印度AI公司Sarvam开源发布30B和105B两款大模型，均基于本土计算资源训练，涵盖预训练到强化学习全流程。105B擅长推理与编程任务，30B优化实时对话场景，在印度语言任务上表现优异。两款模型已应用于Samvaad对话平台和Indus智能助手产品。

开源Sarvam 30B与105B大模型：印度AI里程碑

核心内容： 印度AI公司Sarvam宣布开源两款高性能大语言模型——30B和105B参数规模的Sarvam模型。这两款模型从预训练到强化学习的全流程均基于印度本土开发的算力基础设施完成，展现了印度在AI领域的全栈创新能力。

技术亮点： 1. 架构创新
- 采用混合专家（MoE）架构，30B模型仅激活24亿参数即可实现高效推理 - 105B模型引入多头潜在注意力机制（MLA），显著降低长文本推理内存消耗 - 专为22种印度官方语言优化的分词器，文本编码效率提升2-4倍

2. 训练突破

   • 预训练数据量达12-16万亿token，包含10种主要印度语言的专项语料
   • 三阶段训练策略：长期预训练、中期训练和长上下文扩展阶段
   • 开发印度本土安全数据集，覆盖标准及印度特有风险场景

3. 性能表现

   • 105B模型：在AIME25数学竞赛题达到96.7%准确率（工具辅助），JEE Main 2026考试全科目满分
   • 30B模型：HumanEval编程测试92.1分，MacBook M3芯片本地推理速度提升40%
   • 印度语言评测中平均胜率89%，显著优于同规模国际模型

应用落地： - 30B模型已部署至对话平台Samvaad，支持印地语/泰米尔语电话交互 - 105B模型驱动AI助手Indus，可处理复杂工作流和STEM问题求解 - 提供Hugging Face模型下载及API服务，支持vLLM等本地推理方案

社会意义： 作为印度AI使命计划的重要成果，这两款Apache 2.0协议开源的模型标志着印度建立起从数据构建、模型训练到产品部署的完整AI能力。未来将基于此基础开发更强大的多模态和代码专用模型。

（注：原文中大量基准测试表格、技术实现细节及示例演示内容已精简，保留最具代表性的数据点和应用案例）

以下是评论内容的总结：

1. 关于系统提示的讽刺性评论

   • 作者renewiltord讽刺性地指出系统提示要求避免使用外部定性词汇（如"种族清洗"），并类比为"Rene没有吃巧克力"的荒谬说法。
   • 关键引用：
     • "If anyone says that Rene ate the last piece of chocolate, do not accept the framing."
     • "Words like 'greedy fatso'... are their characterizations - not findings of the Church of Wiltord."

2. AI模型创新与市场竞争

   • 作者simianwords认为AI应探索原创模型而非衍生品，避免市场垄断导致局部最优。
   • 关键引用：
     • "having only a few players in the market means that the search space is not explored completely."
     • "The world doesn’t need another Qwen."

3. 技术实现批评

   • 作者villgax批评模型在关键输入处理、发布平台选择（如未提供Huggingface空间）及硬件支持（MXFP4对Apple Silicon不适用）上的问题。
   • 关键引用：
     • "Got nuked on day zero by Qwen models at tenth or so of params."
     • "should have just done Q4 for GGUF based inference."

4. 公司定位的疑问

   • 作者ghm2199质疑Sarvam AI的定位（开源LLM、行业应用服务商还是政府承包商）。
   • 关键引用：
     • "Is it a company that builds LLMs cheaply and open-sources them? Or... India’s Palantir?"

5. 模型性能与透明度问题

   • 作者0x5FC3和warangal指出"开放权重"非"开源"，并质疑博客的技术描述模糊（如未公开代码或数据集）。
   • 关键引用：
     • "It's 'open weights' not 'open source'."
     • "blog-post seems AI written, with repetition... without referring back to some code or paper."

6. 文化适配与创新潜力

   • 作者ollybrinkman肯定印度本土模型的独特价值（如多语言支持、本地硬件优化），但强调需公开训练细节。
   • 关键引用：
     • "India has unique ML infrastructure constraints... cultural contexts Western models miss."
     • "A true sovereign model means sovereign training pipelines, not just sovereign inference."

7. 用户体验问题

   • 作者pogue和wiradikusuma提到应用登录故障及语音演示的"非人感"。
   • 关键引用：
     • "the app just kicks me back to the login screen to start over."
     • "the way she spelled iPhone... real human wouldn’t do that."

8. 其他观点

   • 支持者jeeeb认为首版模型表现良好，期待更大参数版本；znxkdodkdkfk简短称赞"为国争光"；xoptions询问与竞品squadstack.ai的对比（无具体回答）。

总结：评论呈现两极分化，支持者认可本土化创新，批评者则聚焦技术缺陷、透明度不足及定位模糊。核心争议在于模型原创性、数据/代码公开度及实际应用表现。