北京
做文档智能的人都有个共同体会：英文OCR早就卷到头了，但一碰到印度语言，模型就开始"自由发挥"。不是漏字，就是凭空补字，一张1950年代的老报纸扫进去，出来的是半真半假的幻觉文本。
Sarvam Vision 2.1 这次更新的核心，就是冲着这类问题去的。它没有把力气花在刷英文榜单上，而是补了三块此前明显缺位的拼图：复杂表格解析、表单里的键值提取，以及印度手写体识别。
从用户反馈倒推的三个方向
上一版 Sarvam Vision 在2026年2月随主权模型系列一起发布，定位是通用视觉语言模型，但重心压在印度语言的OCR、表格解析和多语言视觉推理上。发布之后，团队收到的反馈集中在两条线上：一是某些能力压根没有，二是实际用起来不够顺手。
顺手这件事，他们从推理栈下手做了优化。结果是模型的服务价格比发布时宣布的更便宜，API也针对生产负载做了调整。能力这条线上，补的正是文档智能里最费劲的活：多页表格的结构化抽取、表单的键值提取、印度手写体识别。同时，此前被诟病的幻觉和不一致问题也做了处理。
架构没换，数据换了
架构延续了上一版的"harness加VLM"范式，语义布局解析器和指针阅读顺序网络是两个主要组件。模型本身能在页面级或文档级直接工作，但精度上的取舍决定了还是得靠harness兜底。
真正的变化在数据。团队为键值提取和印度手写体专门造了大规模高质量数据集，合成数据和真实数据都有。比如他们批量生成了多种语言的手写和印刷合成表单，又从网上抓来真实表单再合成填写，把方差拉高。印度手写体这块，他们用了视频等来源，因为里面天然包含大量手写内容。这些新数据源加上对原有训练语料的打磨，支撑了新能力的训练，也压住了老毛病。
数据到位之后，做的是大规模后训练：先监督微调，再上RLVR。
两个老榜单，一个新标尺
上一版报告的是olmOCR-Bench和OmniDocBench两个基准。这次继续报，但团队自己也承认，这两个榜单某种程度上已经饱和了。继续用的理由，是它们代表了社区认可的标准，能说明模型能力处在什么位置。
olmOCR-Bench测的是文档级表现，用通过/不通过的检查方式，覆盖arXiv数学、老扫描件数学、表格、退化的旧扫描、多栏页面、长串小字等类型。它查的是事实在不在，而不是细微偏差。这个基准官方只支持英文，但里面混了中文等污染样本。上一版因为模型只训了印度语言和英文，报的是过滤后的纯英文集；这次为了和竞品对齐，报的是官方全集。
OmniDocBench v1.6是个复合指标，由文本编辑距离、表格结构的TEDS、公式识别的CDM三项连续相似度构成。样本包括报纸、教科书、杂志、财报等，重点衡量结构保真度。
真正的新东西是Sarvam Indic OCR Bench。全球性的英文基准已经把结构和技术层面测得很充分了——布局保真、表格、数学、扫描质量，这些都不缺。缺的是一个严格评估22种印度官方语言准确率的基准。这次他们把这个基准放出来了，共6909个样本，其中6609个覆盖22种印度语言，300个是英文。它只盯一件事：语言准确率，每个样本都是为了稳健衡量字符和词准确率而挑选的。
样本来源很杂，报纸、宣传册、教科书、历史文稿都有，时间跨度从1800年一直到今天。这么做是因为多数印度语言在语言和文字上都经历过巨大变迁，只取当代样本测不出真实水平。基准托管在他们的huggingface上。
文档智能本来就不是单目标问题
一个系统好不好，要看好几个轴，而这些轴之间未必相关：转录1950年代的扫描件不出幻觉是一个轴，正确还原表格结构是一个轴，准确转录泰米尔语又是一个轴。Sarvam Vision 2.1 想站上的，就是这条多目标构成的帕累托前沿。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
