Gnani AI ha presentato Artha, uno stack di intelligenza artificiale sovrana sviluppato per imprese e istituzioni pubbliche indiane e progettato per essere eseguito direttamente all’interno delle infrastrutture delle organizzazioni. Il sistema è stato presentato il 28 agosto 2026 a Nuova Delhi alla presenza del vicepresidente dell’India C. P. Radhakrishnan e integra in un’unica architettura il nuovo modello linguistico Evon v3.3, la piattaforma agentica Plexus e gli strumenti necessari per distribuire modelli e applicazioni in data center aziendali o ambienti virtual private cloud. L’obiettivo tecnico è permettere alle organizzazioni di mantenere modelli, elaborazioni e dati sensibili all’interno della propria infrastruttura, una caratteristica rivolta in particolare a settori come banche, assicurazioni, pubblica amministrazione, sanità e telecomunicazioni, nei quali residenza e controllo dei dati rappresentano requisiti operativi rilevanti.
Il componente principale dello stack è Gnani Evon v3.3, un modello open-weight da 30 miliardi di parametri sviluppato specificamente per undici lingue indiane. Il modello utilizza un’architettura Mixture-of-Experts nella quale, pur disponendo complessivamente di 30 miliardi di parametri, circa 3,5 miliardi vengono attivati per ciascun token elaborato. Questa configurazione consente di limitare il carico computazionale durante l’inferenza rispetto a un modello denso di dimensioni equivalenti e permette, secondo Gnani AI, di eseguire Evon v3.3 su un singolo nodo di inferenza. Il modello è stato sviluppato attraverso continual pre-training a partire da Nvidia Nemotron, seguito da post-training e reinforcement learning utilizzando dati proprietari dell’azienda dedicati alle lingue e ai domini applicativi indiani.
Il corpus utilizzato per lo sviluppo supera i 2.000 miliardi di token distribuiti su undici lingue indiane. Gnani AI ha inoltre lavorato specificamente sull’efficienza del tokenizer, cioè sul componente che suddivide il testo nelle unità elaborate dal modello. Per Evon v3.3 è stato realizzato un vocabolario di oltre 163.000 token ottimizzato per le scritture indiane, con l’obiettivo di ridurre il numero di token necessario per rappresentare una singola parola. Secondo i dati dell’azienda, il sistema utilizza circa il 20% di token in meno per parola nelle lingue indiane rispetto al tokenizer impiegato dalla famiglia GPT-5 e meno della metà rispetto ai tokenizer byte-level utilizzati da modelli come DeepSeek, Llama e Qwen. Una riduzione del numero di token si traduce direttamente in un minore consumo di capacità di calcolo, tempi di elaborazione inferiori e maggiore quantità di testo utilizzabile all’interno della finestra di contesto.
Evon v3.3 è stato ottimizzato anche per comprensione linguistica, ragionamento, velocità di inferenza e tool calling. Gnani AI dichiara di avere impiegato circa 1.500 GPU Nvidia nelle diverse fasi di pulizia dei dati, continual pre-training e post-training e di avere verificato il modello attraverso circa 40-45 benchmark. Nei test MILU dedicati alla comprensione delle lingue indiane, l’azienda afferma che Evon v3.3 supera un modello Indic da 105 miliardi di parametri in dieci delle undici lingue considerate e un modello da 30 miliardi di parametri in tutte e undici, raggiungendo inoltre prestazioni paragonabili a quelle di un modello globale hosted di dimensioni simili. Le valutazioni sono state estese anche ai benchmark MMLU e MMLU-Pro per le capacità di ragionamento e comprensione generale.
Sul piano dell’esecuzione, Evon v3.3 può essere distribuito direttamente nell’infrastruttura del cliente e viene rilasciato con pesi aperti sotto licenza Apache 2.0. I pesi possono essere richiesti tramite Hugging Face. L’architettura self-hosted permette alle organizzazioni di mantenere i dati nella propria rete anziché trasferirli verso un’infrastruttura esterna, consentendo di impostare l’ambiente in funzione dei requisiti indiani relativi a residenza e trattamento delle informazioni, compresi quelli collegati al Digital Personal Data Protection Act e alle disposizioni applicabili nei settori regolamentati da RBI e IRDAI.
Il secondo elemento centrale di Artha è Gnani Plexus, una piattaforma agentica destinata alla costruzione e distribuzione di agenti AI aziendali. Plexus consente di creare agenti tramite istruzioni in linguaggio naturale e di collegarli a documenti, sistemi informativi, applicazioni e strumenti esterni attraverso funzioni di tool calling. Ogni agente viene trattato come un’unità distinta dotata di una propria identità e può essere combinato con altri agenti all’interno di workflow definiti in base a uno specifico risultato operativo. I flussi possono essere eseguiti in sequenza oppure in parallelo e gestiti attraverso un livello di orchestrazione che può prevedere sia supervisione umana sia funzionamento autonomo dell’AI.
La piattaforma integra inoltre meccanismi di governance, osservabilità e registrazione delle attività, insieme a protezioni contro prompt malevoli e tentativi di jailbreak, controllo dei dati e gestione degli output. Le aziende possono scegliere il modello sottostante utilizzato dagli agenti, incluso Evon v3.3, senza vincolare quindi Plexus a un unico LLM. Durante la presentazione sono state mostrate applicazioni che comprendono il recupero di informazioni associate alle carte PAN e workflow multi-agente destinati alla gestione di programmi di welfare e delle segnalazioni dei cittadini. In un possibile processo di gestione dei reclami, per esempio, un agente multilingue può acquisire una segnalazione nella lingua dell’utente, mentre un secondo agente di ragionamento può confrontarla con altre richieste recenti, identificare anomalie ricorrenti e instradare automaticamente il problema verso il sistema o il dipartimento competente.
Artha comprende inoltre gli altri modelli proprietari di Gnani AI dedicati all’elaborazione vocale. Accanto a Evon v3.3 sono presenti Evon v2.0 per ragionamento aziendale e orchestrazione degli strumenti, Prisma v2.5 per il riconoscimento automatico della voce e Timbre v2.5 per la sintesi vocale neurale. Prisma è stato addestrato su audio telefonico reale ed è progettato per gestire accenti regionali e code-switching, mentre Timbre produce sintesi vocale con prosodia dipendente dal contesto e supporto allo streaming. La combinazione di questi modelli con Plexus permette quindi di costruire workflow che non si limitano all’elaborazione testuale, ma possono comprendere riconoscimento vocale, generazione della voce, ragionamento, accesso a strumenti esterni e automazione delle procedure.
Gnani AI fa parte delle dodici realtà selezionate nell’ambito dell’India AI Mission per lo sviluppo di modelli di intelligenza artificiale sovrana. Il programma nazionale, approvato nel 2024 con un investimento iniziale di 103,72 miliardi di rupie, comprende anche misure destinate a rendere disponibile capacità di calcolo alle aziende impegnate nello sviluppo di modelli locali. Artha concentra questa impostazione in un unico stack nel quale modelli, piattaforma agentica e infrastruttura di esecuzione possono rimanere sotto il controllo dell’organizzazione che li utilizza, mentre Evon v3.3 fornisce il livello linguistico e di ragionamento ottimizzato specificamente per le lingue indiane.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)