Yapay zeka modelleri ve platformları
KiteFishAI, özel ve yerel kurumsal yapay zekâ için NanoI1’i tanıttı
KiteFishAI, yerel donanımlarda kurumsal iş akışlarına yönelik, 155 milyon parametreli açık ağırlıklı NanoI1 modelini yayımlıyor.

Öne çıkan noktalarNanoI1, genel amaçlı bir asistan yerine geçmek yerine sınırlı kurumsal iş akışlarını…
Daha fazla göster
- NanoI1, genel amaçlı bir asistan yerine geçmek yerine sınırlı kurumsal iş akışlarını hedefler.
- 2.048 token'lık bağlam penceresi, uygulamaları işleme almadan önce uzun belgeleri bölmeye zorlar.
- Satıcı kıyaslamaları, belge iş akışlarında doğruluğu kanıtlamayan düşük mutlak puanlar gösterir.
KiteFishAI, denetimleri altındaki altyapıda belirli yapay zekâ iş yüklerini çalıştırmak isteyen işletmeler için tasarlanan, 155 milyon parametreli NanoI1 dil modelini tanıttı. 17 Kasım’da duyurulan bu sürüm, Hindistan merkezli şirketin modeli genel amaçlı yapay zekâ asistanlarının yerine konumlandırmak yerine belge ayıklama, sınıflandırma ve destek iş akışlarını hedefliyor.
Bu ayrım önem taşıyor. NanoI1’in iddiası, küçük bir modelin çok daha büyük bir sistemin gerçekleştirdiği her görevi yerine getirebileceği değil. İddia, veri işleme, donanım gereksinimleri ve dağıtım üzerindeki denetimin karar açısından belirleyici olduğu, kapsamı dar biçimde tanımlanmış işler için kompakt ve uyarlanabilir bir modelin daha kullanışlı bir temel oluşturabileceği.
Yerel dağıtım için tasarlanmış küçük bir model
KiteFishAI’ye göre NanoI1, Gurgaon’da sekiz NVIDIA H100 GPU kullanılarak yaklaşık bir trilyon belirteçle sıfırdan eğitildi. Şirket, dosya boyutunu 311 MB olarak belirtiyor ve modelin dizüstü bilgisayarlarda ve yerel sunucularda çalışabileceğini söylüyor. Bu dosya boyutu, model dosyasını ifade ediyor; eksiksiz bir uygulamanın yalnızca bu kadar belleğe ihtiyaç duyacağını garanti etmiyor.
Ağırlıklar Apache-2.0 lisansı altında yayımlandı ve şirket hem Base hem de Instruct sürümlerini sunuyor. Base modeli uyarlama için bir başlangıç noktası sağlarken, talimatlarla ince ayar yapılmış sürüm konuşmaya ve görevleri izlemeye yönelik uygulamaları hedefliyor. KiteFishAI’nin web sitesi doğrudan Instruct model deposuna bağlantı veriyor ve yapılandırılmış veri ayıklama ile düşük gecikmeli görevleri modelin amaçlanan kullanım alanları arasında sayıyor.
Duyuruda ayrıca vLLM ile sunum desteği ve 2.048 belirteçlik bağlam penceresi belirtiliyor. Bu bağlam sınırı önemli: uzun dosyaları işleyen uygulamaların, belgenin tamamının tek bir isteğe sığacağını varsaymak yerine girdilerini seçmesi veya bölümlere ayırması gerekir.
Evrensel bir asistandan çok, belirli iş akışlarına odaklanıyor
KiteFishAI, müşterini tanı (KYC) belgelerinden veri ayıklama, şikâyetleri sınıflandırma, müşteri destek taleplerini yönlendirme ve kısa belgeleri işleme gibi olası kullanım alanlarını sıralıyor. Bunlar, bir kategori etiketi veya ayıklanan alanlar kümesi gibi tanımlı bir çıktıya göre bir sistemin değerlendirilebileceği, sınırları belirli iş akışlarına örnek oluşturuyor.
Şirket, NanoI1’in İngilizce, Hintçe ve sekiz başka Hint dilini desteklediğini belirtiyor; ancak çok dilli yeteneklerinin sınırlı olduğunu da vurguluyor. Bu nedenle modeli değerlendiren işletmeler, bir dilin destekleniyor olmasını, modelin kendi belgeleri, sözcük dağarcıkları ve biçimlendirmeleri üzerindeki kanıtlanmış doğruluğundan ayrı ele almalı.
Kurucu ve CEO Anuj Gupta, modelin tanıtımını işletmelerin gizlilik, altyapı ve maliyet gereksinimleri çerçevesinde değerlendiriyor. Duyuruda, daha küçük ve belirli amaçlar için tasarlanmış modelleri, verilerinin ve uygulamalarının nerede bulunduğu üzerinde daha fazla denetime ihtiyaç duyan kuruluşlar için yapay zekâyı daha kullanışlı hâle getirmenin bir yolu olarak tanımlıyor.
Kıyaslama iddiaları dar kapsamda yorumlanmalı
KiteFishAI, aynı test koşulları altında şirketin yürüttüğü değerlendirmelerde NanoI1’in HumanEval’de %9,1 puan aldığını, Google’ın Gemma-3-270M modelinin ise %2,4 puan aldığını bildiriyor. Şirket ayrıca EvalPlus’ta %4,3’e karşı %1,2; GSM8K’da ise %4,0’a karşı %1,8 puan aldığını belirtiyor.
Bu rakamlar, Unite.AI tarafından bağımsız olarak doğrulanmış sonuçlar değil, satıcının bildirdiği karşılaştırmalardır. Şirketin testlerinde seçilen karşılaştırma modeline karşı bir üstünlüğe işaret ediyorlar; ancak mutlak puanların düşük olması, genel kodlama veya matematiksel akıl yürütme yeteneğinin güvenilir olduğu şeklinde yorumlanmamalı. Bu kıyaslamalar, şirketin hedeflediği belge işleme iş akışlarındaki doğruluğu da doğrudan ortaya koymuyor.
İşletmeler açısından daha anlamlı bir test, uygun biçimde uyarlanmış bir sürümün belirli bir iş akışının kalite eşiğini karşılayıp karşılayamayacağı olur. Veri ayıklamada bu, alan düzeyindeki hataların ve eksiklerin ölçülmesi anlamına gelir. Yönlendirmede ise sınıflandırma performansını ölçmek ve hangi belirsiz durumların insan denetçiye bırakılması gerektiğine karar vermek gerekir.
Denetim, operasyonel sorumluluk da getiriyor
Duyuruya göre NanoI1, şirket içi sunuculara dağıtımı ve Hindistan’daki veri merkezlerinde barındırmayı destekliyor. Bir modeli yerel olarak çalıştırmak, girdilerin düzenli olarak harici bir model sağlayıcısına gönderilmesi gereğini ortadan kaldırabilir. Ancak bu, tek başına uygulama güvenliği, erişim denetimi, günlük kaydı veya veri saklama gereksinimlerini çözmez.
Dolayısıyla NanoI1’in pratik önemi, sunduğu dağıtım seçeneğinde yatıyor: özel amaçlı yerel uygulamalarda değerlendirmeye yetecek kadar küçük, açık ağırlıklı bir temel model. Bu seçeneğin toplam maliyetleri düşürüp düşürmeyeceği veya yeterli doğruluk sağlayıp sağlamayacağı, yalnızca parametre sayısına değil, iş yüküne, entegrasyon çabasına ve değerlendirme sonuçlarına bağlı olacak.












