插图:tuput
中文
2026年9月24日,Sarvam发布了Vision 2.1,这是一个读取文档的模型,支持英语和全部22种附表印度语言,现在能从表单中提取字段、解析跨页表格、识别印度文字的手写体。Sarvam报告它在olmOCR-Bench上得87.3分,在自建的印度语言测试上得87.39分,到目前为止每一个得分都是Sarvam自己的。
2026年9月24日,班加罗尔的人工智能公司Sarvam发布了Sarvam Vision 2.1,这个模型能读取英语和全部22种附表印度语言的扫描和拍摄文档。三项能力是新增的:从表单中提取有名称的字段,解析跨越多页的表格,识别印度语言的手写体。Sarvam报告它在公开的英语测试olmOCR-Bench上得87.3分,在自己新建的印度语言测试上得87.39分。本文的每一个得分都来自Sarvam,截至2026年11月12日,还没有看到独立的重新测试。
这项任务是光学字符识别,通常简称OCR:把文字的图像变成计算机可以搜索、复制和核对的文字。Sarvam 2026年2月的发布文章说,印度的大量知识存放在实体文档、扫描档案和历史馆藏里。
Vision 2.1新增了什么
Sarvam的文章点出三项新能力:从表单中提取键值对(标签和旁边的填写内容,例如“姓名”和写在那里的名字),从复杂表格(包括跨页表格)中提取结构化信息,以及识别印度文字的手写体。文章说,第一版的弱点,主要是幻觉(模型写出页面上并没有的文字)和输出不一致,也做了改进。
这个模型不是一遍就读完一页。Sarvam描述了一种“套件加VLM”的设计:先由版面解析器弄清文字块、表格和图形在哪里,再由一个阅读顺序网络决定先后次序,最后由视觉语言模型(VLM,即输入图像、输出文字的模型)读每一块。据文章说,VLM可以直接处理整页,但有这套外围套件,准确率更好。
为了这些新能力,Sarvam建了手写和印刷表单的训练集,一部分是合成的,一部分取自网上找到的表单,再由计算机填写。对于手写体,它使用了含有手写文字的视频和其他来源。训练以监督微调结束,随后是带可验证奖励的强化学习,也就是可以自动检查的奖励。Angel One 2026年9月25日的报道重复了发布中的这些要点。
在成本上,Sarvam说,对推理栈(为用户运行模型的软件)的改动,使它能以低于2月公布的价格提供Vision 2.1,而且API现在已针对生产负载做了调整。降了多少,没有给出数字。Sarvam的价格页面于2026年11月12日打开时,文档数字化API为每页0.50卢比,文档提取API为每页1.00卢比,均不含GST。该页面没有说明这些价格对应哪个模型版本。
文章没有写出模型的规模。2月的发布文章把Sarvam Vision描述为一个30亿参数的状态空间视觉语言模型(参数是模型内部可调的数字,大致衡量它的规模),Sarvam关于该模型的文档页面仍然写着30亿。2.1是否保持这一规模,没有说明。
印度文字为什么更难读
印度的大多数文字源自婆罗米文,Unicode标准中讲这些文字的章节说,它们有大量共同的结构特征。每个辅音字母都带有一个固有元音,通常是短音“a”,所以表示“k”的字母读作“ka”。其他元音用一个依附的元音符号,即matra来书写,它可以位于辅音的上方、下方、左侧或右侧,在有些文字里还由两个部分构成,包在辅音周围。
一个叫作virama的符号会取消固有元音,这样被去掉元音的辅音会与后一个辅音融合成合体字。Unicode自己举的例子是天城体的K.SSA字丛,它称之为完全连写,意思是各个组成部分已不再是分开的形状。一款做得好的印度文字字体可以容纳几百个合体字形。Unicode还指出,有几个符号会使字符的显示顺序不同于存储顺序,存储顺序就是口语的顺序,所以按像素读取的程序必须把这一顺序恢复过来。
手写体在此之上又增加了变化。2025年12月一篇关于手写马拉地语法庭文件的arXiv论文说,对马拉地语这样的语言,手写识别很难,因为大型数字化馆藏稀少,手写风格又千差万别。印刷的档案也有自己的麻烦:Sarvam的印度语言测试取材于1800年至今的页面,数据集查看器里的一个样本显示,孟加拉语课本的句子中夹杂着阿拉伯数字。
三项测试,三个不同的问题
olmOCR-Bench出自olmOCR论文(2025年2月),论文同时发布了一个把PDF转成文字的模型。它在Hugging Face上的数据集卡片由Ai2托管,列出1,403份PDF和7,010项通过或不通过的检查:这句话是否出现,那个页码是否不在,标题是否在段落之前,表格单元格里的数值是否正确,公式是否正确。它的页面是英语的,包括arXiv数学论文、旧扫描件、小字号印刷、多栏页面和表格。Sarvam说,这个基准在官方设定上只含英语,但有少量中文和其他语言的样本。2月时它报告的是过滤后的纯英语子集(发布文章引用的是1,403个样本中的1,258个)。2.1则报告完整的官方测试集,以便与其他厂商的模型对等。
OmniDocBench出自2024年12月的一篇论文,已被CVPR 2025接收。这项测试涵盖九类文档来源,包括学术论文、教科书、手写笔记和排得很密的报纸,按19个版面类别和15种属性给解析器打分。Sarvam报告的是1.6版,它描述这个版本是对文字错误、表格结构和公式识别的综合衡量,因此测的是一页的结构被忠实保留了多少。
Sarvam Indic OCR Bench是Sarvam自己的。Hugging Face卡片说它含有6,909个样本,是从页面上裁切下来的文字块,经人类语言专家两次审核。Sarvam的文章则数出22种语言共6,609个样本,英语300个,取自报纸、宣传册、教科书和历史文献。只测语言准确率,以词准确率计分,即100乘以1减去词错误率。数据集以Apache 2.0许可证公开,卡片说其中附带一个只用Python标准库的评分器。
得分显示了什么
在olmOCR-Bench上,Sarvam的表格给Vision 2.1的总分是87.3,领先于Infinity-Parser2 Pro的86.1和Opus 5的85.1。Vision 2.1并非每一栏都第一:在旧扫描件上Infinity-Parser2 Pro得分更高(58.0对55.3),在多栏页面上Opus 5更高(85.8对82.1)。
在OmniDocBench v1.6上,Vision 2.1总分94.97。在Sarvam的表格中,PaddleOCR-VL 1.6以96.01领先,GLM-OCR以94.71落后。Vision 2.1在表格里的文字错误最低(0.0289),公式得分最高(0.988),在表格结构上落后于PaddleOCR-VL(以TEDS表格指标计,0.890对0.931)。
在自己的印度语言基准上,Sarvam报告总分为87.39,对比Bodhan Indic-OCR的84.94、Gemini 3.6 Flash的79.35和Google Cloud Vision的71.76。分语言看,孔卡尼语(97.41)、尼泊尔语(97.00)和迈蒂利语(96.70)得分最高,马拉地语为95.06,印地语和孟加拉语分别为93.52和93.47。克什米尔语(54.82)和桑塔利语(53.91)得分最低。在桑塔利语上,同一张表里Bodhan Indic-OCR得68.30,Gemini 3.6 Flash在奥里亚语上领先,81.01对80.01。文章为这项测试列出的是印刷体来源,没有单独的手写体得分,所以手写体能力在这里只出现在演示片段中。
还有待证明的部分
Sarvam自己说,这两项英语基准可以说已经饱和,而基准结果在多大程度上能预示实际用处,仍是一个悬而未决的问题。文章说,也做过针对真实工作流程的内部测试,结果没有公布。
有一项核对今天就能做。2026年11月12日打开的Ai2 olmOCR-bench页面上,排行榜列出Infinity-Parser2 Pro为87.6,另一个模型为87.84,都高于Sarvam的87.3,而Sarvam自己的表格把Infinity-Parser2 Pro放在86.1。公司的对比表和公开排行榜,对同一个模型可能给出不同的数字。
印度语言基准是围绕这22种语言设计的测试,别人也可以运行。Sarvam所处的更大的计划,见我们对IndiaAI Mission的介绍,语言清单见我们关于第八附表的解读,政府的翻译平台见我们关于Bhashini和AI4Bharat的文章。数据集卡片说,数据附带一个只需Python标准库的评分器,所以Sarvam之外的实验室也可以发布自己的结果。
资料来源与延伸阅读
- 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)
本文在 AI 工具协助下研究与撰写,并经编辑核实。仅供一般参考与讨论,不构成专业建议。请参阅我们的编辑准则与免责声明。发现错误?告诉我们。
喜欢这篇吗?下一篇也别错过。
每次一篇好文章,直接送到你的邮箱。绝无垃圾邮件,随时可退订。