Sarvam 文档模型处理 13 万亿 token 文本，上线四个月数字化 3500 万页

前沿模型所学习的网页抓取数据中，印度语言内容占比远低于 1%；Sarvam 的文档模型在见到第一张图像前已读取 13 万亿 token 文本，上线四个月即数字化 3500 万页。Perceptron AI 用模型自主决定读取哪些 token，以应对一小时视频约百万视觉 token 中仅约 2% 有真值标注的问题。Meta 则在其三智能体审核流程中过滤大部分视频，压缩相似帧并对热门视频缓存判定结果。