Sarvam выпустила модель Vision 2.1 для чтения документов и рукописей

Индийский стартап Sarvam AI¹ выпустил Vision 2.1 — модель для распознавания документов, которая научилась вытаскивать данные из анкет и таблиц и читать рукописный текст на индийских языках.

Почему это важно: По наблюдению Sarvam, модели, которые лучше всех читают английские документы, обычно плохо справляются с индийскими языками. Vision 2.1, по замерам компании, первая и в английском тесте, и в индийском.

Предыстория: Первую Sarvam Vision компания выпустила в феврале 2026 года в линейке своих «суверенных» моделей. Это универсальная модель, которая понимает и картинки, и текст, но с упором на распознавание текста (OCR) на индийских языках и разбор таблиц. Пользователи просили новых возможностей и жаловались на неудобство в реальной работе.

Детали: Что изменилось в версии 2.1:

• Модель извлекает пары «поле — значение» из анкет и бланков, а также данные из сложных таблиц на несколько страниц.
• Появилось распознавание рукописного текста на индийских языках.
• Компания говорит, что сократила галлюцинации и противоречивые ответы — главные слабости первой версии.
• Запуск модели на серверах оптимизировали, и она стала стоить дешевле, чем Sarvam объявляла в феврале.

В цифрах: Все системы Sarvam проверяла сама и в одинаковых условиях:

• В olmOCR-Bench² у Vision 2.1 87,3 балла, у занявшей второе место Infinity-Parser2 Pro — 86,1.
• В индийском тесте Sarvam модель распознала текст с точностью 87,4%, у второй Bodhan Indic-OCR — 84,9%.
• GPT-6 Astra в том же индийском тесте набрала 63,7%, Claude Opus 5 — 68,8%.

Если шире: Свой индийский тест Sarvam выложила на Hugging Face, чтобы по нему сравнивали модели и другие разработчики. В нём 6 909 образцов на 22 официальных языках Индии и английском. Тексты взяты из газет, брошюр, учебников и исторических документов с 1800 года до наших дней: письменность многих языков за это время сильно менялась. Тест проверяет только одно — точно ли модель распознала символы и слова.

Интрига: Рукописные образцы для обучения Sarvam брала в том числе из видео. Анкеты компания генерировала сама, печатные и рукописные, а реальные бланки из интернета заполняла синтетически, чтобы данные были разнообразнее.

Но: Сама Sarvam признаёт, что olmOCR-Bench и OmniDocBench³, возможно, уже исчерпали себя, а высокий балл в тесте не обязательно означает пользу в реальной работе. Новую цену компания не назвала.

Модель доступна через два API: Digitize превращает многостраничные документы, таблицы и рукописи в структурированный текст, а Extract вытаскивает из них поля, таблицы и пары «поле — значение».