Skip to content
Sarvam Vision 2.1 lee inglés y los 22 idiomas del Octavo Anexo, añade escritura a mano y extracción de formularios, y obtuvo 87,3 en olmOCR-Bench en las pruebas de la propia Sarvam
IA y tecnología

Sarvam Vision 2.1 lee inglés y los 22 idiomas del Octavo Anexo, añade escritura a mano y extracción de formularios, y obtuvo 87,3 en olmOCR-Bench en las pruebas de la propia Sarvam

Ilustración de tuput

Español

El 24 de septiembre de 2026 Sarvam lanzó Vision 2.1, un modelo de lectura de documentos para inglés y los 22 idiomas del Octavo Anexo que ahora extrae campos de formularios, analiza tablas de varias páginas y lee escritura a mano en lenguas indias. Sarvam informa de 87,3 en olmOCR-Bench y de 87,39 en su propia prueba de lenguas indias, y todas las puntuaciones hasta ahora son de Sarvam.

· · 9 min de lectura

El 24 de septiembre de 2026 Sarvam, una empresa de IA de Bengaluru, lanzó Sarvam Vision 2.1, un modelo que lee documentos escaneados y fotografiados en inglés y en los 22 idiomas del Octavo Anexo de la India. Tres capacidades son nuevas: extraer campos con nombre de los formularios, analizar tablas que se extienden por varias páginas y leer escritura a mano en lenguas indias. Sarvam informa de 87,3 en olmOCR-Bench, una prueba pública en inglés, y de 87,39 en una nueva prueba de lenguas indias que construyó ella misma. Todas las puntuaciones de este artículo proceden de Sarvam, y a 12 de noviembre de 2026 no había aparecido ninguna repetición independiente.

La tarea es el reconocimiento óptico de caracteres, que suele abreviarse OCR: convertir la imagen de un texto en un texto que un ordenador pueda buscar, copiar y comprobar. La entrada de lanzamiento de Sarvam de febrero de 2026 dice que buena parte del conocimiento de la India está en documentos físicos, archivos escaneados y colecciones históricas.

Qué añade Vision 2.1

La entrada de Sarvam nombra tres capacidades nuevas: extracción de clave y valor de formularios (la etiqueta y lo escrito a su lado, como «Nombre» y lo que se anotó ahí), extracción estructurada de tablas complejas, incluidas las de varias páginas, y reconocimiento de la escritura a mano en lenguas indias. También se trabajó en las debilidades de la primera versión, sobre todo las alucinaciones (un modelo que escribe texto que no está en la página) y la salida inconsistente, dice la entrada.

El modelo no lee una página de una sola pasada. Sarvam describe un diseño de «arnés con VLM»: un analizador de maquetación determina primero dónde están los bloques de texto, las tablas y las figuras, una red de orden de lectura decide la secuencia y el modelo de visión y lenguaje (VLM), un modelo que toma una imagen y escribe texto, lee cada pieza. Según la entrada, el VLM puede trabajar directamente sobre una página entera, pero esa precisión es mejor con el arnés alrededor.

Para las nuevas capacidades, Sarvam construyó conjuntos de entrenamiento de formularios manuscritos e impresos, unos sintéticos y otros tomados de formularios hallados en la web y rellenados luego por ordenador. Para la escritura a mano recurrió a vídeos y otras fuentes que contienen texto manuscrito. El entrenamiento terminó con un ajuste fino supervisado seguido de aprendizaje por refuerzo con recompensas verificables, es decir, recompensas que pueden comprobarse de forma automática. La nota de Angel One del 25 de septiembre de 2026 repite estos puntos del lanzamiento.

En cuanto al coste, Sarvam dice que los cambios en su pila de inferencia, el software que ejecuta el modelo para los usuarios, le permiten ofrecer Vision 2.1 a un precio inferior al que anunció en febrero, y que la API está ahora ajustada para cargas de producción. No se da ninguna cifra de la rebaja. La página de precios de Sarvam, abierta el 12 de noviembre de 2026, indica su API de digitalización de documentos a 0,50 rupias la página y su API de extracción de documentos a 1,00 rupia la página, sin GST. Esa página no dice a qué versión del modelo corresponden sus precios.

La entrada no indica el tamaño del modelo. La entrada de lanzamiento de febrero describía Sarvam Vision como un modelo de visión y lenguaje de espacio de estados de 3000 millones de parámetros (los parámetros son los números ajustables dentro de un modelo, una medida aproximada de su tamaño), y la página de documentación de Sarvam para el modelo sigue diciendo 3000 millones. No se dice si la versión 2.1 mantiene ese tamaño.

Por qué las escrituras indias son más difíciles de leer

La mayoría de las escrituras indias descienden del brahmi, y el capítulo del Estándar Unicode sobre ellas dice que comparten un gran número de rasgos estructurales. Cada letra consonante lleva una vocal inherente, por lo general una «a» breve, de modo que la letra de «k» se lee «ka». Otra vocal se escribe con un signo vocálico dependiente, una matra, que puede situarse encima, debajo, a la izquierda o a la derecha de la consonante y que, en algunas escrituras, se construye con dos partes que la rodean.

Un signo llamado virama anula la vocal inherente, y las consonantes así despojadas se funden con la siguiente en un conjunto consonántico. El ejemplo del propio Unicode es el grupo devanagari K.SSA, que califica de totalmente ligado, es decir, que los componentes ya no son formas distintas. Una fuente india bien hecha puede contener cientos de glifos de conjuntos consonánticos. Unicode señala también que unos pocos signos cambian el orden en que se muestran los caracteres respecto al orden en que se almacenan, que es el orden hablado, de modo que un programa que lee píxeles tiene que restablecer esa secuencia.

La escritura a mano añade variación por encima. Un artículo de arXiv de diciembre de 2025 sobre documentos judiciales manuscritos en maratí dice que el reconocimiento de la escritura a mano es difícil para idiomas como el maratí porque las colecciones digitalizadas grandes son escasas y los estilos de escritura varían mucho. Los archivos impresos traen sus propios problemas: la prueba de lenguas indias de Sarvam se nutre de páginas de 1800 a la actualidad, y una muestra en el visor del conjunto de datos presenta frases de un libro de texto bengalí con numerales arábigos mezclados.

Tres pruebas, tres preguntas distintas

olmOCR-Bench procede del artículo de olmOCR (febrero de 2025), publicado con un modelo para convertir PDF en texto. Su ficha de conjunto de datos en Hugging Face, alojada por Ai2, enumera 1403 PDF y 7010 comprobaciones de acierto o fallo: si esta frase está presente, si aquel número de página está ausente, si el titular va antes del párrafo, si una celda de tabla tiene el valor correcto, si una fórmula es correcta. Sus páginas están en inglés e incluyen matemáticas de arXiv, escaneos antiguos, letra diminuta, páginas de varias columnas y tablas. Sarvam dice que la prueba es oficialmente solo en inglés pero contiene unas pocas muestras en chino y otros idiomas. En febrero informó sobre un conjunto filtrado solo en inglés (la entrada de lanzamiento cita 1258 de las 1403 muestras). Para la 2.1 informa sobre el conjunto oficial completo, para igualarse con los modelos de otros fabricantes.

OmniDocBench procede de un artículo de diciembre de 2024 aceptado en CVPR 2025. La prueba abarca nueve tipos de fuente de documento, entre ellos artículos académicos, libros de texto, notas manuscritas y periódicos densos, y puntúa a un analizador en 19 categorías de maquetación y 15 atributos. Sarvam informa sobre la versión 1.6, que describe como una medida combinada de errores de texto, estructura de tablas y reconocimiento de fórmulas, de modo que prueba con qué fidelidad sobrevive la estructura de una página.

Sarvam Indic OCR Bench es propio de Sarvam. La ficha de Hugging Face dice que contiene 6909 muestras de bloques de texto, recortados de páginas, que expertos humanos en los idiomas revisaron dos veces. La entrada de Sarvam cuenta 6609 muestras en los 22 idiomas y 300 en inglés, tomadas de periódicos, folletos, libros de texto y escritos históricos. Solo se mide la exactitud lingüística, puntuada como exactitud de palabras, que es 100 veces uno menos la tasa de error de palabras. El conjunto de datos es público con licencia Apache 2.0, y la ficha dice que se incluye un evaluador que solo usa la biblioteca estándar de Python.

Lo que muestran las puntuaciones

En olmOCR-Bench, la tabla de Sarvam da a Vision 2.1 un total de 87,3, por delante de Infinity-Parser2 Pro con 86,1 y de Opus 5 con 85,1. Vision 2.1 no es primero en todas las columnas: Infinity-Parser2 Pro puntúa más alto en escaneos antiguos (58,0 frente a 55,3), y Opus 5 en páginas de varias columnas (85,8 frente a 82,1).

En OmniDocBench v1.6, Vision 2.1 obtiene 94,97 en total. PaddleOCR-VL 1.6 va por delante con 96,01 en la tabla de Sarvam, y GLM-OCR queda por detrás con 94,71. Vision 2.1 tiene el menor error de texto (0,0289) y la mejor puntuación en fórmulas (0,988) de la tabla, y queda por detrás de PaddleOCR-VL en estructura de tablas (0,890 frente a 0,931 en la medida de tablas TEDS).

En su prueba de lenguas indias, Sarvam informa de 87,39 en total, frente a 84,94 de Bodhan Indic-OCR, 79,35 de Gemini 3.6 Flash y 71,76 de Google Cloud Vision. Por idioma, el konkani (97,41), el nepalí (97,00) y el maithili (96,70) puntúan más alto, con el maratí en 95,06 y el hindi y el bengalí en 93,52 y 93,47. El cachemiro (54,82) y el santali (53,91) puntúan más bajo. En santali, Bodhan Indic-OCR obtiene 68,30 en la misma tabla, y Gemini 3.6 Flash lidera en odia, con 81,01 frente a 80,01. La entrada enumera fuentes impresas para esta prueba y ninguna puntuación aparte de escritura a mano, de modo que esa capacidad aparece ahí solo en clips de demostración.

Lo que aún está por demostrar

La propia Sarvam dice que las dos pruebas en inglés están posiblemente saturadas, y que hasta qué punto el resultado de una prueba predice la utilidad en el mundo real es una cuestión abierta. También se hicieron pruebas internas sobre flujos de trabajo reales, dice la entrada, y sus resultados no se publican.

Hoy puede hacerse una comprobación. La tabla de clasificación de la página olmOCR-bench de Ai2, tal como se abrió el 12 de noviembre de 2026, enumera a Infinity-Parser2 Pro con 87,6 y a otro modelo con 87,84, ambos por encima de los 87,3 de Sarvam, mientras que la propia tabla de Sarvam sitúa a Infinity-Parser2 Pro en 86,1. La tabla comparativa de una empresa y una clasificación pública pueden dar números distintos para el mismo modelo.

La prueba de lenguas indias es la prueba construida en torno a los 22 idiomas, y está abierta para que otros la ejecuten. El programa más amplio en el que trabaja Sarvam se trata en nuestra guía de la Misión IndiaAI, la lista de idiomas en nuestro explicativo sobre el Octavo Anexo y la plataforma de traducción del Gobierno en nuestro artículo sobre Bhashini y AI4Bharat. La ficha del conjunto de datos dice que con los datos viene un evaluador que solo necesita la biblioteca estándar de Python, de modo que un laboratorio distinto de Sarvam puede publicar su propio resultado.

Share
Copied!

Fuentes y lecturas adicionales

  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)

Investigado y escrito con ayuda de herramientas de IA, y editado para verificar su exactitud. Se ofrece solo como información general y para el debate, no como asesoramiento profesional. Consulta nuestros criterios editoriales y nuestro aviso legal. ¿Has visto un error? Dínoslo.

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

¿Te ha gustado? Recibe el siguiente.

Una buena lectura cada vez, directa a tu correo. Sin spam, cancela cuando quieras.

Más en IA y tecnología
El modelo de 105 mil millones de parámetros de Sarvam calcula con 10,3 mil millones por cada token, con el diseño de mezcla de expertos que va de un artículo de 1991 a Mixtral y DeepSeek
Un pequeño enrutador envía cada palabra a unas pocas de 128 subredes, de modo que la mayor parte del modelo queda inactiva para cada palabra. De dónde salió el diseño, cómo lo usan Mixtral, DeepSeek y Sarvam, y qué es lo que no ahorra.
Sarvam recaudó 234 millones de dólares con una valoración de 1.500 millones y lanzó dos modelos abiertos, y Gnani.ai ha mostrado un modelo de voz de 5 mil millones de parámetros, dos de las cuatro startups que el gobierno eligió en 2025 para construir modelos de base
Dos de las cuatro startups que el gobierno eligió en 2025 han lanzado modelos, y Sarvam ha cerrado 234 millones de dólares con una valoración de 1.500 millones. Un repaso de lo que cada empresa ha hecho público y de quién ejecutó cada puntuación.
La Misión IndiaAI tiene más de 38.000 GPU a 65 rupias la hora, 12 desarrolladores de modelos financiados y modelos abiertos de Sarvam entrenados con cómputo de la misión, con otras 20.000 GPU anunciadas en febrero de 2026
El cómputo se cobra a 65 rupias la hora, los primeros modelos ya salieron y la cumbre de febrero reunió a más de 100 países. Lo que dicen los propios documentos del gobierno sobre cada pilar de la misión, y las opiniones de Carnegie India, Takshashila y un director de investigación vinculado al IISc.
← todos los artículos