Sarvam rilascia Prism, un modello decisionale a pesi aperti basato su Sarvam 105B

Il laboratorio indiano Sarvam ha pubblicato il 3 novembre 2026 Prism, un modello di una natura particolare: non scrive nulla. Gli viene sottoposta una situazione (un ticket clienti, una traccia di esecuzione di un agente, un messaggio in arrivo), una o più domande e l’elenco delle possibili risposte, e restituisce una probabilità per ciascuna opzione, in un unico passaggio di calcolo. I pesi sono disponibili su Hugging Face con licenza Apache 2.0, e il modello è accessibile anche tramite l’API di Sarvam.

Un modello che sceglie anziché scrivere

Sarvam colloca Prism nella categoria dei modelli decisionali «Sistema 1», in riferimento al pensiero rapido e intuitivo descritto da Daniel Kahneman. Secondo il post dell’azienda, questa categoria è stata inaugurata il mese scorso da Typeface con il suo modello Jev. L’approccio richiama quello dell’Audio Decision API presentata da Hume AI il 2 novembre: anziché produrre una risposta in testo libero da dover poi interpretare, il modello fornisce valori numerici sui quali un programma applicativo può impostare delle soglie.

Dal punto di vista tecnico, Prism è un fine-tuning LoRA di Sarvam 105B, il modello Mixture-of-Experts di punta sviluppato internamente. Una piccola testa di calcolo genera le probabilità invece di emettere token uno alla volta. Sarvam ha inoltre modificato la maschera di attenzione: ogni opzione viene elaborata separatamente dalle altre, garantendo l’indipendenza delle valutazioni. Il modello supporta tre formati di domanda: scelta multipla tra opzioni, sì o no, e scala di livelli.

Prestazioni misurate dall’azienda sviluppatrice

Sarvam afferma che Prism ottiene una media di 71,8 su tre benchmark con un tempo di risposta mediano di 44 millisecondi su una GPU B200, registrando il miglior punteggio tra i modelli decisionali che rispondono in meno di 100 ms sui 25 valutati. Alcuni modelli raggiungono punteggi superiori, ma risultano da due a sei volte più lenti in base alla stessa tabella comparativa. Queste misurazioni sono state condotte direttamente da Sarvam: uno dei tre test è un benchmark interno nelle lingue indiane, mentre un altro è una replica proprietaria del benchmark decisionale di Artificial Analysis.

L’azienda evidenzia in particolare la calibrazione: in inglese, per le risposte fornite con almeno il 90% di confidenza, Prism stimava il 3,3% di errori e ne ha commessi effettivamente il 2,2%. Nelle lingue indiane, gli altri modelli esaminati commetterebbero da 2,7 a 4,8 volte più errori rispetto a quanto indicato dal loro livello di confidenza. Sarvam dichiara inoltre che le risposte rimangono stabili anche alterando l’ordine delle opzioni e che Prism valuta le tracce degli agenti meglio di Claude Haiku 5.5 (78,5% di risposte corrette contro 70,7%). Nessuno di questi risultati è stato ancora verificato in modo indipendente da terzi.