যায়। ইউনিকোডের নিজের উদাহরণ দেবনাগরীর K.SSA গুচ্ছ, যাকে সে বলে সম্পূর্ণ লিগেচারযুক্ত, অর্থাৎ উপাদানগুলো আর আলাদা আকার নয়। একটি ভালো ভারতীয় ফন্টে শত শত যুক্তাক্ষরের গ্লিফ থাকতে পারে। ইউনিকোড আরও জানায়, কয়েকটি চিহ্ন অক্ষরগুলো যে ক্রমে সংরক্ষিত, অর্থাৎ উচ্চারণের ক্রমে, তার তুলনায় প্রদর্শনের ক্রম বদলে দেয়, তাই পিক্সেল পড়া প্রোগ্রামকে সেই ক্রম ফিরিয়ে আনতে হয়।

হাতের লেখা এর ওপর যোগ করে বৈচিত্র্য। হাতে লেখা মারাঠি আদালতি নথি নিয়ে ২০২৫ সালের ডিসেম্বরের একটি arXiv গবেষণাপত্র বলছে, মারাঠির মতো ভাষায় হাতের লেখা চেনা কঠিন, কারণ ডিজিটাল সংগ্রহ বিরল আর লেখার ধরন বহুধা। ছাপা সংরক্ষণাগারেরও নিজস্ব ঝামেলা আছে: সর্বমের ইন্ডিক পরীক্ষায় আছে ১৮০০ সাল থেকে বর্তমান পর্যন্ত পাতা, আর ডেটাসেট ভিউয়ারের একটি নমুনায় দেখা যায় বাংলা পাঠ্যবইয়ের বাক্যে আরবি অঙ্ক মেশানো।

তিনটি পরীক্ষা, তিনটি আলাদা প্রশ্ন

olmOCR-Bench এসেছে olmOCR গবেষণাপত্র (২০২৫ সালের ফেব্রুয়ারি) থেকে, যা প্রকাশিত হয়েছিল পিডিএফকে লেখায় রূপান্তরের একটি মডেলের সঙ্গে। Ai2-এর হোস্ট করা হুগিং ফেসে এর ডেটাসেট কার্ড বলছে ১,৪০৩টি পিডিএফ আর ৭,০১০টি পাস-অর-ফেল যাচাই: এই বাক্যটি আছে কি, ওই পৃষ্ঠা নম্বর নেই কি, শিরোনাম অনুচ্ছেদের আগে আসে কি, টেবিলের ঘরে ঠিক মান আছে কি, সূত্রটি ঠিক কি। এর পাতা ইংরেজিতে, আর তাতে আছে arXiv-এর গণিত, পুরোনো স্ক্যান, ছোট ছাপা, বহু-কলামের পাতা আর টেবিল। সর্বম বলছে, বেঞ্চমার্কটি সরকারিভাবে কেবল ইংরেজির, তবে চীনা ও অন্য ভাষার কয়েকটি নমুনা আছে। ফেব্রুয়ারিতে তারা ছেঁকে নেওয়া কেবল-ইংরেজি সেটে ফল জানিয়েছিল (প্রকাশের পোস্টে ১,৪০৩টির মধ্যে ১,২৫৮টির উল্লেখ আছে)। ২.১-এর জন্য তারা অন্য নির্মাতাদের মডেলের সঙ্গে সমতার খাতিরে জানাচ্ছে সম্পূর্ণ সরকারি সেটে।

OmniDocBench এসেছে ২০২৪ সালের ডিসেম্বরের একটি গবেষণাপত্র থেকে, যা সিভিপিআর ২০২৫-এ গৃহীত। পরীক্ষাটি ছড়িয়ে আছে নথির নয়টি উৎসজুড়ে, যার মধ্যে আছে শিক্ষাগত গবেষণাপত্র, পাঠ্যবই, হাতে লেখা নোট আর ঘন সংবাদপত্র, আর একটি পার্সারকে নম্বর দেয় ১৯টি লেআউট শ্রেণি ও ১৫টি বৈশিষ্ট্যে। সর্বম জানায় সংস্করণ ১.৬-এর ফল, যাকে তারা বর্ণনা করে লেখার ভুল, টেবিলের কাঠামো আর সূত্র চেনার একটি মিলিত মাপ হিসেবে, তাই এটি পরীক্ষা করে পাতার কাঠামো কতটা বিশ্বস্তভাবে টিকে থাকে।

Sarvam Indic OCR Bench সর্বমের নিজের। হুগিং ফেস কার্ড বলছে, এতে আছে পাতা থেকে কেটে নেওয়া লেখার ব্লকের ৬,৯০৯টি নমুনা, যা ভাষা-বিশেষজ্ঞ মানুষেরা দুবার পর্যালোচনা করেছেন। সর্বমের পোস্ট গোনে ২২টি ভাষায় ৬,৬০৯টি আর ইংরেজিতে ৩০০টি নমুনা, নেওয়া সংবাদপত্র, ব্রোশিওর, পাঠ্যবই আর ঐতিহাসিক লেখা থেকে। মাপা হয় শুধু ভাষার নির্ভুলতা, শব্দ-নির্ভুলতা হিসেবে, যা ১০০ গুণ (১ বিয়োগ ওয়ার্ড এরর রেট)। ডেটাসেট প্রকাশ্য, অ্যাপাচি ২.০ লাইসেন্সে, আর কার্ড বলছে কেবল পাইথনের স্ট্যান্ডার্ড লাইব্রেরি ব্যবহার করা একটি স্কোরার সঙ্গে দেওয়া আছে।

স্কোরগুলো কী দেখায়

olmOCR-Bench-এ সর্বমের টেবিলে ভিশন ২.১ পেয়েছে সামগ্রিক ৮৭.৩, ইনফিনিটি-পার্সার২ প্রোর ৮৬.১ আর ওপাস ৫-এর ৮৫.১-এর আগে। প্রতিটি কলামে ভিশন ২.১ প্রথম নয়: পুরোনো স্ক্যানে ইনফিনিটি-পার্সার২ প্রোর স্কোর বেশি (৫৮.০, ভিশনের ৫৫.৩-এর বিপরীতে), আর বহু-কলামের পাতায় ওপাস ৫-এর (৮৫.৮, ভিশনের ৮২.১-এর বিপরীতে)।

OmniDocBench ভি১.৬-এ ভিশন ২.১-এর সামগ্রিক স্কোর ৯৪.৯৭। সর্বমের টেবিলে প্যাডলওসিআর-ভিএল ১.৬ এগিয়ে ৯৬.০১-এ, আর জিএলএম-ওসিআর পিছিয়ে ৯৪.৭১-এ। টেবিলে ভিশন ২.১-এর লেখার ভুল সবচেয়ে কম (০.০২৮৯) আর সূত্রের স্কোর সর্বোচ্চ (০.৯৮৮), আর টেবিলের কাঠামোয় প্যাডলওসিআর-ভিএলের পেছনে (টিইডিএস টেবিল-মাপে ০.৮৯০, ওর ০.৯৩১-এর বিপরীতে)।

নিজেদের ইন্ডিক বেঞ্চে সর্বম জানায় সামগ্রিক ৮৭.৩৯, বোধন ইন্ডিক-ওসিআরের ৮৪.৯৪, জেমিনি ৩.৬ ফ্ল্যাশের ৭৯.৩৫ আর গুগল ক্লাউড ভিশনের ৭১.৭৬-এর বিপরীতে। ভাষাওয়ারি, কোঙ্কনি (৯৭.৪১), নেপালি (৯৭.০০) আর মৈথিলি (৯৬.৭০) সর্বোচ্চ, মারাঠি ৯৫.০৬, আর হিন্দি ও বাংলা ৯৩.৫২ ও ৯৩.৪৭। কাশ্মীরি (৫৪.৮২) ও সাঁওতালি (৫৩.৯১) সবচেয়ে নিচে। সাঁওতালিতে একই টেবিলে বোধন ইন্ডিক-ওসিআরের স্কোর ৬৮.৩০, আর ওড়িয়ায় জেমিনি ৩.৬ ফ্ল্যাশ এগিয়ে, ৮১.০১ বনাম ৮০.০১। পোস্ট এই পরীক্ষার জন্য ছাপা উৎসের তালিকা দেয়, হাতের লেখার কোনো আলাদা স্কোর দেয় না, তাই হাতের লেখার ক্ষমতা সেখানে আছে কেবল ডেমো ক্লিপে।

যা এখনো দেখানো বাকি

সর্বম নিজেই বলছে, দুটি ইংরেজি বেঞ্চমার্ক সম্ভবত সম্পৃক্ত অবস্থায় পৌঁছে গেছে, আর বেঞ্চমার্কের ফল বাস্তব ব্যবহারে উপযোগিতার কতটা আগাম জানান দেয়, সেটি একটি খোলা প্রশ্ন। পোস্ট বলছে, বাস্তব কাজের প্রবাহেও অভ্যন্তরীণ পরীক্ষা চালানো হয়েছে, আর তার ফল প্রকাশিত নয়।

একটি যাচাই আজই করা যায়। ২০২৬ সালের ১২ নভেম্বর খোলা Ai2-এর olmOCR-bench পাতার লিডারবোর্ডে ইনফিনিটি-পার্সার২ প্রো আছে ৮৭.৬-এ আর আরেকটি মডেল ৮৭.৮৪-তে, দুটিই সর্বমের ৮৭.৩-এর ওপরে, অথচ সর্বমের নিজের টেবিলে ইনফিনিটি-পার্সার২ প্রো ৮৬.১। একই মডেলের জন্য একটি কোম্পানির তুলনা-টেবিল আর একটি প্রকাশ্য লিডারবোর্ড আলাদা সংখ্যা দিতে পারে।

ইন্ডিক বেঞ্চ হলো ২২টি ভাষাকে ঘিরে বানানো পরীক্ষা, আর অন্যদের চালানোর জন্য তা খোলা। সর্বম যে বৃহত্তর কর্মসূচির মধ্যে কাজ করে তা আছে ইন্ডিয়াএআই মিশনের নির্দেশিকায়, ভাষার তালিকা অষ্টম তফসিল নিয়ে আমাদের ব্যাখ্যায়, আর সরকারি অনুবাদ প্ল্যাটফর্ম ভাষিণী ও এআই৪ভারত নিয়ে আমাদের লেখায়। ডেটাসেট কার্ড বলছে, কেবল পাইথনের স্ট্যান্ডার্ড লাইব্রেরি লাগে এমন একটি স্কোরার ডেটার সঙ্গেই আসে, তাই সর্বম ছাড়া অন্য কোনো ল্যাবও নিজের ফল প্রকাশ করতে পারে।

Share
Copied!

সূত্র ও আরও পড়ার জন্য

  1. Sarvam AI: Sarvam Vision 2.1, Pushing the Pareto frontier of document intelligence (24 September 2026)
  2. Sarvam AI: Sarvam Vision, launch post (5 February 2026)
  3. Sarvam AI: blog index with post dates (opened 12 November 2026)
  4. Sarvam API docs: Sarvam Vision model page (languages, size, limits)
  5. Sarvam API docs: Pricing, credits and rate limits (opened 12 November 2026)
  6. Hugging Face: Sarvam Indic OCR Bench, dataset card
  7. Hugging Face: olmOCR-bench, dataset card and leaderboard (Ai2)
  8. arXiv: olmOCR, Unlocking Trillions of Tokens in PDFs with Vision Language Models (February 2025)
  9. arXiv: OmniDocBench, Benchmarking Diverse PDF Document Parsing with Comprehensive Annotations (December 2024)
  10. The Unicode Standard 15.0, chapter 12: South and Central Asia-I (Devanagari and the Indic script principles)
  11. arXiv: Seeing Justice Clearly, Handwritten Legal Document Translation with OCR and Vision-Language Models (December 2025)
  12. Analytics India Magazine: Sarvam Vision Beats Gemini, GPT on Indic OCR Across 22 Indian Languages (5 February 2026)
  13. Angel One News: Sarvam Launches Vision 2.1 AI Model for Documents and Indian Languages (25 September 2026)

এই লেখাটি AI সরঞ্জামের সহায়তায় গবেষণা ও রচনা করা হয়েছে এবং নির্ভুলতার জন্য সম্পাদনা করা হয়েছে। এটি কেবল সাধারণ তথ্য ও আলোচনার জন্য, পেশাদার পরামর্শ নয়। আমাদের সম্পাদকীয় মান ও দাবিত্যাগ দেখুন। কোনো ভুল চোখে পড়ল? আমাদের জানান।

#sarvam ai#sarvam vision#indic ocr#document ai#olmocr-bench#omnidocbench#indian languages#indiaai mission

ভালো লাগল? পরেরটিও পড়ুন।

একবারে একটি ভালো লেখা, সরাসরি আপনার ইনবক্সে। কোনো স্প্যাম নয়, যখন খুশি বন্ধ করতে পারেন।

একই বিভাগে আরও: এআই ও প্রযুক্তি
সর্বমের ১০৫ বিলিয়ন প্যারামিটারের মডেল প্রতিটি টোকেনের জন্য হিসাব করে ১০.৩ বিলিয়ন দিয়ে, মিক্সচার-অফ-এক্সপার্টস নকশায়, যার ধারা ১৯৯১ সালের একটি গবেষণাপত্র থেকে মিক্সট্রাল ও ডিপসিক পর্যন্ত
একটি ছোট রাউটার প্রতিটি শব্দ পাঠায় ১২৮টি উপ-নেটওয়ার্কের কয়েকটির কাছে, তাই যেকোনো একটি শব্দের জন্য মডেলের বেশির ভাগ অংশ অলস পড়ে থাকে। নকশাটি কোথা থেকে এল, মিক্সট্রাল, ডিপসিক ও সর্বম এটি কীভাবে ব্যবহার করে, আর এতে কী বাঁচে না, তা এখানে।
সর্বম ২৩৪ মিলিয়ন ডলার তুলেছে ১.৫ বিলিয়ন ডলার মূল্যায়নে আর দুটি ওপেন মডেল প্রকাশ করেছে, গ্নানি.এআই দেখিয়েছে ৫ বিলিয়ন প্যারামিটারের একটি ভয়েস মডেল, ফাউন্ডেশন মডেল বানাতে ২০২৫ সালে সরকারের বাছা চার স্টার্টআপের দুটি
২০২৫ সালে সরকারের বাছা চার স্টার্টআপের দুটি মডেল প্রকাশ করেছে, আর সর্বম ১.৫ বিলিয়ন ডলার মূল্যায়নে ২৩৪ মিলিয়ন ডলার তোলা শেষ করেছে। প্রতিটি কোম্পানি জনসমক্ষে কী রেখেছে আর প্রতিটি স্কোর কে চালিয়েছে, তার একটি পর্যালোচনা।
ইন্ডিয়াএআই মিশনের হাতে ঘণ্টায় ₹৬৫ দরে ৩৮,০০০-এর বেশি জিপিইউ, অর্থপ্রাপ্ত ১২টি মডেল-নির্মাতা আর মিশনের কম্পিউটে প্রশিক্ষিত সার্বামের ওপেন মডেল, এবং ২০২৬ সালের ফেব্রুয়ারিতে আরও ২০,০০০ জিপিইউ ঘোষিত
কম্পিউটের দাম ঘণ্টায় ₹৬৫, প্রথম মডেলগুলো বেরিয়েছে আর ফেব্রুয়ারির সামিটে ১০০-র বেশি দেশ এসেছিল। মিশনের প্রতিটি স্তম্ভ নিয়ে সরকারের নিজের নথি কী বলে, আর কার্নেগি ইন্ডিয়া, তক্ষশীলা এবং আইআইএসসি-সংযুক্ত এক গবেষণা-প্রধানের মত।
← সব লেখা