బెంగళూరుకు చెందిన స్టార్టప్ Sarvam AI, సర్వం విజన్ మరియు బుల్‌బుల్ V3 మోడల్స్‌తో గ్లోబల్ AI కమ్యూనిటీలో ప్రకంపనలు సృష్టిస్తోంది. ముఖ్యంగా ఆప్టికల్ క్యారెక్టర్ రికగ్నిషన్ (OCR – చిత్రాలలోని అక్షరాలను గుర్తించడం) విభాగంలో గూగుల్ జెమిని 3 ప్రో మరియు డీప్‌సీక్ (DeepSeek) వంటి అంతర్జాతీయ మోడల్స్ కంటే మెరుగైన ఫలితాలను సాధించింది.
కీలక గణాంకాలు: సంస్థ సహ వ్యవస్థాపకుడు ప్రత్యుష్ కుమార్ తెలిపిన వివరాల ప్రకారం:
- సర్వం విజన్: olmOCR-Bench పరీక్షలో 84.3% ఖచ్చితత్వాన్ని సాధించి జెమినిని వెనక్కి నెట్టింది. అలాగే OmniDocBench v1.5 పరీక్షలో 93.28% ఖచ్చితత్వాన్ని నమోదు చేసింది.
- బుల్‌బుల్ V3: ఇది ఒక టెక్స్ట్-టు-స్పీచ్ (Text-to-Speech) మోడల్. ఇది భారతదేశంలోని అధికారిక 22 భాషలలో 35 రకాల గొంతులను (Voices) సపోర్ట్ చేస్తుంది. భారతీయ భాషల విషయంలో సర్వం విజన్ అత్యుత్తమ మోడల్ అని ప్రత్యుష్ కుమార్ పేర్కొన్నారు.
సాంకేతిక సామర్థ్యం: సర్వం విజన్ అనేది 3 బిలియన్ పారామీటర్లు కలిగిన విజన్-లాంగ్వేజ్ మోడల్. ఇది కింది పనులను సులువుగా చేయగలదు:
- చిత్రాలకు క్యాప్షన్లు ఇవ్వడం (Image Captioning).
- చిత్రాలలోని వచనాన్ని గుర్తించడం (Scene Text Recognition).
- చార్ట్‌లను విశ్లేషించడం (Chart Interpretation).
- క్లిష్టమైన టేబుల్‌లను చదవడం (Complex Table Parsing).
భారతదేశ ‘సార్వభౌమ’ (Sovereign) AI: AI సాంకేతికతను భారతదేశంలోని ప్రతి ఒక్కరికీ అందుబాటులోకి తీసుకురావడమే లక్ష్యమని కంపెనీ వెబ్‌సైట్ పేర్కొంది. భారతదేశం తన సొంత అవసరాలకు అనుగుణంగా, నియంత్రణతో కూడిన సాంకేతికతను అభివృద్ధి చేసుకోవాలని ‘సర్వం AI’ భావిస్తోంది. ప్రముఖ టెక్ విశ్లేషకుడు డీడీ దాస్ కూడా సర్వం AI సాధించిన విజయాలను అభినందిస్తూ, భారతీయ భాషల కోసం ఇంతటి శక్తివంతమైన OCR మరియు స్పీచ్ మోడల్స్ రూపొందించడం అద్భుతమని కొనియాడారు.