Sarvam ha anunciado en su evento Epoch 2026 en Bengaluru que esta construyendo un modelo fundacional de mas de un billon de parametros desde cero en India, y ha fichado como asesor a Devendra Singh Chaplot, que viene de xAI y fue del equipo fundador de Mistral, segun Digit. El dato que mas dice del negocio es otro: su modelo actual cuesta 0,80 dolares por millon de tokens.
Puntos clave
- Modelo fundacional de mas de un billon de parametros construido desde cero en India, orientado a codigo, ciberseguridad, investigacion cientifica y simulaciones.
- Sarvam 105B actualizado a 0,80 dolares por millon de tokens mezclados. Eso es 5,5 veces mas barato que GPT-5.4 Mini, a 4,50, y 11 veces mas barato que Gemini 3.5 Flash, a 9.
- Dos productos nuevos de vision: Sarvam Vision Edge y Sarvam Vision 2.0, para inteligencia documental y OCR de empresa. El gobierno de Odisha ya los usa para digitalizar registros de la propiedad.
- Epoch Builder Edition: plataforma con modelos multilingues de 7B y 70B en mas de diez lenguas indias, mas GPU, datasets y despliegue. Preview privada en agosto de 2026, despliegue amplio en el cuarto trimestre.
- Devendra Singh Chaplot entra como asesor a tiempo parcial. Viene de xAI, fue del equipo fundador de Mistral AI y de Thinking Machines Lab. Entreno Mistral 7B, Mixtral 8x7B y Mistral Large, y lidero el equipo multimodal de Pixtral. Trabajara con el nuevo laboratorio de Sarvam en San Francisco.
- Los anuncios los hizo el cofundador Pratyush Kumar.
El precio es la noticia, no el billon de parametros
Un modelo de un billon de parametros anunciado es una intencion, no un producto. Se anuncia mucho y se entrega poco, porque entrenar a esa escala cuesta cientos de millones en computo.
Los 0,80 dolares por millon de tokens de Sarvam 105B, en cambio, son un producto que se puede facturar hoy. Y ese numero es el que compite de verdad: 5,5 veces por debajo de la opcion barata de OpenAI y 11 veces por debajo de la de Google.
Un modelo de 105.000 millones de parametros no va a ganar a GPT-5.6 Sol en razonamiento. Para clasificar tickets, extraer campos de facturas o resumir documentos, tampoco hace falta. Es la misma presion que ejercen los modelos abiertos chinos por abajo, con Moonshot y Kimi K3 como caso mas visible: la capa de tareas de volumen se esta commoditizando y el precio es el unico eje.
Que hace un ex de Mistral y xAI en un laboratorio indio
Chaplot no es un fichaje de relleno. Entreno los modelos que pusieron a Mistral en el mapa, Mistral 7B y Mixtral 8x7B, y despues lidero el equipo multimodal que hizo Pixtral. Luego xAI, luego Thinking Machines Lab.
Que entre como asesor a tiempo parcial, no como responsable de investigacion, marca el alcance real: aporta criterio de entrenamiento a escala y contactos en la bahia, no dedicacion completa. Que trabaje desde el nuevo laboratorio de Sarvam en San Francisco es la parte practica, porque es donde estan las personas que saben entrenar modelos grandes.
Su argumento publico es el de soberania: India necesita modelos que entiendan sus idiomas y su diversidad cultural. Ese es el mismo argumento con el que se justifican los laboratorios nacionales en Europa, y el que sostiene los modelos abiertos chinos frente al intento americano de restringirlos.
El caso de Odisha vale mas que el anuncio del billon
Un gobierno estatal usando Sarvam Vision para digitalizar registros de la propiedad es un despliegue real, con datos reales y un problema aburrido: papel escaneado mal, escritura a mano, formatos de hace decenios.
Eso es el tipo de trabajo que no sale en ninguna demo y que decide si un laboratorio tiene negocio. Extraer datos de documentos malos con precision suficiente para un registro publico es dificil, y quien lo resuelve en un estado lo puede vender en veinte.
Por qué importa
La lectura para una empresa espanola no es usar Sarvam, que apunta a mercado indio. Es el precio como referencia de negociacion.
Si un modelo de 105.000 millones de parametros cuesta 0,80 dolares por millon de tokens, ese es el suelo del mercado para tareas de volumen. Cuando revises tu factura de IA, la pregunta util es cuantas de tus llamadas necesitan de verdad un modelo de frontera. En la mayoria de circuitos que he montado, la respuesta es menos de la mitad: clasificar, extraer y resumir se hacen igual de bien con un modelo barato, y el modelo caro se reserva para lo que requiere razonar.
Repartir las llamadas por dificultad en lugar de mandarlo todo al mejor modelo es el ajuste que mas baja la factura sin tocar el resultado. Y no requiere cambiar de proveedor, solo decidir en el codigo cual se llama.
Relacionado
