Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
A new AI stack appeared in New Delhi with a distinctly local starting point. Gnani.ai unveiled Artha, combining its 30 Bn-parameter Evon v3.3 model with Plexus, a platform for building workflow-specific AI agents. The launch was presented by India’s vice president, CP Radhakrishnan, as the Bengaluru startup targets enterprises and public institutions.
Une nouvelle stack IA a fait son apparition à New Delhi, avec un point de départ résolument local. Gnani.ai a dévoilé Artha, qui associe son modèle Evon v3.3 de 30 milliards de paramètres à Plexus, une plateforme permettant de créer des agents IA adaptés à des workflows spécifiques. Le lancement a été présenté par le vice-président indien, CP Radhakrishnan, alors que la startup de Bengaluru cible les entreprises et les institutions publiques.
Evon was trained natively across 11 Indian languages and on 2 Tn tokens, with an emphasis on reasoning and Indic-language performance. Its weights — the learned patterns that shape how a model interprets inputs and generates responses — are available upon request on Hugging Face under an Apache 2.0 licence. Plexus adds the operational layer: organisations can use the model to build and deploy agents for tasks such as underwriting, advertising and payments reconciliation while retaining control of their data and technology infrastructure.
Evon a été entraîné nativement dans 11 langues indiennes et sur 2 billions de tokens, avec un accent mis sur le raisonnement et les performances dans les langues indiennes. Ses poids — les schémas appris qui déterminent la façon dont un modèle interprète les entrées et génère ses réponses — sont disponibles sur demande sur Hugging Face, sous licence Apache 2.0. Plexus fournit la couche opérationnelle : les organisations peuvent utiliser le modèle pour créer et déployer des agents chargés de tâches comme la souscription, la publicité et le rapprochement des paiements, tout en conservant le contrôle de leurs données et de leur infrastructure technologique.
Gnani.ai’s efficiency claim is central to the pitch. The company says Evon consumes around 40% fewer tokens than comparable models for Indian-language workloads, potentially lowering compute costs when AI moves beyond demonstrations. The company says its focus is production use rather than benchmark performance, but the evidence remains early.
L’affirmation de Gnani.ai sur l’efficacité est au cœur de son argumentaire. L’entreprise affirme qu’Evon consomme environ 40 % de tokens en moins que des modèles comparables pour les usages dans les langues indiennes, ce qui pourrait réduire les coûts de calcul lorsque l’IA dépassera le stade des démonstrations. L’entreprise précise privilégier les usages en production plutôt que les performances aux benchmarks, mais les éléments disponibles restent préliminaires.
The first customer signals are tangible but not deployments. Gnani.ai says five of 20 enterprises at a recent meeting in Pune expressed interest and began building on Evon. The engagements are still at an early stage, and no Evon deployment has gone live. In underwriting and payments reconciliation, humans will initially remain involved; more routine work, such as matching documents and data during loan onboarding, is expected to become increasingly autonomous.
Les premiers signaux clients sont concrets, mais ne constituent pas encore des déploiements. Gnani.ai affirme que cinq des 20 entreprises présentes à une récente réunion à Pune ont manifesté leur intérêt et commencé à développer des projets avec Evon. Ces collaborations en sont encore à leurs débuts et aucun déploiement d’Evon n’est opérationnel. Dans la souscription et le rapprochement des paiements, des humains continueront initialement d’intervenir ; les tâches plus routinières, comme la mise en correspondance des documents et des données lors de l’ouverture d’un prêt, devraient devenir progressivement plus autonomes.
So what changes in practice? Gnani.ai says the stack is designed to address data sovereignty, deployment costs at scale, and the ability to work across Indian languages and real-world use cases. The next steps are still plans: Gnani.ai is considering 70 Bn- and 100 Bn-parameter models, wants to expand from 11 to 22 languages, and has not disclosed a timeline for its speech-to-speech technology. Artha is therefore best understood as an early customer platform, not a proven large-scale deployment.
Alors, qu’est-ce qui change en pratique ? Gnani.ai affirme que sa stack est conçue pour répondre aux enjeux de souveraineté des données, de coûts de déploiement à grande échelle et de prise en charge des langues indiennes et des cas d’usage réels. Les prochaines étapes restent toutefois à l’état de projet : Gnani.ai envisage des modèles de 70 et 100 milliards de paramètres, souhaite passer de 11 à 22 langues et n’a pas communiqué de calendrier pour sa technologie de conversion parole à parole. Artha doit donc être considérée comme une plateforme client encore précoce, et non comme un déploiement à grande échelle ayant fait ses preuves.