Sarvam-30B
Publié le 6 mars 2026 par Sarvam AI, Sarvam-30B est un LLM open-weights de 30 milliards de paramètres. Son architecture Mixture-of-Experts privilégie le débit et l’efficacité mémoire, avec 2,4 milliards de paramètres actifs hors embeddings.
Publié le 6 mars 2026 par Sarvam AI, Sarvam-30B est un LLM open-weights de 30 milliards de paramètres. Son architecture Mixture-of-Experts privilégie le débit et l’efficacité mémoire, avec 2,4 milliards de paramètres actifs hors embeddings.
Le modèle associe 19 couches, 128 experts dont un expert partagé, un routage top-6 et une attention grouped KV. Il cible le raisonnement, le codage, la conversation en langues indiennes, le traitement d’appels vocaux multilingues et les tool calls. Sa licence Apache 2.0 autorise l’usage commercial.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | Sarvam AI |
| Poids | 🟢 Poids ouverts · usage commercial autorisé |
| Licence | Apache 2.0 |
| Date de sortie | 6 mars 2026 |
| Multimodal | non |
| Paramètres | 30 milliards |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| MATH-500 | 97,0 % | 8ᵉ / 31 | llm-stats | Auto-déclaré |
| AIME 2025 | 96,7 % | 14ᵉ / 108 | llm-stats | Auto-déclaré |
| MBPP | 92,7 % | 1ᵉ / 33 | llm-stats | Auto-déclaré |
| HumanEval | 92,1 % | 8ᵉ / 65 | llm-stats | Auto-déclaré |
| MMLU | 85,1 % | 41ᵉ / 98 | llm-stats | Auto-déclaré |
| MMLU-Pro | 80,0 % | 53ᵉ / 125 | llm-stats | Auto-déclaré |
| HMMT25 | 74,2 % | 15ᵉ / 25 | llm-stats | Auto-déclaré |
| HMMT 2025 | 73,3 % | 28ᵉ / 33 | llm-stats | Auto-déclaré |
| LiveCodeBench v6 | 70,0 % | 30ᵉ / 53 | llm-stats | Auto-déclaré |
| GPQA | 66,5 % | 131ᵉ / 219 | llm-stats | Auto-déclaré |
| Beyond AIME | 58,3 % | 5ᵉ / 5 | llm-stats | Auto-déclaré |
| Arena-Hard v2 | 49,0 % | 15ᵉ / 16 | llm-stats | Auto-déclaré |
| BrowseComp | 35,5 % | 52ᵉ / 57 | llm-stats | Auto-déclaré |
| SWE-Bench Verified | 34,0 % | 96ᵉ / 102 | llm-stats | Auto-déclaré |
« Auto-déclaré » : score communiqué par l'éditeur, non rejoué indépendamment. « Mesuré » : évalué par un tiers (Epoch AI, LiveBench). Le rang est calculé parmi les LLM évalués sur le même benchmark.
Notre analyse
Forces. Sarvam-30B concentre son calcul sur une fraction de ses 30 milliards de paramètres grâce à son architecture Mixture-of-Experts. Ses experts de petite taille, son nombre réduit de couches et l’équilibrage du routeur sans perte auxiliaire renforcent son positionnement axé sur le débit et l’efficacité mémoire. L’attention grouped KV et un rope_theta élevé assurent la stabilité en contexte long sans RoPE scaling. L’inférence est prévue avec Hugging Face, SGLang et vLLM. Le chat template comprend aussi un mode enable_thinking.
Limites et points d'attention. Sur GPQA, qui évalue le raisonnement scientifique, Sarvam-30B se situait à sa sortie dans le top 62% des 169 LLM de sa génération. Ce classement le place loin du groupe de tête et ne suffit pas à en faire une référence générale en raisonnement. Son intérêt repose davantage sur son compromis architectural et sur ses usages ciblés que sur une domination du benchmark disponible. Sarvam-30B s’adresse principalement aux déploiements commerciaux recherchant un modèle open-weights orienté vers les langues indiennes, le codage, les interactions multilingues et l’appel d’outils.
Sources des données : LLM-Stats (llm-stats.com).