வரைபடம்: tuput
தமிழ்
2026 செப்டம்பர் 24 அன்று சர்வம் விஷன் 2.1ஐ வெளியிட்டது. இது ஆங்கிலம் மற்றும் அட்டவணையில் உள்ள 22 இந்திய மொழிகளுக்கான ஆவணம் படிக்கும் மாதிரி; இப்போது படிவங்களிலிருந்து புலங்களைப் பிரித்தெடுக்கிறது, பல பக்க அட்டவணைகளைப் பகுக்கிறது, இந்திய மொழிக் கையெழுத்தைப் படிக்கிறது. olmOCR-Bench இல் 87.3, தனது சொந்த இந்திய மொழிச் சோதனையில் 87.39 என்று சர்வம் தெரிவிக்கிறது; இதுவரையிலான ஒவ்வொரு மதிப்பெண்ணும் சர்வத்துடையதே.
2026 செப்டம்பர் 24 அன்று பெங்களூருவைச் சேர்ந்த AI நிறுவனமான சர்வம், சர்வம் விஷன் 2.1ஐ வெளியிட்டது. இது ஆங்கிலத்திலும் அட்டவணையில் உள்ள 22 இந்திய மொழிகளிலும் ஸ்கேன் செய்யப்பட்ட, புகைப்படம் எடுக்கப்பட்ட ஆவணங்களைப் படிக்கும் மாதிரி. மூன்று திறன்கள் புதியவை: படிவங்களிலிருந்து பெயரிடப்பட்ட புலங்களை எடுப்பது, பல பக்கங்களில் நீளும் அட்டவணைகளைப் பகுப்பது, இந்திய மொழிகளில் கையெழுத்தைப் படிப்பது. பொதுவில் கிடைக்கும் ஆங்கிலச் சோதனையான olmOCR-Bench இல் 87.3, தானே உருவாக்கிய புதிய இந்திய மொழிச் சோதனையில் 87.39 என்று சர்வம் தெரிவிக்கிறது. இந்தக் கட்டுரையில் உள்ள ஒவ்வொரு மதிப்பெண்ணும் சர்வத்திடமிருந்து வந்தது; 2026 நவம்பர் 12 வரை சுயாதீனமாக மீண்டும் நடத்தப்பட்ட சோதனை எதுவும் கிடைக்கவில்லை.
இந்தப் பணிக்குப் பெயர் ஒளியியல் எழுத்துணர்வு (optical character recognition), பொதுவாக OCR என்று சுருக்கப்படும்: எழுத்தின் படத்தைக் கணினி தேடவும் நகலெடுக்கவும் சரிபார்க்கவும் கூடிய உரையாக மாற்றுவது. இந்தியாவின் அறிவில் பெரும்பகுதி அச்சிட்ட ஆவணங்களிலும் ஸ்கேன் செய்த காப்பகங்களிலும் வரலாற்றுத் தொகுப்புகளிலும் இருப்பதாக சர்வத்தின் 2026 பிப்ரவரி அறிமுகப் பதிவு கூறுகிறது.
விஷன் 2.1 எதைச் சேர்க்கிறது
சர்வத்தின் பதிவு மூன்று புதிய திறன்களைக் குறிப்பிடுகிறது: படிவங்களிலிருந்து திறவுகோல்-மதிப்பு பிரித்தெடுப்பு (லேபிளும் அதன் அருகில் எழுதப்பட்ட உள்ளீடும், எடுத்துக்காட்டாக “பெயர்” என்பதும் அங்கு எழுதப்பட்டதும்), பல பக்க அட்டவணைகள் உள்ளிட்ட சிக்கலான அட்டவணைகளிலிருந்து கட்டமைக்கப்பட்ட பிரித்தெடுப்பு, இந்திய எழுத்துகளின் கையெழுத்து அறிதல். முதல் பதிப்பின் குறைபாடுகள், முக்கியமாக மாயத்தோற்றங்கள் (hallucinations; பக்கத்தில் இல்லாத உரையை மாதிரி எழுதுவது) மற்றும் சீரற்ற வெளியீடு ஆகியவற்றிலும் பணியாற்றப்பட்டது என்று பதிவு கூறுகிறது.
இந்த மாதிரி ஒரு பக்கத்தை ஒரே முறையில் படிப்பதில்லை. சர்வம் “harness-with-VLM” என்ற வடிவமைப்பை விவரிக்கிறது: உரைத் தொகுதிகள், அட்டவணைகள், படங்கள் எங்கே இருக்கின்றன என்பதை முதலில் ஒரு தளவமைப்புப் பகுப்பி கண்டறிகிறது, படிக்கும் வரிசையை ஒரு வரிசை வலையமைப்பு தீர்மானிக்கிறது, படத்தை எடுத்து உரையை எழுதும் மாதிரியான பார்வை-மொழி மாதிரி (VLM) ஒவ்வொரு துண்டையும் படிக்கிறது. பதிவின்படி, VLM முழுப் பக்கத்தையும் நேரடியாகவும் கையாள முடியும், ஆனால் சுற்றிலும் இந்த harness இருக்கும்போது துல்லியம் சிறப்பாக இருக்கிறது.
புதிய திறன்களுக்காக, கையால் எழுதப்பட்ட, அச்சிடப்பட்ட படிவங்களைக் கொண்ட பயிற்சித் தொகுப்புகளை சர்வம் உருவாக்கியது; சில செயற்கையானவை, சில இணையத்தில் கிடைத்த படிவங்களைக் கணினி மூலம் நிரப்பியவை. கையெழுத்துக்காக, கையெழுத்து உள்ள காணொளிகளையும் பிற மூலங்களையும் பயன்படுத்தியது. பயிற்சி மேற்பார்வையுடன் கூடிய நுட்பச் சீரமைப்பில் தொடங்கி, சரிபார்க்கக்கூடிய பரிசுகளுடன் கூடிய வலுவூட்டல் கற்றலில் முடிந்தது; அதாவது தானாகவே சரிபார்க்கக்கூடிய பரிசுகள். ஏஞ்சல் ஒன்னின் 2026 செப்டம்பர் 25 செய்தி, வெளியீட்டிலிருந்து இதே புள்ளிகளை மீண்டும் கூறுகிறது.
செலவு குறித்து, தனது அனுமான அடுக்கில் (பயனர்களுக்காக மாதிரியை இயக்கும் மென்பொருள்) செய்த மாற்றங்களால் பிப்ரவரியில் அறிவித்த விலையைவிடக் குறைவான விலையில் விஷன் 2.1ஐ வழங்க முடிகிறது என்றும், API இப்போது உற்பத்திப் பணிச்சுமைகளுக்கு ஏற்ப மெருகேற்றப்பட்டுள்ளது என்றும் சர்வம் கூறுகிறது. குறைப்பின் அளவு தரப்படவில்லை. 2026 நவம்பர் 12 அன்று திறந்து பார்த்த சர்வத்தின் விலைப் பக்கம், ஆவணம் எண்மமாக்கல் API ஐ பக்கத்துக்கு 0.50 ரூபாய், ஆவணப் பிரித்தெடுப்பு API ஐ பக்கத்துக்கு 1.00 ரூபாய் என்று, GST தவிர்த்துப் பட்டியலிடுகிறது. அந்த விலைகள் எந்த மாதிரிப் பதிப்புக்கானவை என்பதை அந்தப் பக்கம் சொல்லவில்லை.
மாதிரியின் அளவை பதிவு குறிப்பிடவில்லை. பிப்ரவரி அறிமுகப் பதிவு சர்வம் விஷனை 3 பில்லியன் அளவுருக்கள் கொண்ட நிலை-வெளி பார்வை-மொழி மாதிரி என்று விவரித்தது (அளவுருக்கள் என்பவை மாதிரிக்குள் உள்ள சரிசெய்யக்கூடிய எண்கள், அதன் அளவின் தோராயமான அளவீடு), மாதிரிக்கான சர்வத்தின் ஆவணப் பக்கமும் இன்னும் 3 பில்லியன் என்றே கூறுகிறது. 2.1 அதே அளவை வைத்திருக்கிறதா என்பது சொல்லப்படவில்லை.
இந்திய எழுத்துகளைப் படிப்பது ஏன் கடினம்
இந்திய எழுத்துகளில் பெரும்பாலானவை பிராமியிலிருந்து வந்தவை; அவை பெரிய எண்ணிக்கையிலான கட்டமைப்புப் பண்புகளைப் பகிர்கின்றன என்று அவற்றைப் பற்றிய யுனிகோடு தரநிலையின் அத்தியாயம் கூறுகிறது. ஒவ்வொரு மெய்யெழுத்துக்கும் உள்ளார்ந்த உயிர் உண்டு, பொதுவாக குறுகிய “அ”; அதனால் “க்” என்பதற்கான எழுத்து “க” என்று படிக்கப்படுகிறது. வேறொரு உயிர், சார்பு உயிர்க்குறியால் (மாத்திரை) எழுதப்படுகிறது; அது மெய்யெழுத்தின் மேலோ கீழோ இடப்பக்கமோ வலப்பக்கமோ அமையலாம், சில எழுத்துகளில் அதைச் சுற்றி வரும் இரு பகுதிகளால் ஆனது.
விராமம் எனப்படும் குறி உள்ளார்ந்த உயிரை நீக்குகிறது; அவ்வாறு உயிர் நீக்கப்பட்ட மெய்யெழுத்துகள் அடுத்தவற்றுடன் இணைந்து கூட்டெழுத்தாகின்றன. யுனிகோடே தரும் எடுத்துக்காட்டு தேவநாகரி தொகுப்பான K.SSA; அது முழுமையாக இணைக்கப்பட்டது (fully ligated) என்கிறது, அதாவது கூறுகள் இனி தனித்த வடிவங்கள் அல்ல. நன்கு உருவாக்கிய இந்திய எழுத்துருவில் நூற்றுக்கணக்கான கூட்டெழுத்து வடிவங்கள் இருக்கலாம். சில குறிகள், எழுத்துகள் சேமிக்கப்படும் வரிசைக்கும் (இது பேசும் வரிசை) காட்டப்படும் வரிசைக்கும் இடையிலான ஒழுங்கை மாற்றுகின்றன என்றும் யுனிகோடு குறிப்பிடுகிறது; எனவே பிக்சல்களைப் படிக்கும் நிரல் அந்த வரிசையை மீட்டெடுக்க வேண்டும்.
கையெழுத்து இதற்கு மேல் வேறுபாட்டைச் சேர்க்கிறது. கையால் எழுதிய மராத்தி நீதிமன்ற ஆவணங்கள் குறித்த 2025 டிசம்பர் arXiv ஆய்வுக் கட்டுரை, மராத்தி போன்ற மொழிகளுக்குக் கையெழுத்து அறிதல் கடினம் என்கிறது; ஏனெனில் எண்மமாக்கிய பெரிய தொகுப்புகள் குறைவு, கையெழுத்து நடைகள் பரவலாக வேறுபடுகின்றன. அச்சிட்ட காப்பகங்களுக்கும் சொந்தச் சிக்கல் உண்டு: சர்வத்தின் இந்திய மொழிச் சோதனை 1800 முதல் இன்று வரையிலான பக்கங்களிலிருந்து எடுக்கிறது, தரவுத்தொகுப்புப் பார்வையாளரில் உள்ள ஒரு மாதிரி, அரபு இலக்கங்கள் கலந்த வங்காள பாடநூல் வாக்கியங்களைக் காட்டுகிறது.
மூன்று சோதனைகள், மூன்று வெவ்வேறு கேள்விகள்
olmOCR-Bench, PDFகளை உரையாக மாற்றும் மாதிரியுடன் வெளியான olmOCR ஆய்வுக் கட்டுரையிலிருந்து (2025 பிப்ரவரி) வருகிறது. Ai2 வழங்கும் Hugging Face தரவுத்தொகுப்பு அட்டை 1,403 PDFகளையும் 7,010 தேர்ச்சி-தோல்வி சோதனைகளையும் பட்டியலிடுகிறது: இந்த வாக்கியம் இருக்கிறதா, அந்தப் பக்க எண் இல்லையா, தலைப்பு பத்திக்கு முன்பு வருகிறதா, அட்டவணைக் கலத்தில் சரியான மதிப்பு உள்ளதா, சூத்திரம் சரியா. அதன் பக்கங்கள் ஆங்கிலத்தில் உள்ளன; arXiv கணிதம், பழைய ஸ்கேன்கள், சிறிய அச்சு, பல நெடுவரிசைப் பக்கங்கள், அட்டவணைகள் அவற்றில் அடங்கும். இந்த அளவுகோல் அதிகாரபூர்வமாக ஆங்கிலம் மட்டுமே, ஆனால் சீனம் மற்றும் பிற மொழிகளில் சில மாதிரிகள் உள்ளன என்று சர்வம் கூறுகிறது. பிப்ரவரியில் வடிகட்டிய ஆங்கிலம் மட்டுமேயான தொகுப்பில் அறிக்கை அளித்தது (அறிமுகப் பதிவு 1,403 மாதிரிகளில் 1,258ஐ மேற்கோள் காட்டுகிறது). 2.1க்கு, பிற தயாரிப்பாளர்களின் மாதிரிகளுடன் சமநிலைக்காக முழு அதிகாரபூர்வத் தொகுப்பில் அறிக்கை அளிக்கிறது.
OmniDocBench, CVPR 2025இல் ஏற்கப்பட்ட 2024 டிசம்பர் ஆய்வுக் கட்டுரையிலிருந்து வருகிறது. இந்தச் சோதனை கல்விக் கட்டுரைகள், பாடநூல்கள், கையால் எழுதிய குறிப்புகள், அடர்ந்த செய்தித்தாள்கள் உள்ளிட்ட ஒன்பது வகை ஆவண மூலங்களை உள்ளடக்கி, ஒரு பகுப்பியை 19 தளவமைப்பு வகைகளிலும் 15 பண்புகளிலும் மதிப்பிடுகிறது. சர்வம் பதிப்பு 1.6இல் அறிக்கை அளிக்கிறது; இதை உரைப் பிழைகள், அட்டவணைக் கட்டமைப்பு, சூத்திர அறிதல் ஆகியவற்றின் ஒருங்கிணைந்த அளவீடு என்று விவரிக்கிறது, ஆகவே ஒரு பக்கத்தின் கட்டமைப்பு எவ்வளவு உண்மையாக எஞ்சுகிறது என்பதை இது சோதிக்கிறது.
சர்வம் இந்திய மொழி OCR பெஞ்ச் சர்வத்தின் சொந்தம். மொழி வல்லுநர்கள் இருமுறை மதிப்பாய்வு செய்த, பக்கங்களிலிருந்து வெட்டப்பட்ட உரைத் தொகுதிகளின் 6,909 மாதிரிகள் அதில் உள்ளன என்று Hugging Face அட்டை கூறுகிறது. சர்வத்தின் பதிவு 22 மொழிகளில் 6,609 மாதிரிகளையும் ஆங்கிலத்தில் 300ஐயும் கணக்கிடுகிறது; அவை செய்தித்தாள்கள், துண்டுப்பிரசுரங்கள், பாடநூல்கள், வரலாற்று எழுத்துகளிலிருந்து எடுக்கப்பட்டவை. மொழித் துல்லியம் மட்டுமே அளக்கப்படுகிறது; அது சொல் துல்லியமாக மதிப்பிடப்படுகிறது, அதாவது 100 மடங்கு (1 கழித்தல் சொல் பிழை விகிதம்). தரவுத்தொகுப்பு Apache 2.0 உரிமத்தில் பொதுவில் உள்ளது, பைத்தானின் நிலையான நூலகத்தை மட்டும் பயன்படுத்தும் மதிப்பிடும் நிரல் சேர்க்கப்பட்டுள்ளது என்று அட்டை கூறுகிறது.
மதிப்பெண்கள் எதைக் காட்டுகின்றன
olmOCR-Bench இல், சர்வத்தின் அட்டவணை விஷன் 2.1க்கு ஒட்டுமொத்தமாக 87.3 தருகிறது; இது Infinity-Parser2 Pro இன் 86.1ஐயும் Opus 5 இன் 85.1ஐயும் விட முன்னால் உள்ளது. விஷன் 2.1 எல்லா நெடுவரிசைகளிலும் முதலிடத்தில் இல்லை: பழைய ஸ்கேன்களில் Infinity-Parser2 Pro அதிகம் பெறுகிறது (58.0க்கு எதிராக 55.3), பல நெடுவரிசைப் பக்கங்களில் Opus 5 அதிகம் பெறுகிறது (85.8க்கு எதிராக 82.1).
OmniDocBench v1.6 இல், விஷன் 2.1 ஒட்டுமொத்தமாக 94.97 பெறுகிறது. சர்வத்தின் அட்டவணையில் PaddleOCR-VL 1.6 96.01உடன் முன்னால் உள்ளது, GLM-OCR 94.71உடன் பின்னால் உள்ளது. அட்டவணையில் மிகக் குறைந்த உரைப் பிழையும் (0.0289) மிக உயர்ந்த சூத்திர மதிப்பெண்ணும் (0.988) விஷன் 2.1க்கு உள்ளன; அட்டவணைக் கட்டமைப்பில் TEDS அட்டவணை அளவீட்டில் PaddleOCR-VL ஐவிடப் பின்தங்குகிறது (0.890, 0.931க்கு எதிராக).
தனது இந்திய மொழிச் சோதனையில் சர்வம் ஒட்டுமொத்தமாக 87.39 தெரிவிக்கிறது; பொதானின் Indic-OCR க்கு 84.94, Gemini 3.6 Flash க்கு 79.35, Google Cloud Vision க்கு 71.76. மொழி வாரியாக, கொங்கணி (97.41), நேபாளி (97.00), மைதிலி (96.70) அதிகம் பெறுகின்றன; மராத்தி 95.06, இந்தி 93.52, வங்காளம் 93.47. காஷ்மீரி (54.82), சந்தாலி (53.91) குறைவாகப் பெறுகின்றன. சந்தாலியில், அதே அட்டவணையில் பொதானின் Indic-OCR 68.30 பெறுகிறது; ஒடியாவில் Gemini 3.6 Flash முன்னிலை வகிக்கிறது, 81.01, 80.01க்கு எதிராக. இந்தச் சோதனைக்கு அச்சிட்ட மூலங்களையே பதிவு பட்டியலிடுகிறது, தனியான கையெழுத்து மதிப்பெண் இல்லை; ஆகவே கையெழுத்துத் திறன் அங்கு விளக்கக் காணொளிகளில் மட்டுமே தோன்றுகிறது.
இன்னும் காட்டப்பட வேண்டியது
இரண்டு ஆங்கில அளவுகோல்களும் ஏறத்தாழ நிறைவுற்றுவிட்டன எனலாம் என்றும், ஓர் அளவுகோல் முடிவு நடைமுறைப் பயனை எவ்வளவு முன்கூட்டிக் காட்டுகிறது என்பது திறந்த கேள்வி என்றும் சர்வமே கூறுகிறது. உண்மையான பணிப்பாய்வுகளிலும் உள் சோதனைகள் நடத்தப்பட்டன என்றும், அவற்றின் முடிவுகள் வெளியிடப்படவில்லை என்றும் பதிவு கூறுகிறது.
இன்று ஒரு சரிபார்ப்பைச் செய்யலாம். 2026 நவம்பர் 12 அன்று திறந்து பார்த்த Ai2இன் olmOCR-bench பக்கத்தில் உள்ள தரவரிசைப் பட்டியல், Infinity-Parser2 Pro ஐ 87.6ஆகவும் மற்றொரு மாதிரியை 87.84ஆகவும் பட்டியலிடுகிறது; இரண்டும் சர்வத்தின் 87.3ஐ விட அதிகம். ஆனால் சர்வத்தின் சொந்த அட்டவணை Infinity-Parser2 Pro ஐ 86.1 என்று காட்டுகிறது. ஒரு நிறுவனத்தின் ஒப்பீட்டு அட்டவணையும் பொதுத் தரவரிசைப் பட்டியலும் ஒரே மாதிரிக்கு வெவ்வேறு எண்களைத் தரக்கூடும்.
இந்திய மொழிச் சோதனை 22 மொழிகளைச் சுற்றி உருவாக்கப்பட்டது, பிறர் இயக்கிப் பார்க்கவும் திறந்துள்ளது. சர்வம் செயல்படும் பரந்த திட்டம் IndiaAI திட்டம் பற்றிய எங்கள் வழிகாட்டியிலும், மொழிப் பட்டியல் எட்டாவது அட்டவணை பற்றிய எங்கள் விளக்கத்திலும், அரசின் மொழிபெயர்ப்புத் தளம் பாஷினி மற்றும் AI4Bharat பற்றிய எங்கள் கட்டுரையிலும் விளக்கப்பட்டுள்ளன. பைத்தானின் நிலையான நூலகத்தை மட்டும் தேவைப்படும் மதிப்பிடும் நிரல் தரவுடன் வருகிறது என்று தரவுத்தொகுப்பு அட்டை கூறுகிறது; எனவே சர்வம் அல்லாத ஓர் ஆய்வகமும் தனது சொந்த முடிவை வெளியிடலாம்.
ஆதாரங்களும் மேலும் வாசிக்கவும்
- 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)
இந்தக் கட்டுரை AI கருவிகளின் உதவியுடன் ஆராயப்பட்டு எழுதப்பட்டு, துல்லியத்திற்காகத் திருத்தப்பட்டது. இது பொதுத் தகவலுக்கும் விவாதத்திற்கும் மட்டுமே, தொழில்முறை ஆலோசனை அல்ல. எங்கள் ஆசிரியர் தரநிலைகள் மற்றும் பொறுப்புத் துறப்பு ஐப் பார்க்கவும். பிழை கண்டீர்களா? எங்களிடம் சொல்லுங்கள்.
பிடித்ததா? அடுத்ததைப் பெறுங்கள்.
ஒரு நேரத்தில் ஒரு நல்ல கட்டுரை, நேரடியாக உங்கள் இன்பாக்ஸுக்கு. ஸ்பேம் இல்லை, எப்போது வேண்டுமானாலும் நிறுத்தலாம்.