Sarvam publie Prism, un modèle de décision à poids ouverts construit sur Sarvam 105B

Le laboratoire indien Sarvam a publié le 3 novembre 2026 Prism, un modèle d’un genre particulier : il ne rédige rien. On lui donne une situation (un ticket client, une trace d’agent, un message entrant), une ou plusieurs questions et la liste des réponses possibles, et il renvoie une probabilité pour chaque option, en une seule passe de calcul. Les poids sont disponibles sur Hugging Face sous licence Apache 2.0, et le modèle est aussi proposé via l’API de Sarvam.

Un modèle qui choisit plutôt qu’il n’écrit

Sarvam range Prism dans la catégorie des modèles de décision « Système 1 », en référence à la pensée rapide et intuitive décrite par Daniel Kahneman. Selon le billet de l’éditeur, cette catégorie a été lancée le mois dernier par Typeface avec son modèle Jev. L’idée rejoint celle de l’Audio Decision API que Hume AI a présentée le 2 novembre : plutôt qu’une réponse en texte libre qu’il faut ensuite interpréter, le modèle fournit des chiffres sur lesquels un programme peut fixer des seuils.

Techniquement, Prism est un ajustement LoRA de Sarvam 105B, le grand modèle à mélange d’experts de la maison. Une petite tête de calcul produit les probabilités au lieu de générer des jetons un par un. Sarvam a aussi modifié le masque d’attention : chaque option est lue séparément des autres, ce qui rend les jugements indépendants. Le modèle accepte trois formats de question : choix entre options, oui ou non, et échelle de niveaux.

Des performances mesurées par l’éditeur

Sarvam affirme que Prism obtient 71,8 de moyenne sur trois indices avec un temps de réponse médian de 44 millisecondes sur un GPU B200, soit le meilleur score parmi les modèles de décision qui répondent en moins de 100 ms, sur les 25 qu’il a évalués. Quelques modèles font mieux en score, mais sont deux à six fois plus lents selon le même tableau. Ces mesures ont été faites par Sarvam lui-même : l’un des trois indices est un test interne en langues indiennes, un autre une recréation maison de l’indice de décision d’Artificial Analysis.

L’éditeur met surtout en avant la calibration : en anglais, pour les réponses données avec au moins 90 % de confiance, Prism prévoyait 3,3 % d’erreurs et en a commis 2,2 %. En langues indiennes, les autres modèles testés commettraient de 2,7 à 4,8 fois plus d’erreurs que leur confiance ne l’annonce. Sarvam dit aussi que les réponses ne changent plus quand on mélange l’ordre des options, et que Prism juge mieux des traces d’agents que Claude Haiku 5.5 (78,5 % de bonnes réponses contre 70,7 %). Aucun de ces résultats n’a encore été reproduit par un tiers.