चित्रण: tuput
मराठी
२४ सप्टेंबर २०२६ रोजी सर्वमने व्हिजन २.१ प्रसिद्ध केले, हे इंग्रजी आणि सर्व २२ अनुसूचित भारतीय भाषांसाठीचे दस्तऐवज वाचणारे मॉडेल आहे, जे आता फॉर्ममधील रकान्यांची माहिती काढते, अनेक पानांच्या तक्त्यांचे विश्लेषण करते आणि भारतीय लिपींतील हस्ताक्षर वाचते. सर्वमने olmOCR-Bench वर ८७.३ आणि स्वतःच्या इंडिक चाचणीवर ८७.३९ नोंदवले आहेत, आणि आतापर्यंतचे सर्व गुण सर्वमचेच आहेत.
२४ सप्टेंबर २०२६ रोजी बेंगळुरूची एआय कंपनी सर्वमने सर्वम व्हिजन २.१ प्रसिद्ध केले. हे मॉडेल इंग्रजी आणि सर्व २२ अनुसूचित भारतीय भाषांतील स्कॅन केलेले आणि छायाचित्रित दस्तऐवज वाचते. तीन क्षमता नव्या आहेत: फॉर्ममधून नावाजलेले रकाने काढणे, अनेक पानांवर पसरलेल्या तक्त्यांचे विश्लेषण करणे, आणि भारतीय भाषांतील हस्ताक्षर वाचणे. सर्वमने olmOCR-Bench या सार्वजनिक इंग्रजी चाचणीवर ८७.३ आणि स्वतः बनवलेल्या नव्या इंडिक चाचणीवर ८७.३९ गुण नोंदवले आहेत. या लेखातील प्रत्येक गुण सर्वमकडूनच आलेला आहे, आणि १२ नोव्हेंबर २०२६ पर्यंत कोणतीही स्वतंत्र पुनर्चाचणी आढळली नव्हती.
हे काम ऑप्टिकल कॅरॅक्टर रेकग्निशन, थोडक्यात OCR, म्हणजे मजकुराच्या चित्राचे संगणकाला शोधता, कॉपी करता आणि तपासता येणाऱ्या मजकुरात रूपांतर करणे. भारताचे बरेचसे ज्ञान प्रत्यक्ष दस्तऐवजांत, स्कॅन केलेल्या संग्रहांत आणि ऐतिहासिक संग्रहांत आहे, असे सर्वमची फेब्रुवारी २०२६ ची प्रकाशन पोस्ट म्हणते.
व्हिजन २.१ काय भर घालते
सर्वमची पोस्ट तीन नव्या क्षमता सांगते: फॉर्ममधून की-व्हॅल्यू माहिती काढणे (लेबल आणि त्याच्या बाजूची नोंद, जसे “नाव” आणि तिथे लिहिलेले), अनेक पानांच्या तक्त्यांसह गुंतागुंतीच्या तक्त्यांमधून संरचित माहिती काढणे, आणि भारतीय लिपींतील हस्ताक्षराची ओळख. पहिल्या आवृत्तीतील कमतरतांवरही, मुख्यतः हॅल्युसिनेशन (पानावर नसलेला मजकूर मॉडेलने लिहिणे) आणि विसंगत आउटपुट, काम झाले, असे पोस्ट म्हणते.
मॉडेल पान एका फेरीत वाचत नाही. सर्वम “harness-with-VLM” रचना वर्णन करते: प्रथम एक लेआउट पार्सर मजकुराचे गठ्ठे, तक्ते आणि आकृत्या कुठे आहेत ते ठरवतो, वाचनक्रम नेटवर्क क्रम ठरवते, आणि व्हिजन-लँग्वेज मॉडेल (VLM), म्हणजे चित्र घेऊन मजकूर लिहिणारे मॉडेल, प्रत्येक तुकडा वाचते. पोस्टनुसार VLM संपूर्ण पान थेट हाताळू शकते, पण भोवती harness असले की अचूकता चांगली मिळते.
नव्या क्षमतांसाठी सर्वमने हस्तलिखित आणि छापील फॉर्मचे प्रशिक्षण संच बनवले, काही कृत्रिम, काही वेबवर सापडलेल्या फॉर्मवरून घेऊन संगणकाने भरलेले. हस्ताक्षरासाठी तिने हस्तलिखित मजकूर असलेले व्हिडिओ आणि इतर स्रोत वापरले. प्रशिक्षणाचा शेवट सुपरवाइज्ड फाइन-ट्यूनिंगने झाला आणि त्यानंतर सत्यापित करता येणाऱ्या बक्षिसांसह, म्हणजे आपोआप तपासता येणाऱ्या बक्षिसांसह, रीइन्फोर्समेंट लर्निंग झाले. एंजल वन या वृत्तसंस्थेचा २५ सप्टेंबर २०२६ चा वृत्तांत प्रकाशनातील हेच मुद्दे पुन्हा सांगतो.
खर्चाबाबत सर्वम म्हणते की तिच्या इन्फरन्स स्टॅकमधील, म्हणजे वापरकर्त्यांसाठी मॉडेल चालवणाऱ्या सॉफ्टवेअरमधील, बदलांमुळे तिला फेब्रुवारीत जाहीर केलेल्या किमतीपेक्षा कमी किमतीत व्हिजन २.१ देता येते, आणि API आता उत्पादन कामांसाठी जुळवलेली आहे. कपातीचा आकडा दिलेला नाही. १२ नोव्हेंबर २०२६ रोजी उघडलेल्या सर्वमच्या किंमत पानावर डॉक्युमेंट डिजिटायझेशन API पानामागे ०.५० रुपये आणि डॉक्युमेंट एक्स्ट्रॅक्शन API पानामागे १.०० रुपये आहे, GST वगळून. त्या किमती कोणत्या मॉडेल आवृत्तीसाठी आहेत हे ते पान सांगत नाही.
पोस्ट मॉडेलचा आकार सांगत नाही. फेब्रुवारीच्या प्रकाशन पोस्टने सर्वम व्हिजनचे वर्णन ३ अब्ज पॅरामीटरचे स्टेट-स्पेस व्हिजन-लँग्वेज मॉडेल असे केले होते (पॅरामीटर म्हणजे मॉडेलच्या आतील बदलता येणाऱ्या संख्या, आकाराचे ढोबळ माप), आणि मॉडेलचे सर्वमचे दस्तऐवजीकरण पान अजूनही ३ अब्ज म्हणते. २.१ मध्ये तोच आकार राहिला आहे का, हे सांगितलेले नाही.
भारतीय लिपी वाचायला अवघड का आहेत
बहुतेक भारतीय लिपी ब्राह्मीपासून आलेल्या आहेत, आणि युनिकोड स्टँडर्डचे त्यांवरील प्रकरण म्हणते की त्यांच्यात संरचनेची अनेक वैशिष्ट्ये समान आहेत. प्रत्येक व्यंजन अक्षर एक अंगभूत स्वर घेऊन येते, सहसा लहान “अ”, त्यामुळे “k” चे अक्षर “ka” असे वाचले जाते. दुसरा स्वर आश्रित स्वरचिन्हाने, म्हणजे मात्रेने, लिहिला जातो, जी व्यंजनाच्या वर, खाली, डावीकडे किंवा उजवीकडे येऊ शकते, आणि काही लिपींत दोन भागांनी बनलेली असून व्यंजनाला वेढते.
विराम नावाचे चिन्ह अंगभूत स्वर रद्द करते, आणि असे निःस्वर झालेले व्यंजन पुढच्या व्यंजनाशी मिळून जोडाक्षर बनते. युनिकोडचे स्वतःचे उदाहरण देवनागरी गुच्छ K.SSA हे आहे, ज्याला ते पूर्णपणे जोडलेले म्हणते, म्हणजे घटक आता वेगळे आकार राहत नाहीत. चांगला बनवलेला भारतीय फॉन्ट शेकडो जोडाक्षरांचे आकार धरू शकतो. युनिकोड हेही नमूद करते की काही चिन्हे अक्षरे दाखवण्याचा क्रम आणि साठवण्याचा क्रम, जो बोलण्याचा क्रम असतो, यांत बदल घडवतात, त्यामुळे पिक्सेल वाचणाऱ्या प्रोग्रामला तो क्रम पुन्हा बसवावा लागतो.
हस्ताक्षर त्यावर वैविध्याची भर घालते. हस्तलिखित मराठी न्यायालयीन दस्तऐवजांवरील डिसेंबर २०२५ चा एक arXiv शोधनिबंध म्हणतो की मराठीसारख्या भाषांसाठी हस्ताक्षर ओळख अवघड आहे, कारण डिजिटल केलेले मोठे संग्रह दुर्मिळ आहेत आणि हस्ताक्षराच्या शैली खूप वेगवेगळ्या आहेत. छापील संग्रहांचीही स्वतःची अडचण आहे: सर्वमच्या इंडिक चाचणीत १८०० पासून आतापर्यंतची पाने आहेत, आणि डेटासंच दर्शकातील एका नमुन्यात अरबी आकडे मिसळलेली बंगाली पाठ्यपुस्तकातील वाक्ये दिसतात.
तीन चाचण्या, तीन वेगळे प्रश्न
olmOCR-Bench olmOCR शोधनिबंधातून (फेब्रुवारी २०२५) आलेला आहे, जो PDF चे मजकुरात रूपांतर करणाऱ्या मॉडेलसह प्रसिद्ध झाला. Ai2 ने होस्ट केलेले त्याचे हगिंग फेसवरील डेटासंच कार्ड १,४०३ PDF आणि ७,०१० पास-किंवा-फेल तपासण्या सांगते: हे वाक्य आहे का, ते पान क्रमांक नाही का, मथळा परिच्छेदाआधी येतो का, तक्त्याच्या खणात योग्य किंमत आहे का, सूत्र बरोबर आहे का. त्याची पाने इंग्रजीत आहेत आणि त्यांत arXiv गणित, जुने स्कॅन, बारीक अक्षरे, बहुस्तंभी पाने आणि तक्ते येतात. हा बेंचमार्क अधिकृतपणे फक्त इंग्रजीसाठी आहे, पण त्यात चिनी आणि इतर भाषांतील काही नमुने आहेत, असे सर्वम म्हणते. फेब्रुवारीत तिने गाळलेल्या, फक्त इंग्रजी संचावर नोंद केली (प्रकाशन पोस्ट १,४०३ पैकी १,२५८ नमुने सांगते). २.१ साठी इतर निर्मात्यांच्या मॉडेलांशी बरोबरी राहावी म्हणून ती संपूर्ण अधिकृत संचावर नोंद करते.
OmniDocBench डिसेंबर २०२४ च्या, CVPR 2025 साठी स्वीकारल्या गेलेल्या, शोधनिबंधातून आलेला आहे. चाचणी नऊ प्रकारच्या दस्तऐवज स्रोतांवर पसरलेली आहे, ज्यात शैक्षणिक शोधनिबंध, पाठ्यपुस्तके, हस्तलिखित नोंदी आणि दाट वृत्तपत्रे येतात, आणि ती पार्सरला १९ लेआउट वर्ग आणि १५ गुणधर्मांवर गुण देते. सर्वम आवृत्ती १.६ वर नोंद करते, जिचे वर्णन ती मजकूर त्रुटी, तक्त्याची रचना आणि सूत्र ओळख यांचे एकत्रित माप असे करते, म्हणजे पानाची रचना किती निष्ठेने टिकते याची ती चाचणी आहे.
Sarvam Indic OCR Bench सर्वमची स्वतःची आहे. हगिंग फेस कार्ड सांगते की त्यात पानांवरून कापलेल्या मजकूर गठ्ठ्यांचे ६,९०९ नमुने आहेत, जे भाषातज्ज्ञांनी दोनदा तपासले. सर्वमची पोस्ट २२ भाषांमध्ये ६,६०९ नमुने आणि इंग्रजीत ३०० मोजते, जे वृत्तपत्रे, माहितीपत्रके, पाठ्यपुस्तके आणि ऐतिहासिक लेखनातून घेतले आहेत. फक्त भाषेची अचूकता मोजली जाते, शब्द अचूकता म्हणून गुणांकित, जी १०० गुणिले (१ वजा शब्द त्रुटी दर) असते. डेटासंच Apache 2.0 परवान्याखाली सार्वजनिक आहे, आणि फक्त पायथनची मानक लायब्ररी वापरणारा स्कोअरर सोबत आहे, असे कार्ड म्हणते.
गुण काय दाखवतात
olmOCR-Bench वर सर्वमच्या तक्त्यात व्हिजन २.१ ला एकूण ८७.३ आहे, Infinity-Parser2 Pro च्या ८६.१ आणि Opus 5 च्या ८५.१ पेक्षा पुढे. व्हिजन २.१ प्रत्येक स्तंभात पहिले नाही: जुन्या स्कॅनवर Infinity-Parser2 Pro चे गुण जास्त आहेत (५८.० विरुद्ध ५५.३), आणि बहुस्तंभी पानांवर Opus 5 चे (८५.८ विरुद्ध ८२.१).
OmniDocBench v1.6 वर व्हिजन २.१ ला एकूण ९४.९७ आहेत. सर्वमच्या तक्त्यात PaddleOCR-VL 1.6 ९६.०१ वर पुढे आहे, आणि GLM-OCR ९४.७१ वर मागे आहे. तक्त्यात व्हिजन २.१ ची मजकूर त्रुटी सर्वात कमी (०.०२८९) आणि सूत्र गुण सर्वोच्च (०.९८८) आहे, आणि तक्त्याच्या रचनेत ते PaddleOCR-VL च्या मागे आहे (TEDS तक्ता माप ०.८९० विरुद्ध ०.९३१).
आपल्या इंडिक बेंचवर सर्वम एकूण ८७.३९ नोंदवते, Bodhan Indic-OCR च्या ८४.९४, Gemini 3.6 Flash च्या ७९.३५ आणि Google Cloud Vision च्या ७१.७६ च्या तुलनेत. भाषानिहाय कोंकणी (९७.४१), नेपाळी (९७.००) आणि मैथिली (९६.७०) सर्वाधिक गुण मिळवतात, मराठी ९५.०६ वर आहे, आणि हिंदी व बंगाली ९३.५२ आणि ९३.४७ वर. काश्मिरी (५४.८२) आणि संथाली (५३.९१) सर्वात कमी गुण मिळवतात. संथालीवर, त्याच तक्त्यात Bodhan Indic-OCR ला ६८.३० आहे, आणि ओडियात Gemini 3.6 Flash पुढे आहे, ८१.०१ विरुद्ध ८०.०१. या चाचणीसाठी पोस्ट छापील स्रोत सांगते आणि वेगळा हस्ताक्षर गुण देत नाही, त्यामुळे हस्ताक्षर क्षमता तिथे फक्त प्रात्यक्षिक क्लिपमध्येच दिसते.
अजून काय दाखवायचे आहे
सर्वम स्वतःच म्हणते की दोन्ही इंग्रजी बेंचमार्क कदाचित संपृक्त झाले आहेत, आणि बेंचमार्कचा निकाल प्रत्यक्ष उपयुक्ततेचा किती अंदाज देतो हा खुला प्रश्न आहे. खऱ्या कार्यप्रवाहांवर अंतर्गत चाचण्याही चालवल्या गेल्या, असे पोस्ट म्हणते, आणि त्यांचे निकाल प्रसिद्ध केलेले नाहीत.
एक तपासणी आजच करता येते. १२ नोव्हेंबर २०२६ रोजी उघडलेल्या Ai2 च्या olmOCR-bench पानावरील लीडरबोर्डवर Infinity-Parser2 Pro ८७.६ वर आणि दुसरे एक मॉडेल ८७.८४ वर आहे, दोन्ही सर्वमच्या ८७.३ पेक्षा वर, तर सर्वमच्या स्वतःच्या तक्त्यात Infinity-Parser2 Pro ८६.१ वर आहे. कंपनीचा तुलना तक्ता आणि सार्वजनिक लीडरबोर्ड एकाच मॉडेलसाठी वेगळे आकडे देऊ शकतात.
इंडिक बेंचमार्क ही २२ भाषांभोवती बांधलेली चाचणी आहे, आणि इतरांना ती चालवण्यासाठी खुली आहे. सर्वम ज्या व्यापक कार्यक्रमात काम करते त्याबद्दल इंडियाएआय मिशनची आमची मार्गदर्शिका सांगते, भाषांची यादी आठव्या अनुसूचीवरील आमच्या स्पष्टीकरणात आहे, आणि सरकारी भाषांतर मंच भाषिणी आणि एआय४भारतवरील आमच्या लेखात. फक्त पायथनची मानक लायब्ररी लागणारा स्कोअरर डेटासोबत येतो, असे डेटासंच कार्ड म्हणते, त्यामुळे सर्वम व्यतिरिक्त एखादी प्रयोगशाळा स्वतःचा निकाल प्रसिद्ध करू शकते.
स्रोत आणि पुढील वाचन
- 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)
हा लेख AI साधनांच्या मदतीने संशोधित आणि लिहिला गेला असून अचूकतेसाठी संपादित केला आहे. हा केवळ सर्वसाधारण माहिती आणि चर्चेसाठी आहे, व्यावसायिक सल्ला नाही. आमचे संपादकीय मानक आणि अस्वीकरण पाहा. चूक आढळली? आम्हाला कळवा.
आवडलं? पुढचा लेख मिळवा.
एका वेळी एक चांगला लेख, थेट तुमच्या इनबॉक्समध्ये. स्पॅम नाही, हवं तेव्हा थांबवा.