AI-modellen en platforms
KiteFishAI introduceert NanoI1 voor private, lokale AI in bedrijven
KiteFishAI brengt NanoI1 uit, een model met open gewichten en 155 miljoen parameters, gericht op gespecialiseerde bedrijfsprocessen op lokale hardware.

Belangrijkste puntenNanoI1 richt zich op afgebakende bedrijfsworkflows in plaats van te dienen als een…
Meer weergeven
- NanoI1 richt zich op afgebakende bedrijfsworkflows in plaats van te dienen als een algemene vervanging van een assistent.
- Het contextvenster van 2.048 tokens dwingt toepassingen om lange documenten op te splitsen voordat ze worden verwerkt.
- Leveranciersbenchmarks tonen lage absolute scores die de nauwkeurigheid bij documentworkflows niet bewijzen.
KiteFishAI heeft NanoI1 geïntroduceerd, een taalmodel met 155 miljoen parameters, ontworpen voor bedrijven die gerichte AI-taken willen uitvoeren op infrastructuur die ze zelf beheren. Het model werd op 17 november aangekondigd. De in India gevestigde onderneming richt zich met deze release op het extraheren van gegevens uit documenten, classificatie en ondersteunende processen, en positioneert het model niet als vervanging voor AI-assistenten voor algemeen gebruik.
Dat onderscheid is belangrijk. NanoI1 wordt niet aangeprezen als een klein model dat elke taak aankan die een veel groter systeem uitvoert. Het idee is dat een compact, aanpasbaar model een praktischere basis kan bieden voor nauw afgebakende taken, waarbij gegevensverwerking, hardwarevereisten en controle over de implementatie doorslaggevend zijn.
Een klein model, ontworpen voor lokale implementatie
Volgens KiteFishAI is NanoI1 vanaf nul getraind op ongeveer één biljoen tokens, met behulp van acht NVIDIA H100-GPU’s in Gurgaon. Het bedrijf geeft de bestandsgrootte op als 311 MB en zegt dat het model op laptops en lokale servers kan draaien. Die bestandsgrootte betreft het modelbestand zelf en garandeert niet dat een volledige toepassing slechts zoveel geheugen nodig heeft.
De gewichten worden uitgebracht onder de Apache-2.0-licentie en het bedrijf biedt zowel de Base- als de Instruct-versie aan. Het Base-model vormt een uitgangspunt voor verdere aanpassing, terwijl de versie die op instructies is afgestemd, bedoeld is voor conversatie- en taakgerichte toepassingen. Op de website van KiteFishAI staat een directe link naar de opslagplaats van het Instruct-model. Het bedrijf noemt gestructureerde gegevensextractie en taken met een lage latentie als beoogde toepassingen.
De release vermeldt ook ondersteuning voor het serveren via vLLM en een contextvenster van 2.048 tokens. Die contextlimiet is een belangrijke beperking: toepassingen die met lange bestanden werken, moeten hun invoer selecteren of opdelen en mogen er niet van uitgaan dat een volledig document in één verzoek past.
Gerichte processen, geen universele assistent
KiteFishAI noemt het extraheren van gegevens uit klantidentificatiedocumenten (KYC), het classificeren van klachten, het doorsturen van klantenservicetickets en het verwerken van korte documenten als mogelijke toepassingen. Dit zijn voorbeelden van afgebakende processen waarbij een systeem kan worden beoordeeld aan de hand van een vooraf bepaald resultaat, zoals een categorielabel of een reeks geëxtraheerde velden.
Het bedrijf zegt dat NanoI1 Engels, Hindi en acht andere Indiase talen ondersteunt, maar omschrijft de meertalige mogelijkheden als beperkt. Bedrijven die het model overwegen, moeten daarom onderscheid maken tussen de beschikbaarheid van een taal en aangetoonde nauwkeurigheid op hun eigen documenten, woordenschat en opmaak.
Oprichter en CEO Anuj Gupta plaatst de release in het teken van de behoeften van bedrijven op het gebied van privacy, infrastructuur en kosten. In de aankondiging beschrijft hij kleinere modellen voor specifieke doeleinden als een manier om AI praktischer te maken voor organisaties die meer controle willen over de locatie van hun gegevens en toepassingen.
Benchmarkclaims moeten terughoudend worden geïnterpreteerd
KiteFishAI meldt dat NanoI1 bij door het bedrijf uitgevoerde tests onder dezelfde testomstandigheden 9,1% scoorde op HumanEval, tegenover 2,4% voor Gemma-3-270M van Google. Ook meldt het bedrijf scores van 4,3% tegenover 1,2% op EvalPlus en 4,0% tegenover 1,8% op GSM8K.
Deze cijfers zijn vergelijkingen die door de leverancier zijn gerapporteerd en vormen geen onafhankelijke validatie door Unite.AI. Ze wijzen in de tests van het bedrijf op een voordeel ten opzichte van het gekozen vergelijkingsmodel, maar de lage absolute scores mogen niet worden opgevat als bewijs van betrouwbare algemene programmeer- of wiskundige redeneervaardigheid. Ook tonen deze benchmarks niet rechtstreeks aan hoe nauwkeurig het model is bij de documentverwerking waarop het bedrijf zich richt.
Voor bedrijven is het nuttiger om te toetsen of een passend aangepaste versie voldoet aan de kwaliteitseisen van een specifiek proces. Bij gegevensextractie betekent dit dat fouten en weglatingen per veld worden gemeten. Bij het doorsturen van zaken betekent het dat de classificatieprestaties worden gemeten en wordt bepaald welke onzekere gevallen door een menselijke beoordelaar moeten worden afgehandeld.
Controle brengt operationele verantwoordelijkheid met zich mee
Volgens de release ondersteunt NanoI1 implementatie op eigen locatie en hosting in Indiase datacenters. Een model lokaal uitvoeren kan ervoor zorgen dat de invoer niet routinematig naar een externe modelaanbieder hoeft te worden gestuurd. Daarmee zijn de vereisten voor applicatiebeveiliging, toegangsbeheer, logging en gegevensbewaring echter niet automatisch opgelost.
De praktische waarde van NanoI1 zit daarom in de implementatiemogelijkheid: een model met open gewichten dat klein genoeg is om te evalueren voor gespecialiseerde lokale toepassingen. Of die mogelijkheid lagere totale kosten of voldoende nauwkeurigheid oplevert, hangt af van de werklast, de benodigde integratie en de evaluatieresultaten, en niet alleen van het aantal parameters.












