官方的“底气”：国产算力 + 海量数据
Sarvam AI 官方在 2026 年 3 月 9 日的最新声明中强调：
训练来源： 使用了印度政府 IndiaAI Mission 提供的 4,096 颗 NVIDIA H100 算力集群，耗时数月。
语料规模： 声明其 105B 模型是在 12 万亿（12T） Token 上从头练出来的，其中包含了极其大量的 22 种印度本土语言数据。
架构选择： 采用 MoE（混合专家模型） 架构，总参数 105B，但每次推理仅激活约 10B 参数。
===========开源社区态度=====================
社区发现 Sarvam 105B 使用了 MLA（Multi-head Latent Attention） 机制。这正是 DeepSeek-V3 能够平衡长文本性能与推理成本的核心秘籍。开发者社区目前的共识是：Sarvam 在架构设计上确实“深度参考”了 DeepSeek。
-------- 一种技术，谁都可以用。
尽管它针对印度语做了优化，但部分开发者指出其对代码和通用英语的分词模式与 Qwen（通义千问） 的分词器重合度较高。这导致了“洗稿式训练”（Distillation）的嫌疑。
------- 这个嫌疑有问题，关键看重合比例。
Sarvam 105B 在处理印度语（如印地语、泰米尔语）时表现出了远超 Qwen 和 DeepSeek 的原生能力。这证明它确实投入了真实的国产数据进行大规模预训练或深度微调。
--------- 这个说明不是纯换皮，多少有点东西，但不能证明，纯自研。
Sarvam AI 官方在 2026 年 3 月 9 日的最新声明中强调：
训练来源： 使用了印度政府 IndiaAI Mission 提供的 4,096 颗 NVIDIA H100 算力集群，耗时数月。
语料规模： 声明其 105B 模型是在 12 万亿（12T） Token 上从头练出来的，其中包含了极其大量的 22 种印度本土语言数据。
架构选择： 采用 MoE（混合专家模型） 架构，总参数 105B，但每次推理仅激活约 10B 参数。
===========开源社区态度=====================
社区发现 Sarvam 105B 使用了 MLA（Multi-head Latent Attention） 机制。这正是 DeepSeek-V3 能够平衡长文本性能与推理成本的核心秘籍。开发者社区目前的共识是：Sarvam 在架构设计上确实“深度参考”了 DeepSeek。
-------- 一种技术，谁都可以用。
尽管它针对印度语做了优化，但部分开发者指出其对代码和通用英语的分词模式与 Qwen（通义千问） 的分词器重合度较高。这导致了“洗稿式训练”（Distillation）的嫌疑。
------- 这个嫌疑有问题，关键看重合比例。
Sarvam 105B 在处理印度语（如印地语、泰米尔语）时表现出了远超 Qwen 和 DeepSeek 的原生能力。这证明它确实投入了真实的国产数据进行大规模预训练或深度微调。
--------- 这个说明不是纯换皮，多少有点东西，但不能证明，纯自研。