Sarvam publica Prism, un modelo de decisión de pesos abiertos basado en Sarvam 105B
El laboratorio indio Sarvam publicó el 3 de noviembre Prism, un modelo que no redacta sino que asigna una probabilidad a cada opción de una decisión. Pesos bajo licencia Apache 2.0 y API a 4 rupias por millón de tokens de entrada.
El laboratorio indio Sarvam publicó el 3 de noviembre de 2026 Prism, un modelo de una naturaleza particular: no redacta nada. Se le proporciona una situación (un tique de atención al cliente, una traza de agente, un mensaje entrante), una o varias preguntas y la lista de respuestas posibles, y devuelve una probabilidad para cada opción, en una única pasada de cómputo. Los pesos están disponibles en Hugging Face bajo licencia Apache 2.0, y el modelo también se ofrece a través de la API de Sarvam.
Un modelo que elige en lugar de escribir
Sarvam clasifica a Prism en la categoría de modelos de decisión «Sistema 1», en referencia al pensamiento rápido e intuitivo descrito por Daniel Kahneman. Según la publicación de la empresa, esta categoría fue inaugurada el mes pasado por Typeface con su modelo Jev. La idea coincide con la de la Audio Decision API que Hume AI presentó el 2 de noviembre: en lugar de una respuesta en texto libre que luego deba interpretarse, el modelo proporciona cifras sobre las cuales un programa puede fijar umbrales.
Técnicamente, Prism es un ajuste LoRA de Sarvam 105B, el gran modelo de mezcla de expertos de la firma. Un pequeño cabezal de cálculo genera las probabilidades en lugar de emitir tokens uno a uno. Sarvam también ha modificado la máscara de atención: cada opción se lee de forma independiente de las demás, lo que hace que los juicios sean autónomos. El modelo acepta tres formatos de pregunta: selección entre opciones, sí o no, y escala de niveles.
| Elemento | Según Sarvam |
|---|---|
| Base | Sarvam 105B, ajuste LoRA |
| Licencia | Apache 2.0, pesos en Hugging Face |
| Hardware | una GPU FP8 con unos 120 GB de memoria (B200, H200) |
| Idiomas | inglés, diez lenguas indias, hinglish |
| API | 4 rupias por millón de tokens de entrada, salidas gratuitas |
| Límite API | 32 768 tokens por pregunta |
Rendimiento medido por la empresa
Sarvam sostiene que Prism obtiene una media de 71,8 en tres índices, con un tiempo de respuesta mediano de 44 milisegundos en una GPU B200, lo que supone la puntuación más alta entre los modelos de decisión que responden en menos de 100 ms de los 25 que evaluó. Algunos modelos alcanzan mejores puntuaciones, pero resultan de dos a seis veces más lentos según la misma tabla. Estas mediciones fueron realizadas por la propia Sarvam: uno de los tres índices es una prueba interna en lenguas indias y otro es una recreación propia del índice de decisión de Artificial Analysis.
La empresa destaca ante todo la calibración: en inglés, para las respuestas emitidas con al menos un 90% de confianza, Prism preveía un 3,3% de fallos y cometió un 2,2%. En lenguas indias, los otros modelos evaluados cometerían entre 2,7 y 4,8 veces más errores de lo que anticipa su nivel de confianza. Sarvam también asegura que las respuestas dejan de variar cuando se altera el orden de las opciones y que Prism juzga mejor las trazas de agentes que Claude Haiku 5.5 (78,5% de aciertos frente al 70,7%). Ninguno de estos resultados ha sido reproducido aún por terceros.
Nuestro análisis
Prism no compite con los grandes modelos conversacionales: es un componente de infraestructura, pensado para la clasificación, el enrutamiento, las barreras de seguridad o la supervisión del trabajo de agentes. En este terreno, la calibración importa más que la puntuación bruta, ya que una empresa solo automatiza una decisión si puede confiar en el nivel de confianza mostrado. La publicación de los pesos bajo Apache 2.0 constituye su argumento más sólido: cualquiera podrá verificar estas cifras y adaptar el modelo a sus propios datos. La barrera de entrada sigue siendo alta para el autoalojamiento, dado que requiere una GPU de última generación con alrededor de 120 GB de memoria y el código proporcionado por Sarvam. Para el laboratorio de Bangalore, supone además una vía para posicionarse en las lenguas indias, ámbito en el que reivindica sus mayores ventajas.
Fuentes
- Sarvam AI — Introducing Sarvam Prism (3 de noviembre de 2026) Fuente primaria
- Sarvam AI en X — anuncio de Sarvam Prism (3 de noviembre de 2026) Fuente primaria
- Hugging Face — ficha del modelo sarvamai/prism Fuente primaria
- Documentación de la API de Sarvam — Sarvam Prism Fuente primaria
- Hume AI en X — Introducing the Hume Audio Decision API (2 de noviembre de 2026) Fuente primaria — Para la comparación con otro modelo que responde mediante probabilidades
Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.
