चित्रण: tuput
हिन्दी
24 सितंबर 2026 को सर्वम ने विज़न 2.1 जारी किया, जो अंग्रेज़ी और सभी 22 अनुसूचित भारतीय भाषाओं के दस्तावेज़ पढ़ने वाला मॉडल है। अब वह फ़ॉर्म से खाने निकालता है, कई पन्नों में फैली तालिकाएँ पढ़ता है और भारतीय लिपियों का हस्तलेख पहचानता है। सर्वम के अनुसार उसे olmOCR-Bench पर 87.3 और अपनी इंडिक जाँच पर 87.39 अंक मिले, और अब तक का हर स्कोर सर्वम का ही है।
बेंगलुरु की एआई कंपनी सर्वम ने 24 सितंबर 2026 को सर्वम विज़न 2.1 जारी किया। यह ऐसा मॉडल है जो अंग्रेज़ी और सभी 22 अनुसूचित भारतीय भाषाओं में स्कैन किए या फ़ोटो खींचे गए दस्तावेज़ पढ़ता है। इसमें तीन क्षमताएँ नई हैं: फ़ॉर्म से नाम वाले खाने निकालना, कई पन्नों में चलने वाली तालिकाओं को पढ़ना, और भारतीय भाषाओं का हस्तलेख पहचानना। सर्वम के अनुसार उसे olmOCR-Bench पर 87.3 अंक मिले, जो अंग्रेज़ी की एक सार्वजनिक जाँच है, और उसकी अपनी बनाई नई इंडिक जाँच पर 87.39। इस लेख का हर स्कोर सर्वम से आया है, और 12 नवंबर 2026 तक किसी स्वतंत्र दोबारा जाँच का पता नहीं चला था।
इस काम का नाम ऑप्टिकल कैरेक्टर रिकॉग्निशन है, जिसे आम तौर पर OCR कहा जाता है: लिखे हुए की तस्वीर को ऐसे पाठ में बदलना जिसे कंप्यूटर खोज सके, कॉपी कर सके और जाँच सके। सर्वम की फ़रवरी 2026 की लॉन्च पोस्ट कहती है कि भारत का बहुत-सा ज्ञान भौतिक दस्तावेज़ों, स्कैन किए गए अभिलेखागारों और ऐतिहासिक संग्रहों में रखा है।
विज़न 2.1 में क्या जुड़ा
सर्वम की पोस्ट तीन नई क्षमताएँ गिनाती है: फ़ॉर्म से कुंजी-मान निकालना (यानी शीर्षक और उसके बगल में भरी गई प्रविष्टि, जैसे “नाम” और वहाँ जो लिखा गया), जटिल तालिकाओं से, कई पन्नों वाली तालिकाओं समेत, संरचित जानकारी निकालना, और भारतीय लिपियों के हस्तलेख की पहचान। पोस्ट के अनुसार पहले संस्करण की कमज़ोरियों पर भी काम हुआ, ख़ासकर हैलुसिनेशन पर (यानी मॉडल का ऐसा पाठ लिख देना जो पन्ने पर है ही नहीं) और असंगत आउटपुट पर।
मॉडल पन्ना एक ही बार में नहीं पढ़ता। सर्वम “हार्नेस-विद-वीएलएम” ढाँचा बताता है: पहले एक लेआउट पार्सर तय करता है कि पाठ के खंड, तालिकाएँ और चित्र कहाँ हैं, फिर एक रीडिंग-ऑर्डर नेटवर्क क्रम तय करता है, और विज़न-लैंग्वेज मॉडल (वीएलएम), यानी वह मॉडल जो तस्वीर लेकर पाठ लिखता है, हर टुकड़ा पढ़ता है। पोस्ट के अनुसार वीएलएम पूरा पन्ना सीधे भी सँभाल सकता है, पर हार्नेस के साथ सटीकता बेहतर रहती है।
नई क्षमताओं के लिए सर्वम ने हाथ से लिखे और छपे फ़ॉर्मों के प्रशिक्षण सेट बनाए, कुछ कृत्रिम, कुछ वेब पर मिले फ़ॉर्मों से, जिन्हें फिर कंप्यूटर से भरा गया। हस्तलेख के लिए उसने वीडियो और ऐसे दूसरे स्रोत लिए जिनमें हाथ का लिखा पाठ है। प्रशिक्षण का अंत सुपरवाइज़्ड फ़ाइन-ट्यूनिंग से हुआ, जिसके बाद जाँचे जा सकने वाले इनामों के साथ रीइनफ़ोर्समेंट लर्निंग चली, यानी ऐसे इनाम जिन्हें अपने आप जाँचा जा सके। एंजल वन की 25 सितंबर 2026 की रिपोर्ट रिलीज़ की यही बातें दोहराती है।
लागत पर सर्वम का कहना है कि उसके इन्फ़रेंस स्टैक में, यानी उस सॉफ़्टवेयर में जो उपयोगकर्ताओं के लिए मॉडल चलाता है, हुए बदलावों से वह विज़न 2.1 को फ़रवरी में घोषित क़ीमत से कम पर दे पा रहा है, और एपीआई अब उत्पादन के कामों के लिए ट्यून किया गया है। कटौती का कोई आँकड़ा नहीं दिया गया। सर्वम के मूल्य पन्ने पर, जिसे 12 नवंबर 2026 को खोला गया, उसकी डॉक्यूमेंट डिजिटाइज़ेशन एपीआई 0.50 रुपये प्रति पन्ना और डॉक्यूमेंट एक्सट्रैक्शन एपीआई 1.00 रुपये प्रति पन्ना दर्ज है, जीएसटी अलग से। वह पन्ना यह नहीं बताता कि ये दाम किस मॉडल संस्करण के हैं।
पोस्ट मॉडल का आकार नहीं बताती। फ़रवरी की लॉन्च पोस्ट ने सर्वम विज़न को 3 अरब पैरामीटर वाला स्टेट-स्पेस विज़न-लैंग्वेज मॉडल बताया था (पैरामीटर मॉडल के भीतर के वे समायोज्य अंक हैं जो उसके आकार का मोटा पैमाना हैं), और सर्वम का मॉडल का दस्तावेज़ी पन्ना अब भी 3 अरब ही कहता है। 2.1 में यह आकार वही है या नहीं, यह नहीं बताया गया।
भारतीय लिपियाँ पढ़ना कठिन क्यों है
अधिकांश भारतीय लिपियाँ ब्राह्मी से निकली हैं, और यूनिकोड मानक का उन पर अध्याय कहता है कि उनमें बहुत-सी संरचनात्मक विशेषताएँ साझा हैं। हर व्यंजन अक्षर के साथ एक अंतर्निहित स्वर होता है, आम तौर पर छोटा “अ”, इसलिए “क” का अक्षर “क” पढ़ा जाता है। दूसरा स्वर आश्रित स्वर-चिह्न यानी मात्रा से लिखा जाता है, जो व्यंजन के ऊपर, नीचे, बाईं या दाईं ओर आ सकती है, और कुछ लिपियों में दो हिस्सों से बनती है जो उसे घेर लेते हैं।
विराम नाम का चिह्न अंतर्निहित स्वर को हटा देता है, और इस तरह स्वर-रहित हुए व्यंजन अगले से जुड़कर संयुक्ताक्षर बन जाते हैं। यूनिकोड का अपना उदाहरण देवनागरी का K.SSA (क्ष) गुच्छा है, जिसे वह पूरी तरह लिगेचर वाला कहता है, यानी घटक अब अलग आकृतियाँ नहीं रहे। एक अच्छे भारतीय फ़ॉन्ट में सैकड़ों संयुक्ताक्षर ग्लिफ़ हो सकते हैं। यूनिकोड यह भी बताता है कि कुछ चिह्न अक्षरों के प्रदर्शन का क्रम उस क्रम से बदल देते हैं जिसमें वे संग्रहित होते हैं, और संग्रहण का क्रम बोले जाने का क्रम है, इसलिए पिक्सेल पढ़ने वाले प्रोग्राम को वह क्रम वापस बनाना पड़ता है।
हस्तलेख इसके ऊपर और विविधता जोड़ता है। मराठी की हाथ से लिखी अदालती दस्तावेज़ों पर दिसंबर 2025 का एक arXiv शोधपत्र कहता है कि मराठी जैसी भाषाओं में हस्तलेख की पहचान कठिन है, क्योंकि डिजिटल किए गए बड़े संग्रह कम हैं और लिखने की शैलियाँ बहुत भिन्न हैं। छपे अभिलेखागारों की अपनी परेशानी है: सर्वम की इंडिक जाँच 1800 से आज तक के पन्नों से ली गई है, और डेटासेट व्यूअर का एक नमूना बांग्ला पाठ्यपुस्तक के वाक्य दिखाता है जिनमें अरबी अंक मिले हुए हैं।
तीन जाँचें, तीन अलग सवाल
olmOCR-Bench olmOCR शोधपत्र (फ़रवरी 2025) से आया है, जो पीडीएफ़ को पाठ में बदलने वाले मॉडल के साथ छपा था। Ai2 द्वारा होस्ट किया गया हगिंग फ़ेस पर उसका डेटासेट कार्ड 1,403 पीडीएफ़ और 7,010 पास-या-फ़ेल जाँचें बताता है: क्या यह वाक्य मौजूद है, क्या वह पृष्ठ संख्या अनुपस्थित है, क्या शीर्षक अनुच्छेद से पहले आता है, क्या तालिका के खाने में सही मान है, क्या सूत्र सही है। उसके पन्ने अंग्रेज़ी में हैं और उनमें arXiv के गणित, पुराने स्कैन, बारीक छपाई, बहु-स्तंभ वाले पन्ने और तालिकाएँ शामिल हैं। सर्वम का कहना है कि यह बेंचमार्क आधिकारिक रूप से केवल अंग्रेज़ी का है, पर उसमें चीनी और दूसरी भाषाओं के कुछ नमूने हैं। फ़रवरी में उसने छनकर बने केवल-अंग्रेज़ी सेट पर रिपोर्ट किया था (लॉन्च पोस्ट 1,403 में से 1,258 नमूने गिनाती है)। 2.1 के लिए वह दूसरे निर्माताओं के मॉडलों से बराबरी के लिए पूरे आधिकारिक सेट पर रिपोर्ट करता है।
OmniDocBench दिसंबर 2024 के एक शोधपत्र से आया है जिसे CVPR 2025 में स्वीकार किया गया। यह जाँच नौ तरह के दस्तावेज़ स्रोतों में फैली है, जिनमें शोधपत्र, पाठ्यपुस्तकें, हाथ के नोट और घने अख़बार शामिल हैं, और पार्सर को 19 लेआउट श्रेणियों और 15 गुणों पर आँकती है। सर्वम संस्करण 1.6 पर रिपोर्ट करता है, जिसे वह पाठ की त्रुटियों, तालिका की संरचना और सूत्र की पहचान का संयुक्त माप बताता है, यानी यह परखता है कि पन्ने की संरचना कितनी ईमानदारी से बची रहती है।
सर्वम इंडिक OCR बेंच सर्वम की अपनी है। हगिंग फ़ेस कार्ड के अनुसार उसमें पाठ-खंडों के 6,909 नमूने हैं, जो पन्नों से काटे गए हैं और जिन्हें भाषा विशेषज्ञों ने दो बार जाँचा। सर्वम की पोस्ट 22 भाषाओं में 6,609 नमूने और अंग्रेज़ी में 300 गिनती है, जो अख़बारों, पुस्तिकाओं, पाठ्यपुस्तकों और ऐतिहासिक लेखन से लिए गए हैं। केवल भाषा की सटीकता मापी जाती है, जिसे शब्द सटीकता में आँका जाता है, यानी 100 गुणा (एक घटा शब्द त्रुटि दर)। डेटासेट अपाचे 2.0 लाइसेंस के तहत सार्वजनिक है, और कार्ड के अनुसार पायथन की मानक लाइब्रेरी भर से चलने वाला एक स्कोरर साथ में है।
स्कोर क्या दिखाते हैं
olmOCR-Bench पर सर्वम की तालिका विज़न 2.1 को कुल 87.3 देती है, जो Infinity-Parser2 Pro के 86.1 और Opus 5 के 85.1 से आगे है। विज़न 2.1 हर स्तंभ में पहले नंबर पर नहीं है: पुराने स्कैन पर Infinity-Parser2 Pro के अंक ज़्यादा हैं (58.0 बनाम 55.3), और बहु-स्तंभ पन्नों पर Opus 5 के (85.8 बनाम 82.1)।
OmniDocBench v1.6 पर विज़न 2.1 को कुल 94.97 मिलते हैं। सर्वम की तालिका में PaddleOCR-VL 1.6 96.01 पर आगे है और GLM-OCR 94.71 पर पीछे। तालिका में विज़न 2.1 की पाठ त्रुटि सबसे कम (0.0289) है और सूत्र का स्कोर सबसे ऊँचा (0.988), जबकि तालिका संरचना पर, TEDS तालिका माप में, वह PaddleOCR-VL से पीछे है (0.890 बनाम 0.931)।
अपनी इंडिक बेंच पर सर्वम कुल 87.39 बताता है, जबकि बोधन इंडिक-OCR के 84.94, जेमिनी 3.6 फ़्लैश के 79.35 और गूगल क्लाउड विज़न के 71.76 हैं। भाषा के हिसाब से कोंकणी (97.41), नेपाली (97.00) और मैथिली (96.70) सबसे ऊपर हैं, मराठी 95.06 पर है और हिंदी तथा बांग्ला 93.52 और 93.47 पर। कश्मीरी (54.82) और संथाली (53.91) सबसे नीचे हैं। संथाली पर उसी तालिका में बोधन इंडिक-OCR को 68.30 मिलते हैं, और उड़िया पर जेमिनी 3.6 फ़्लैश आगे है, 81.01 बनाम 80.01। पोस्ट इस जाँच के लिए छपे स्रोत गिनाती है और हस्तलेख का अलग स्कोर नहीं देती, इसलिए हस्तलेख की क्षमता वहाँ केवल प्रदर्शन क्लिपों में दिखती है।
जो दिखाया जाना बाक़ी है
सर्वम ख़ुद कहता है कि दोनों अंग्रेज़ी बेंचमार्क संभवतः संतृप्त हो चुके हैं, और बेंचमार्क का नतीजा असल उपयोगिता का कितना अनुमान देता है, यह खुला सवाल है। पोस्ट के अनुसार असली कामकाज पर आंतरिक जाँचें भी चलाई गईं, और उनके नतीजे प्रकाशित नहीं हैं।
एक जाँच आज की जा सकती है। Ai2 के olmOCR-bench पन्ने की लीडरबोर्ड में, जैसी वह 12 नवंबर 2026 को खुली थी, Infinity-Parser2 Pro 87.6 पर और एक दूसरा मॉडल 87.84 पर दर्ज है, दोनों सर्वम के 87.3 से ऊपर, जबकि सर्वम की अपनी तालिका Infinity-Parser2 Pro को 86.1 पर रखती है। किसी कंपनी की तुलना तालिका और सार्वजनिक लीडरबोर्ड एक ही मॉडल के लिए अलग संख्याएँ दे सकते हैं।
इंडिक बेंच वह जाँच है जो 22 भाषाओं के इर्द-गिर्द बनी है, और दूसरों के चलाने के लिए खुली है। सर्वम जिस बड़े कार्यक्रम के भीतर काम करता है उसकी चर्चा इंडियाएआई मिशन की हमारी मार्गदर्शिका में है, भाषाओं की सूची आठवीं अनुसूची पर हमारे विवरण में, और सरकारी अनुवाद मंच की चर्चा भाषिणी और एआई4भारत पर हमारे लेख में। डेटासेट कार्ड के अनुसार केवल पायथन की मानक लाइब्रेरी से चलने वाला स्कोरर डेटा के साथ आता है, इसलिए सर्वम के अलावा कोई और प्रयोगशाला भी अपना नतीजा प्रकाशित कर सकती है।
स्रोत और आगे पढ़ने के लिए
- Sarvam AI: Sarvam Vision 2.1, Pushing the Pareto frontier of document intelligence (24 September 2026)
- Sarvam AI: Sarvam Vision, launch post (5 February 2026)
- Sarvam AI: blog index with post dates (opened 12 November 2026)
- Sarvam API docs: Sarvam Vision model page (languages, size, limits)
- Sarvam API docs: Pricing, credits and rate limits (opened 12 November 2026)
- Hugging Face: Sarvam Indic OCR Bench, dataset card
- Hugging Face: olmOCR-bench, dataset card and leaderboard (Ai2)
- arXiv: olmOCR, Unlocking Trillions of Tokens in PDFs with Vision Language Models (February 2025)
- arXiv: OmniDocBench, Benchmarking Diverse PDF Document Parsing with Comprehensive Annotations (December 2024)
- The Unicode Standard 15.0, chapter 12: South and Central Asia-I (Devanagari and the Indic script principles)
- arXiv: Seeing Justice Clearly, Handwritten Legal Document Translation with OCR and Vision-Language Models (December 2025)
- Analytics India Magazine: Sarvam Vision Beats Gemini, GPT on Indic OCR Across 22 Indian Languages (5 February 2026)
- Angel One News: Sarvam Launches Vision 2.1 AI Model for Documents and Indian Languages (25 September 2026)
यह लेख AI उपकरणों की सहायता से शोधित और लिखा गया है, और सटीकता के लिए संपादित किया गया है। यह केवल सामान्य जानकारी और चर्चा के लिए है, पेशेवर सलाह नहीं। हमारे संपादकीय मानक और अस्वीकरण देखें। कोई त्रुटि मिली? हमें बताएँ।
अच्छा लगा? अगला लेख पाएँ।
एक बार में एक अच्छा लेख, सीधे आपके इनबॉक्स में। कोई स्पैम नहीं, जब चाहें अनसब्सक्राइब करें।