This model is deprecated. We only continue performance benchmarking for the default 10k input token workload. Results for other workloads are historical and no longer updated.

Sarvam has launched a newer model, Sarvam 30B (high). We suggest considering it instead.

For more information, see comparison of Sarvam 30B (high) to other models and API provider benchmarks for Sarvam 30B (high).

Sarvam

•

Open weights model

•

Released Mai 2025

Sarvam M (Reasoning, based on Mistral Small 3.1): Analyse von Intelligenz, Leistung und Preis

Name: Intelligenz
Creator: Artificial Analysis
License: https://artificialanalysis.ai/docs/legal/Terms-of-Use.pdf

Ausprobieren Benchmarks der API-Anbieter

Geschwindigkeit

k. A.

Ausgabetokens pro Sekunde

Kosten

Eingabe 0,00 $Ausgabe 0,00 $

k. A.

Kosten pro Intelligence-Index-Aufgabe

Ausführlichkeit

k. A.

Ausgabetokens im Intelligence Index

Sarvam M (Reasoning, based on Mistral Small 3.1) zählt zu den am wenigsten intelligenten Modellen, ist aber preislich gut aufgestellt im Vergleich zu anderen Modellen mit offenen Gewichten ähnlicher Größe. Das Modell unterstützt Text als Eingabe und Text als Ausgabe. Das Kontextfenster umfasst 33k Tokens.

Sarvam M (Reasoning, based on Mistral Small 3.1) erzielt im Artificial Analysis Intelligence Index einen Wert von 5 und liegt damit am unteren Ende der vergleichbaren Modelle (Median: 8).

Der Preis für Sarvam M (Reasoning, based on Mistral Small 3.1) beträgt $0.00 pro 1 Mio. Eingabetokens (preislich konkurrenzfähig; Median: $0.04) und $0.00 pro 1 Mio. Ausgabetokens (preislich konkurrenzfähig; Median: $0.15).

Reasoning	Ja Diese Seite zeigt die Reasoning-Version dieses Modells. Möglicherweise gibt es auch eine Variante ohne Reasoning.
Eingabemodalität	Unterstützt: Text
Ausgabemodalität	Unterstützt: Text
Kontextfenster	33k ~49 A4-Seiten in Arial mit Schriftgröße 12
Gesamtparameter	23.6B
Lizenz	Apache 2.0
Modellgewichte	Hugging Face

Metriken werden mit Modellen derselben Klasse verglichen:

Modelle ohne Reasoning → Vergleich nur mit anderen Modellen ohne Reasoning
Reasoning-Modelle → Vergleich mit Reasoning-Modellen und Modellen ohne Reasoning
Modelle mit offenen Gewichten → Vergleich nur mit anderen Modellen mit offenen Gewichten derselben Größenklasse:

Sehr klein: ≤4B Parameter
Klein: 4B–40B Parameter
Mittel: 40B–150B Parameter
Groß: >150B Parameter

Proprietäre Modelle → Vergleich mit proprietären Modellen und Modellen mit offenen Gewichten derselben Preisklasse anhand eines Mischpreisverhältnisses von 3:1 für Eingabe/Ausgabe:

<$0.15 pro 1 Mio. Tokens
$0.15–$1 pro 1 Mio. Tokens
>$1 pro 1 Mio. Tokens

Wichtigste Ergebnisse

Updated

Intelligenz

Artificial Analysis Intelligence Index · Higher is better

Geschwindigkeit

Output tokens per second · Higher is better

Kosten pro Aufgabe

Weighted average cost (USD) per Intelligence Index task · Lower is better

IntelligenzUpdated

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index v4.3.2 incorporates 10 evaluations: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1

Estimate (independent evaluation forthcoming)

Artificial Analysis Intelligence Index v4.3.2 includes: AA-Briefcase v1.1, GDPval-AA v2.1, AutomationBench-AA, Terminal-Bench 4.0, SciCode, Humanity's Last Exam, GDP.pdf, CritPt, AA-Omniscience, AA-LCR v1.1. See Intelligence Index methodology for further details, including a breakdown of each evaluation and how we run them.

Artificial Analysis Intelligence Index by Open Weights / Proprietary

Estimate (independent evaluation forthcoming)

Indicates whether the model weights are available. Models are labelled as 'Commercial Use Restricted' if commercial use is limited by conditions, and as 'Non-commercial' if the license prohibits commercial use.

Benchmarks

Intelligence Evaluations

Intelligence evaluations measured independently by Artificial Analysis · Higher is better

AA-Briefcase v1.1Updated

Agentic knowledge work, (Elo-500)/2000

GDPval-AA v2.1Updated

Agentic real-world work tasks, (Elo-500)/2000

AutomationBench-AAUpdated

Agentic SaaS workflows

Terminal-Bench 4.0New

Agentic coding & terminal use

SciCode

Coding

Humanity's Last Exam

Reasoning & knowledge

GDP.pdfNew

Professional document reasoning, All-pass

CritPtUnder review

Physics reasoning

AA-Omniscience Accuracy

Knowledge

AA-Omniscience Non-Hallucination Rate

1 - hallucination rate

AA-LCR v1.1

Long context reasoning

Harvey LAB-AA

Legal agentic work, criterion pass rate

EnterpriseOps-Gym-AA

Agentic business operations

AA-AnalystAgent

Quantitative analysis on spreadsheets & documents

𝜏³-Banking

Agentic tool use

ITBench-AA

Kubernetes incident root-cause analysis

No data available

MMMU-Pro

Visual reasoning

MLCR-AANew

Medical long context reasoning

While model intelligence generally translates across use cases, specific evaluations may be more relevant for certain use cases.

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index (higher is better) measures knowledge reliability and hallucination. It rewards correct answers, penalizes hallucinations, and has no penalty for refusing to answer. Scores range from -100 to 100, where 0 means as many correct as incorrect answers, and negative scores mean more incorrect than correct.

Openness Index

Artificial Analysis Openness Index: Score

Openness Index assesses model openness on a 0 to 100 normalized scale (higher is more open)

Vergleiche des Intelligence Index

Intelligence Index vs. Cost per Intelligence Index Task

Artificial Analysis Intelligence Index · Weighted average cost (USD) per Artificial Analysis Intelligence Index task

Most attractive quadrant

Pareto line

Weighted average cost per Intelligence Index task. Each evaluation’s cost is calculated from input, cache hit, cache write, reasoning, and answer token prices, divided by task count, and weighted by its Intelligence Index weight.

Kosten

Cost per Intelligence Index Task

Weighted average cost (USD) per Artificial Analysis Intelligence Index task, segmented by token type. Lower is better

Cost to Run Artificial Analysis Intelligence Index

Cost (USD) to run all evaluations in the Artificial Analysis Intelligence Index

The cost to run the evaluations in the Artificial Analysis Intelligence Index, calculated using the model's input, cache hit, cache write, reasoning, and answer token prices and the number of tokens used across evaluations (excluding repeats).

Pricing: Cache Hit, Input, and Output

Price (USD per M Tokens)

Price per token for cached prompts (previously processed), typically offering a significant discount compared to regular input price, represented as USD per million tokens. The values shown here are the cache hit price; cache write and cache storage are billed separately and vary by provider — see "Cache pricing by provider" for detail.

Kontextfenster

Context Window

Context window: tokens limit · Higher is better

Larger context windows are relevant to RAG (Retrieval Augmented Generation) LLM workflows which typically involve reasoning and information retrieval of large amounts of data.

Maximum number of combined input & output tokens. Output tokens commonly have a significantly lower limit (varied by model).

Modellgröße (nur Modelle mit offenen Gewichten)

Model Size: Total and Active Parameters

Comparison between total model parameters and parameters active during inference

The total number of trainable weights and biases in the model, expressed in billions. These parameters are learned during training and determine the model's ability to process and generate responses.

The number of parameters actually executed during each inference forward pass, expressed in billions. For Mixture of Experts (MoE) models, a routing mechanism selects a subset of experts per token, resulting in fewer active than total parameters. Dense models use all parameters, so active equals total.

Häufig gestellte Fragen

Häufige Fragen zu Sarvam M (Reasoning, based on Mistral Small 3.1)

Sarvam M (Reasoning, based on Mistral Small 3.1) wurde am 23. Mai 2025 veröffentlicht.

Sarvam M (Reasoning, based on Mistral Small 3.1) wurde von Sarvam entwickelt.

Sarvam M (Reasoning, based on Mistral Small 3.1) erzielt im Artificial Analysis Intelligence Index einen geschätzten Wert von 5 und liegt damit im Vergleich zu anderen Modellen mit offenen Gewichten ähnlicher Größe am unteren Ende (Median: 8).

Ja, Sarvam M (Reasoning, based on Mistral Small 3.1) ist ein Reasoning-Modell. Es nutzt längere Denkprozesse oder Chain-of-Thought-Reasoning, um komplexe Probleme zu bearbeiten, bevor es eine Antwort gibt.

Sarvam M (Reasoning, based on Mistral Small 3.1) unterstützt Text als Eingabe.

Sarvam M (Reasoning, based on Mistral Small 3.1) unterstützt Text als Ausgabe.

Nein, Sarvam M (Reasoning, based on Mistral Small 3.1) unterstützt keine Bildeingaben. Es kann nur Text verarbeiten.

Nein, Sarvam M (Reasoning, based on Mistral Small 3.1) ist nicht multimodal. Es unterstützt nur Text als Eingabe.

Sarvam M (Reasoning, based on Mistral Small 3.1) hat ein Kontextfenster von 33k Tokens. Es bestimmt, wie viel Text und Gesprächsverlauf das Modell in einer einzelnen Anfrage verarbeiten kann.

Ja, Sarvam M (Reasoning, based on Mistral Small 3.1) hat offene Gewichte. Die Modellgewichte sind öffentlich verfügbar und können zum Selbsthosten heruntergeladen werden.

Sarvam M (Reasoning, based on Mistral Small 3.1) hat 23,6 Milliarden Parameter.

Sarvam M (Reasoning, based on Mistral Small 3.1) wird unter der Lizenz Apache 2.0 veröffentlicht. Diese Lizenz erlaubt die kommerzielle Nutzung. Lizenz anzeigen

Sarvam M (Reasoning, based on Mistral Small 3.1) erzielt im Artificial Analysis Intelligence Index einen Wert von 5. Dieser zusammengesetzte Benchmark bewertet Modelle in den Bereichen Schlussfolgern, Wissen, Mathematik und Programmierung.

Ja, Sarvam M (Reasoning, based on Mistral Small 3.1) ist über 1 Anbieter per API verfügbar. API-Anbieter vergleichen

Sarvam M (Reasoning, based on Mistral Small 3.1) ist über 1 API-Anbieter verfügbar. Anbieter vergleichen

Sarvam M (Reasoning, based on Mistral Small 3.1): Analyse von Intelligenz, Leistung und Preis

Modellübersicht

IntelligenzUpdated

Geschwindigkeit

Kosten

Ausführlichkeit

Zusammenfassung des Vergleichs

Technische Spezifikationen

142 Modelle in dieser Klasse

Intelligenz

Geschwindigkeit

Kosten pro Aufgabe

IntelligenzUpdated

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index

Artificial Analysis Intelligence Index by Open Weights / Proprietary

Artificial Analysis Intelligence Index

Open Weights

Benchmarks

Intelligence Evaluations

Intelligence Evaluation Relevance

Artificial Analysis Intelligence Index

AA-Omniscience

AA-Omniscience Index

AA-Omniscience Index

Openness Index

Artificial Analysis Openness Index: Score

Vergleiche des Intelligence Index

Intelligence Index vs. Cost per Intelligence Index Task

Cost per Intelligence Index Task

Artificial Analysis Intelligence Index

Kosten

Cost per Intelligence Index Task

Cost per Intelligence Index Task

Cost to Run Artificial Analysis Intelligence Index

Cost to Run Artificial Analysis Intelligence Index

Pricing: Cache Hit, Input, and Output

Cache Hit

Kontextfenster

Context Window

Context Window for RAG

Context Window

Modellgröße (nur Modelle mit offenen Gewichten)

Model Size: Total and Active Parameters

Total Parameters

Active Parameters at Inference Time

Häufig gestellte Fragen

Wann wurde Sarvam M (Reasoning, based on Mistral Small 3.1) veröffentlicht?

Wer hat Sarvam M (Reasoning, based on Mistral Small 3.1) entwickelt?

Wie intelligent ist Sarvam M (Reasoning, based on Mistral Small 3.1)?

Ist Sarvam M (Reasoning, based on Mistral Small 3.1) ein Reasoning-Modell?

Welche Eingabemodalitäten unterstützt Sarvam M (Reasoning, based on Mistral Small 3.1)?

Welche Ausgabemodalitäten unterstützt Sarvam M (Reasoning, based on Mistral Small 3.1)?

Kann Sarvam M (Reasoning, based on Mistral Small 3.1) Bilder verarbeiten?

Ist Sarvam M (Reasoning, based on Mistral Small 3.1) multimodal?

Wie groß ist das Kontextfenster von Sarvam M (Reasoning, based on Mistral Small 3.1)?

Hat Sarvam M (Reasoning, based on Mistral Small 3.1) offene Gewichte?

Wie viele Parameter hat Sarvam M (Reasoning, based on Mistral Small 3.1)?

Unter welcher Lizenz steht Sarvam M (Reasoning, based on Mistral Small 3.1)?

Wie schneidet Sarvam M (Reasoning, based on Mistral Small 3.1) in Benchmarks ab?

Ist Sarvam M (Reasoning, based on Mistral Small 3.1) über eine API verfügbar?

Wo kann ich Sarvam M (Reasoning, based on Mistral Small 3.1) verwenden?