Sarvam-30B

Fiche modèle · Sarvam AI · sarvam-30b

Sarvam-30B is an open-source 30B-parameter Mixture-of-Experts reasoning model from Sarvam AI trained from scratch and optimized for Indian languages, coding, and conversational workloads. It uses 128 sparse experts with 2.4B active parameters per token, Grouped Query Attention, and was pre-trained on 16 trillion tokens spanning code, mathematics, multilingual, and web data.

Fiches modèles

Identité

OrganisationSarvam AI
Pays—
Famille—
Typellm
Date de sortie2026-03-06
Licenceapache 2.0
Licence commercialeoui
Licence open sourceoui
Poids ouvertsoui
Auto-hébergement (DGX Spark)oui — ≤ 107 Md (Q8/FP8)
Modalités—
Fenêtre de contexte64 000
KV cache / token (Q8)—
Paramètres totaux30 B
Paramètres actifs (session)2.4 B
Source des paramètres actifsweb : https://huggingface.co/sarvamai/Sarvam-30B
Curation des paramètres actifs2026-11-04
Prix par session—
Tokens / tâche (Data Players)1.2 M
Tokens / tâche (Terminal-Bench)83.3 M (est.)
Ratio Terminal-Bench / Data Players69.4×
Coût / tâche (Terminal-Bench)—
Tokens d'entraînement16 000 000 000 000
Coupure de connaissance—
Créé le2026-05-07T16:53:39.617454Z
Mis à jour le2026-11-04T06:05:12.460465Z
SourceLLM Stats
URLhttps://llm-stats.com/models/sarvam-30b
Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : partiel — auto-hébergement DGX Spark (≤ 107 Md).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

Aucune donnée.

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

CatégorieScore
language0.80
legal0.80
math0.80
physics0.70
reasoning0.70
search0.40
finance0.80
frontend_development0.30
general0.70
healthcare0.80
agents0.40
biology0.70
chemistry0.70
code0.60
creativity0.50
writing0.50

Scores par benchmark

BenchmarkCatégorieScoreMaxNormalisé (API)VérifiéAuto-déclaréDaté du
aime-2025math0.971.000.97nonoui2026-11-04T06:05:12.492990Z
arena-hard-v2general0.491.000.49nonoui2026-11-04T06:05:12.482060Z
beyond-aimemath0.581.000.58nonoui2026-11-04T06:05:12.501568Z
browsecompreasoning0.351.000.35nonoui2026-11-04T06:05:12.504610Z
gpqareasoning0.671.000.67nonoui2026-11-04T06:05:12.485221Z
hmmt-2025math0.731.000.73nonoui2026-11-04T06:05:12.495814Z
hmmt25math0.741.000.74nonoui2026-11-04T06:05:12.498667Z
humanevalreasoning0.921.000.92nonoui2026-11-04T06:05:12.466862Z
livecodebench-v6reasoning0.701.000.70nonoui2026-11-04T06:05:12.473186Z
math-500math0.971.000.97nonoui2026-11-04T06:05:12.463865Z
mbppreasoning0.93100.000.93nonoui2026-11-04T06:05:12.470325Z
mmlugeneral0.851.000.85nonoui2026-11-04T06:05:12.476185Z
mmlu-prolanguage0.801.000.80nonoui2026-11-04T06:05:12.479252Z
swe-bench-verifiedreasoning0.341.000.34nonoui2026-11-04T06:05:12.507824Z

Classements

CatégorieRangScoreNote conservatriceBenchmarks évaluésMéthodeDaté duProvenance
agents201—-1.561trueskill2026-10-20model_history
code215—5.672trueskill2026-10-20model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04