AIモデルとプラットフォーム
KiteFishAI、企業向けのプライベートなローカルAI「NanoI1」を発表
KiteFishAIがNanoI1を公開。ローカルハードウェアでの専門的な企業業務を対象とする、1億5,500万パラメーターのオープンウェイトモデルです。

要点NanoI1は汎用アシスタントの代替として機能するのではなく、境界の定められた企業ワークフローを対象としている。
もっと見る
- NanoI1は汎用アシスタントの代替として機能するのではなく、境界の定められた企業ワークフローを対象としている。
- その2,048トークンのコンテキストウィンドウにより、アプリケーションは長い文書を処理前に分割せざるを得ない。
- ベンダーのベンチマークは低い絶対スコアを示しており、文書ワークフローにおける正確性を証明するものではない。
KiteFishAIは、管理下にあるインフラで特定のAI処理を実行したい企業向けに設計された、1億5,500万パラメーターの言語モデル「NanoI1」を発表しました。発表日は11月17日です。インドを拠点とする同社は、汎用AIアシスタントの代替としてではなく、文書からの情報抽出、分類、サポート業務のためのモデルとして位置づけています。
この違いは重要です。NanoI1がうたうのは、小型モデルがはるかに大規模なシステムのあらゆるタスクをこなせるということではありません。データの取り扱い、必要なハードウェア、導入方法の管理が重要な判断要素となる、対象を限定した業務において、小型で適応しやすいモデルがより実用的な基盤になり得るということです。
ローカル導入を想定した小型モデル
KiteFishAIによると、NanoI1はGurgaonで8基のNVIDIA H100 GPUを使い、約1兆トークンでゼロから学習されました。同社はファイルサイズを311 MBとしており、ノートパソコンやローカルサーバーで実行できるとしています。ただし、このファイルサイズはモデル本体の容量を示すものであり、アプリケーション全体がそれと同じ容量のメモリだけで動作することを保証するものではありません。
重みはApache-2.0ライセンスで公開されており、同社はBase版とInstruct版を提供しています。Baseモデルは追加調整の出発点となり、指示追従用に調整されたバージョンは、会話型のアプリケーションや指示に沿ってタスクを実行する用途を想定しています。KiteFishAIのウェブサイトからはInstructモデルのリポジトリに直接アクセスでき、想定用途として構造化データの抽出や低遅延が求められるタスクが挙げられています。
今回の発表では、vLLMによる推論サービングへの対応と、2,048トークンのコンテキストウィンドウも示されています。このコンテキスト長には重要な制約があります。長いファイルを扱うアプリケーションでは、文書全体を1回のリクエストに収められると考えるのではなく、入力する箇所を選ぶか、分割する必要があります。
汎用アシスタントではなく、用途を絞った業務向け
KiteFishAIは、顧客確認(KYC)書類からの情報抽出、苦情の分類、カスタマーサポートのチケット振り分け、短い文書の処理を、想定される用途として挙げています。いずれも、カテゴリラベルや抽出した項目の一覧など、定義済みの出力を基準にシステムを評価できる、範囲の明確な業務の例です。
同社によると、NanoI1は英語、ヒンディー語、さらにインドの8言語に対応していますが、多言語対応能力には限界があるとしています。そのため導入を検討する企業は、ある言語を利用できることと、自社の文書や語彙、書式に対する精度が実証されていることを区別する必要があります。
創業者兼CEOのAnuj Gupta氏は、プライバシー、インフラ、コストに関する企業の要件を軸に、今回の発表を位置づけています。発表の中で同氏は、データやアプリケーションの保管場所をより細かく管理する必要がある組織にとって、小型の特化型モデルがAIをより実用的にする手段になると述べています。
ベンチマークの主張は限定的に捉える必要がある
KiteFishAIによると、同社が同一のテスト条件で実施した評価では、NanoI1はHumanEvalで9.1%を記録し、GoogleのGemma-3-270Mは2.4%でした。また、EvalPlusでは4.3%対1.2%、GSM8Kでは4.0%対1.8%だったとしています。
これらの数値はベンダーが報告した比較結果であり、Unite.AIによる独立検証ではありません。同社のテストでは選定された比較対象モデルを上回っていますが、絶対値が低いため、汎用的なコーディングや数学的推論を確実に行える証拠と受け取るべきではありません。また、これらのベンチマークは、同社が対象とする文書処理業務での精度を直接示すものでもありません。
企業にとってより有用な評価は、適切に調整したバージョンが、特定業務で求められる品質基準を満たせるかどうかです。情報抽出であれば、項目ごとの誤りや抽出漏れを測定します。振り分けであれば、分類性能を測定するとともに、判断が不確かなケースのうち、どれを人間の確認担当者に回すべきかを決める必要があります。
管理には運用上の責任が伴う
発表によると、NanoI1はオンプレミスでの導入と、インド国内のデータセンターでのホスティングに対応しています。モデルをローカルで実行すれば、入力データを外部のモデルプロバイダーに定期的に送信する必要がなくなる可能性があります。ただし、それだけでアプリケーションのセキュリティ、アクセス制御、ログ記録、データ保持に関する要件が解決するわけではありません。
したがって、NanoI1の実用上の意義は導入方法の選択肢にあります。専門的なローカルアプリケーションへの適用を評価できる、小型のオープンウェイト基盤です。その選択肢によって総コストを抑えられるか、十分な精度を得られるかは、パラメーター数だけで決まるのではなく、業務内容、統合作業の負担、評価結果によって左右されます。












