Modele i platformy AI
KiteFishAI przedstawia NanoI1, model AI do prywatnego i lokalnego wykorzystania w przedsiębiorstwach
KiteFishAI udostępnia NanoI1, model z otwartymi wagami o 155 milionach parametrów, przeznaczony do wyspecjalizowanych procesów w przedsiębiorstwach i uruchamiania na lokalnym sprzęcie.

Kluczowe punktyNanoI1 koncentruje się na ograniczonych przepływach pracy w przedsiębiorstwach, a nie…
Zobacz więcej
- NanoI1 koncentruje się na ograniczonych przepływach pracy w przedsiębiorstwach, a nie na zastępowaniu uniwersalnego asystenta.
- Jego okno kontekstu wynoszące 2048 tokenów zmusza aplikacje do dzielenia długich dokumentów przed przetwarzaniem.
- Benchmarki dostawcy pokazują niskie wyniki bezwzględne, które nie dowodzą dokładności w przepływach pracy z dokumentami.
KiteFishAI przedstawiła NanoI1, model językowy o 155 milionach parametrów, zaprojektowany z myślą o przedsiębiorstwach, które chcą uruchamiać wyspecjalizowane obciążenia AI na kontrolowanej przez siebie infrastrukturze. Ogłoszony 17 listopada model, opracowany przez firmę z siedzibą w Indiach, jest przeznaczony do ekstrakcji danych z dokumentów, klasyfikacji i procesów wsparcia, a nie jako zamiennik uniwersalnych asystentów AI.
To rozróżnienie ma znaczenie. NanoI1 nie jest reklamowany jako mały model, który potrafi wykonać każde zadanie obsługiwane przez znacznie większy system. Chodzi o to, że kompaktowy, przystosowywalny model może być bardziej praktyczną podstawą do realizacji ściśle określonych zadań, w przypadku których kluczowe znaczenie mają sposób przetwarzania danych, wymagania sprzętowe i kontrola nad wdrożeniem.
Mały model zaprojektowany z myślą o wdrożeniu lokalnym
Według KiteFishAI model NanoI1 wytrenowano od podstaw na około bilionie tokenów, przy użyciu ośmiu procesorów graficznych NVIDIA H100 w Gurgaonie. Firma podaje, że plik modelu ma rozmiar 311 MB i że można go uruchamiać na laptopach oraz serwerach lokalnych. Podana wielkość pliku dotyczy samego modelu, a nie gwarantowanego zapotrzebowania na pamięć całej aplikacji.
Wagi modelu udostępniono na licencji Apache-2.0, a firma oferuje wersje Base i Instruct. Model Base stanowi punkt wyjścia do dalszego dostosowywania, natomiast wersja dostrojona do wykonywania poleceń jest przeznaczona do zastosowań konwersacyjnych i zadań wymagających realizacji instrukcji. Na stronie KiteFishAI znajduje się bezpośredni odnośnik do repozytorium modelu Instruct; firma wymienia ekstrakcję danych o ustrukturyzowanym formacie i zadania wymagające niskich opóźnień wśród planowanych zastosowań modelu.
W informacji o premierze wymieniono także obsługę środowiska vLLM do serwowania modeli oraz okno kontekstu obejmujące 2048 tokenów. To istotne ograniczenie: aplikacje przetwarzające długie pliki musiałyby wybierać fragmenty danych wejściowych lub dzielić je na części, zamiast zakładać, że cały dokument zmieści się w jednym żądaniu.
Wyspecjalizowane procesy zamiast uniwersalnego asystenta
KiteFishAI wskazuje ekstrakcję danych z dokumentów wymaganych w procedurze „poznaj swojego klienta” (KYC), klasyfikowanie skarg, kierowanie zgłoszeń do obsługi klienta oraz przetwarzanie krótkich dokumentów jako potencjalne zastosowania modelu. To przykłady ograniczonych zakresowo procesów, w których system można oceniać na podstawie określonego wyniku, takiego jak etykieta kategorii lub zestaw wyodrębnionych pól.
Firma twierdzi, że NanoI1 obsługuje język angielski, hindi i osiem innych języków indyjskich, zaznacza jednak, że jego możliwości wielojęzyczne są ograniczone. Firmy rozważające wykorzystanie tego modelu powinny zatem odróżniać samą dostępność obsługi danego języka od potwierdzonej dokładności na własnych dokumentach, słownictwie i formatowaniu.
Założyciel i dyrektor generalny Anuj Gupta przedstawia premierę w kontekście wymagań przedsiębiorstw dotyczących prywatności, infrastruktury i kosztów. W ogłoszeniu opisuje mniejsze, wyspecjalizowane modele jako sposób na praktyczniejsze wykorzystanie AI przez organizacje, które potrzebują większej kontroli nad miejscem przechowywania swoich danych i aplikacji.
Wyniki testów porównawczych należy interpretować w wąskim zakresie
KiteFishAI podaje, że w testach przeprowadzonych przez firmę, przy tych samych ustawieniach, NanoI1 uzyskał wynik 9,1% w teście HumanEval, w porównaniu z 2,4% dla modelu Gemma-3-270M firmy Google. Firma informuje również o wynikach 4,3% wobec 1,2% w teście EvalPlus oraz 4,0% wobec 1,8% w teście GSM8K.
Są to porównania podane przez dostawcę, a nie niezależna weryfikacja przeprowadzona przez Unite.AI. Wskazują na przewagę nad wybranym modelem porównawczym w testach firmy, ale niskich wyników bezwzględnych nie należy uznawać za dowód wiarygodnych, ogólnych zdolności programistycznych ani matematycznych. Testy te nie potwierdzają też bezpośrednio dokładności w procesach przetwarzania dokumentów, na których koncentruje się firma.
Bardziej miarodajnym testem dla przedsiębiorstw byłoby sprawdzenie, czy odpowiednio dostosowana wersja modelu spełnia wymagany poziom jakości w konkretnym procesie. W przypadku ekstrakcji danych oznacza to pomiar błędów i pominięć na poziomie poszczególnych pól. W przypadku kierowania zgłoszeń należy zmierzyć skuteczność klasyfikacji i zdecydować, które niepewne przypadki powinny nadal trafiać do weryfikacji przez człowieka.
Kontrola wiąże się z odpowiedzialnością za działanie systemu
Zgodnie z informacją o premierze NanoI1 można wdrażać lokalnie, we własnej infrastrukturze, oraz hostować w centrach danych w Indiach. Uruchamianie modelu lokalnie może wyeliminować konieczność regularnego przesyłania danych wejściowych do zewnętrznego dostawcy modeli. Samo w sobie nie rozwiązuje jednak kwestii bezpieczeństwa aplikacji, kontroli dostępu, rejestrowania działań ani wymagań dotyczących przechowywania danych.
Praktyczne znaczenie NanoI1 wynika zatem z możliwości wdrożenia: to model bazowy z otwartymi wagami, na tyle mały, by można go było testować pod kątem wyspecjalizowanych zastosowań lokalnych. To, czy takie rozwiązanie obniży całkowite koszty lub zapewni wystarczającą dokładność, będzie zależeć od rodzaju obciążenia, nakładu pracy potrzebnego do integracji i wyników oceny, a nie wyłącznie od liczby parametrów.












