Modèles et plateformes d’IA
KiteFishAI présente NanoI1, une IA d’entreprise privée et locale
KiteFishAI lance NanoI1, un modèle à poids ouverts de 155 millions de paramètres destiné aux processus spécialisés des entreprises sur du matériel local.

Points clésNanoI1 cible des flux de travail d'entreprise délimités plutôt que de servir de…
Voir plus
- NanoI1 cible des flux de travail d'entreprise délimités plutôt que de servir de remplacement d'assistant polyvalent.
- Sa fenêtre de contexte de 2 048 jetons oblige les applications à diviser les longs documents avant le traitement.
- Les benchmarks des fournisseurs montrent des scores absolus faibles qui ne prouvent pas l'exactitude sur les flux de travail documentaires.
KiteFishAI a présenté NanoI1, un modèle de langage de 155 millions de paramètres conçu pour les entreprises qui souhaitent exécuter des charges de travail d’IA ciblées sur une infrastructure qu’elles contrôlent. Annoncée le 17 novembre, cette nouveauté de l’entreprise basée en Inde vise l’extraction de données de documents, la classification et les processus d’assistance, plutôt que de positionner le modèle comme un substitut aux assistants d’IA généralistes.
Cette distinction est importante. NanoI1 ne prétend pas qu’un modèle minuscule puisse accomplir toutes les tâches réalisées par un système beaucoup plus grand. L’idée est plutôt qu’un modèle compact et adaptable peut constituer une base plus pratique pour des tâches bien définies, lorsque la gestion des données, les besoins matériels et le contrôle du déploiement sont des facteurs déterminants.
Un petit modèle conçu pour un déploiement local
Selon KiteFishAI, NanoI1 a été entraîné à partir de zéro sur environ mille milliards de jetons, au moyen de huit GPU NVIDIA H100 à Gurgaon. L’entreprise indique que le fichier du modèle pèse 311 Mo et précise qu’il peut fonctionner sur des ordinateurs portables et des serveurs locaux. Cette taille de fichier correspond à l’artefact du modèle ; elle ne garantit pas qu’une application complète n’aura besoin que de cette quantité de mémoire.
Les poids sont publiés sous licence Apache-2.0, et l’entreprise propose les versions Base et Instruct. Le modèle Base fournit un point de départ pour l’adaptation, tandis que la version affinée pour suivre des instructions est destinée aux applications conversationnelles et à celles qui exécutent des tâches. Le site de KiteFishAI renvoie directement au dépôt du modèle Instruct et cite l’extraction structurée ainsi que les tâches à faible latence parmi les usages visés.
La publication mentionne également la prise en charge du service avec vLLM et une fenêtre de contexte de 2 048 jetons. Cette limite de contexte est importante : les applications qui traitent de longs fichiers devront sélectionner ou segmenter leurs entrées, plutôt que de supposer que le document entier peut tenir dans une seule requête.
Des processus ciblés, pas un assistant universel
KiteFishAI cite l’extraction de données de documents de connaissance du client (KYC), la classification des réclamations, le routage des demandes adressées au service client et le traitement de documents courts parmi les applications possibles. Il s’agit d’exemples de processus bien délimités, pour lesquels un système peut être évalué en fonction d’un résultat défini, comme une étiquette de catégorie ou un ensemble de champs extraits.
L’entreprise affirme que NanoI1 prend en charge l’anglais, l’hindi et huit autres langues indiennes, tout en précisant que ses capacités multilingues sont limitées. Les entreprises qui envisagent d’utiliser le modèle devraient donc distinguer la disponibilité d’une langue de la précision démontrée sur leurs propres documents, leur vocabulaire et leur mise en forme.
Le fondateur et PDG Anuj Gupta présente cette nouveauté sous l’angle des exigences des entreprises en matière de confidentialité, d’infrastructure et de coûts. Dans l’annonce, il décrit les modèles plus petits et conçus pour des usages précis comme un moyen de rendre l’IA plus pratique pour les organisations qui ont besoin de mieux contrôler l’emplacement de leurs données et de leurs applications.
Les résultats des tests comparatifs sont à interpréter avec prudence
KiteFishAI indique que, lors d’évaluations menées par l’entreprise dans les mêmes conditions de test, NanoI1 a obtenu 9,1 % à HumanEval, contre 2,4 % pour Gemma-3-270M de Google. L’entreprise fait également état de résultats de 4,3 % contre 1,2 % à EvalPlus et de 4,0 % contre 1,8 % à GSM8K.
Ces chiffres sont des comparaisons rapportées par le fournisseur, et non une validation indépendante de Unite.AI. Ils indiquent que le modèle devance celui retenu pour la comparaison dans les tests de l’entreprise, mais ces scores absolus faibles ne doivent pas être interprétés comme la preuve de capacités fiables en programmation générale ou en raisonnement mathématique. Ces tests comparatifs ne permettent pas non plus d’établir directement la précision du modèle pour les processus de traitement de documents ciblés par l’entreprise.
Le test le plus utile pour une entreprise consisterait à vérifier si une version adaptée de manière appropriée peut atteindre le seuil de qualité requis pour un processus précis. Pour l’extraction, cela suppose de mesurer les erreurs et les omissions au niveau de chaque champ. Pour le routage, il faut évaluer les performances de classification et déterminer quels cas incertains devraient rester entre les mains d’un évaluateur humain.
Le contrôle implique aussi des responsabilités opérationnelles
Selon l’annonce, NanoI1 prend en charge le déploiement sur site et l’hébergement dans des centres de données en Inde. L’exécution locale d’un modèle peut éviter d’avoir à transmettre régulièrement ses données d’entrée à un fournisseur externe. À elle seule, elle ne règle toutefois pas les exigences relatives à la sécurité des applications, au contrôle des accès, à la journalisation ou à la conservation des données.
L’intérêt concret de NanoI1 réside donc dans son option de déploiement : une base à poids ouverts, suffisamment petite pour être évaluée en vue d’applications locales spécialisées. La question de savoir si cette option permet de réduire les coûts totaux ou d’obtenir une précision suffisante dépendra de la charge de travail, des efforts d’intégration et des résultats de l’évaluation, et pas seulement du nombre de paramètres.












