Modelli e piattaforme di IA
KiteFishAI presenta NanoI1, l’IA aziendale privata e locale
KiteFishAI lancia NanoI1, un modello con pesi aperti da 155 milioni di parametri, destinato a flussi di lavoro aziendali specializzati su hardware locale.

Punti chiaveNanoI1 si rivolge a flussi di lavoro aziendali delimitati anziché fungere da sostituto…
Vedi di più
- NanoI1 si rivolge a flussi di lavoro aziendali delimitati anziché fungere da sostituto di un assistente general-purpose.
- La sua finestra di contesto di 2.048 token costringe le applicazioni a suddividere i documenti lunghi prima dell'elaborazione.
- I benchmark del fornitore mostrano punteggi assoluti bassi che non dimostrano l'accuratezza sui flussi di lavoro documentali.
KiteFishAI ha presentato NanoI1, un modello linguistico da 155 milioni di parametri progettato per le aziende che vogliono eseguire carichi di lavoro IA mirati su infrastrutture sotto il proprio controllo. Annunciato il 17 novembre, il prodotto dell’azienda con sede in India è destinato all’estrazione di dati dai documenti, alla classificazione e ai flussi di lavoro di assistenza, anziché proporsi come sostituto degli assistenti IA per uso generale.
La distinzione è importante. NanoI1 non sostiene di poter svolgere ogni compito affidato a un sistema molto più grande. La sua proposta è che un modello compatto e adattabile possa costituire una base più pratica per attività circoscritte, nelle quali la gestione dei dati, i requisiti hardware e il controllo della distribuzione sono fattori centrali nella scelta.
Un modello compatto progettato per l’uso in locale
Secondo KiteFishAI, NanoI1 è stato addestrato da zero su circa mille miliardi di token, utilizzando otto GPU NVIDIA H100 a Gurgaon. L’azienda indica che il file del modello occupa 311 MB e afferma che può essere eseguito su laptop e server locali. Questa dimensione si riferisce al file del modello, ma non garantisce che un’applicazione completa richieda soltanto quella quantità di memoria.
I pesi sono distribuiti con licenza Apache-2.0 e l’azienda offre sia la versione Base sia quella Instruct. Il modello Base costituisce un punto di partenza per l’adattamento, mentre la versione ottimizzata per seguire istruzioni è pensata per applicazioni conversazionali e per l’esecuzione di compiti. Sul sito web di KiteFishAI è disponibile un collegamento diretto al repository del modello Instruct; tra gli usi previsti sono indicati l’estrazione strutturata e i compiti a bassa latenza.
L’annuncio segnala anche il supporto al serving tramite vLLM e una finestra di contesto di 2.048 token. Questo limite è importante: le applicazioni che gestiscono file lunghi dovranno selezionare o suddividere gli input, anziché presumere che l’intero documento possa essere inserito in un’unica richiesta.
Flussi di lavoro mirati, non un assistente universale
KiteFishAI indica tra le possibili applicazioni l’estrazione di dati dai documenti per la verifica della clientela, la classificazione dei reclami, l’instradamento delle richieste di assistenza clienti e l’elaborazione di documenti brevi. Sono esempi di flussi di lavoro circoscritti, nei quali è possibile valutare un sistema in base a un risultato definito, come l’assegnazione di un’etichetta di categoria o l’estrazione di una serie di campi.
L’azienda afferma che NanoI1 supporta l’inglese, l’hindi e altre otto lingue indiane, ma definisce limitate le sue capacità multilingue. Le aziende che prendono in considerazione il modello dovrebbero quindi distinguere tra la disponibilità di una lingua e l’accuratezza dimostrata sui propri documenti, sul proprio vocabolario e sui propri formati.
Il fondatore e CEO Anuj Gupta presenta il lancio alla luce delle esigenze aziendali in materia di privacy, infrastrutture e costi. Nell’annuncio descrive i modelli più piccoli e progettati per scopi specifici come un modo per rendere l’IA più pratica per le organizzazioni che necessitano di un maggiore controllo sulla collocazione dei propri dati e delle proprie applicazioni.
Le dichiarazioni sui benchmark vanno interpretate in modo circoscritto
KiteFishAI riferisce che, nelle valutazioni condotte dall’azienda con le stesse condizioni di test, NanoI1 ha ottenuto il 9,1% su HumanEval, contro il 2,4% di Gemma-3-270M di Google. L’azienda riporta inoltre risultati del 4,3% contro l’1,2% su EvalPlus e del 4,0% contro l’1,8% su GSM8K.
Questi dati sono confronti riportati dal fornitore, non verifiche indipendenti da parte di Unite.AI. Indicano un vantaggio rispetto al modello scelto per il confronto nei test dell’azienda, ma i punteggi assoluti bassi non vanno scambiati per una comprovata capacità generale di programmazione o di ragionamento matematico. Inoltre, questi benchmark non dimostrano direttamente l’accuratezza nei flussi di lavoro di elaborazione documentale a cui l’azienda mira.
La verifica più utile per un’azienda consisterebbe nel determinare se una versione adattata in modo appropriato riesce a raggiungere la soglia qualitativa richiesta da uno specifico flusso di lavoro. Per l’estrazione, ciò significa misurare gli errori e le omissioni a livello di singolo campo. Per l’instradamento, significa misurare le prestazioni di classificazione e decidere quali casi incerti debbano restare affidati a un revisore umano.
Il controllo comporta anche responsabilità operative
Secondo l’annuncio, NanoI1 supporta la distribuzione in sede e l’hosting nei centri dati indiani. Eseguire un modello in locale può eliminare la necessità di inviare regolarmente i dati in ingresso a un fornitore esterno di modelli. Tuttavia, ciò non risolve di per sé i requisiti relativi alla sicurezza delle applicazioni, al controllo degli accessi, alla registrazione delle attività o alla conservazione dei dati.
L’importanza pratica di NanoI1 risiede quindi nella possibilità di distribuirlo: è un modello di base con pesi aperti, abbastanza piccolo da poter essere valutato per applicazioni locali specializzate. La possibilità di ottenere costi complessivi inferiori o un’accuratezza sufficiente dipenderà dal carico di lavoro, dall’impegno necessario per l’integrazione e dai risultati della valutazione, non dal solo numero di parametri.












