भारतीय conversational AI कंपनी Gnani.ai ने “Artha” नाम का sovereign AI stack पेश किया है। इसमें Evon v3.3 open-weights भाषा मॉडल और Plexus agentic platform शामिल हैं। कंपनी इसे भारतीय भाषाओं, स्थानीय नियंत्रण और enterprise-grade on-premise उपयोग पर केंद्रित विकल्प के रूप में पेश कर रही है।
द प्रेस ऑफ एशिया डेस्क
नई दिल्ली | 29 अगस्त 2026
Artha का लॉन्च 28 अगस्त को नई दिल्ली के उपराष्ट्रपति भवन में उपराष्ट्रपति सी. पी. राधाकृष्णन की मौजूदगी में हुआ। इसकी मुख्य पेशकश यह है कि बैंक, सरकारी विभाग, टेलीकॉम कंपनियां और अन्य संस्थान AI मॉडल तथा agents को अपने नियंत्रित infrastructure पर चला सकते हैं। इससे संवेदनशील डेटा को किसी बाहरी public cloud पर भेजे बिना automation और generative AI के उपयोग का विकल्प मिल सकता है।
लेकिन किसी नए AI उत्पाद का मूल्यांकन केवल लॉन्च के दावों से नहीं होना चाहिए। Evon v3.3 के आकार, गति, token efficiency और language performance से जुड़े कई आंकड़े कंपनी द्वारा बताए गए हैं; सार्वजनिक स्वतंत्र benchmark अभी सीमित हैं। इसलिए इस लेख में पुष्ट लॉन्च विवरण और कंपनी के performance claims को अलग-अलग रखा गया है।
Gnani Artha के मुख्य हिस्से
- Evon v3.3: 30 billion parameters वाला open-weights language model, कंपनी के अनुसार Mixture-of-Experts architecture पर आधारित।
- लगभग 3.5 billion active parameters: कंपनी का कहना है कि inference के समय मॉडल के कुल parameters में से चुनिंदा हिस्से सक्रिय होते हैं।
- 11 भारतीय भाषाओं के लिए समर्थन, जिससे voice और text applications को स्थानीय संदर्भ में बनाया जा सके।
- Plexus: workflows को पूरा करने वाले AI agents बनाने, संचालित करने और monitor करने का platform।
- On-premise या private environment में deployment, ताकि संस्था data, access और audit पर अधिक नियंत्रण रख सके।
Sovereign AI का अर्थ क्या है?
Sovereign AI ऐसी तकनीकी व्यवस्था को कहा जाता है जिसमें किसी देश या संस्था के पास मॉडल, computing infrastructure, training या fine-tuning data और deployment policies पर पर्याप्त नियंत्रण हो। इसका उद्देश्य केवल “देश में बना” label नहीं है। असली सवाल यह है कि data कहां रहता है, model weights किसके नियंत्रण में हैं, system को कौन audit कर सकता है और महत्वपूर्ण सेवा के बंद होने का निर्णय किसके हाथ में है।
भारत जैसे बहुभाषी देश में sovereignty का एक भाषाई पहलू भी है। अधिकांश बड़े वैश्विक मॉडल अंग्रेजी-केंद्रित data और tokenization पर बने हैं। भारतीय लिपियों में एक शब्द कई tokens में टूट सकता है, जिससे inference महंगा या धीमा हो सकता है। Gnani का दावा है कि Evon v3.3 का tokenizer भारतीय शब्दों के लिए GPT-5 family tokenizer की तुलना में लगभग 20 प्रतिशत कम tokens उपयोग करता है। यह कंपनी का दावा है; अलग भाषाओं और वास्तविक enterprise workloads पर स्वतंत्र परीक्षण के बाद ही इसकी व्यापक पुष्टि हो सकती है।
Evon v3.3 कैसे अलग होने का दावा करता है?
कंपनी Evon v3.3 को 30B open-weights model बताती है, जिसमें Mixture-of-Experts, या MoE, architecture उपयोग किया गया है। MoE में हर input के लिए पूरा model समान रूप से सक्रिय नहीं होता; routing system जरूरत के अनुसार कुछ expert components चुनता है। सिद्धांततः इससे बड़े model की क्षमता को अपेक्षाकृत कम active compute के साथ उपयोग किया जा सकता है।
Gnani के अनुसार Evon v3.3 में लगभग 3.5B parameters एक समय में सक्रिय रहते हैं और इसे single-node setup पर चलाया जा सकता है। यह उन संगठनों के लिए महत्वपूर्ण हो सकता है जो खर्च, latency या data policy के कारण hyperscale cloud पर निर्भर नहीं रहना चाहते। फिर भी hardware specification, throughput, power cost, response quality और maintenance team की जरूरत हर deployment में अलग होगी। “Single node” का अर्थ अपने-आप कम कुल लागत नहीं होता।
कंपनी Apache 2.0 licensing के तहत weights उपलब्ध कराने और access को request-based रखने की बात करती है। संभावित उपयोगकर्ता को licence terms, model card, training-data disclosure, safety evaluation और commercial support की शर्तें पढ़नी चाहिए। Open weights उपयोगकर्ता को अधिक निरीक्षण और customization दे सकते हैं, लेकिन security patching और responsible deployment की जिम्मेदारी भी बढ़ाते हैं।
Plexus agentic platform क्या करता है?
Language model जवाब तैयार करता है, जबकि agentic platform किसी लक्ष्य को पूरा करने के लिए tools, databases और business rules से जुड़ सकता है। Plexus को ऐसे enterprise agents बनाने की layer के रूप में पेश किया गया है जो customer support, document processing, collections, compliance checks या internal workflow में कई चरण पूरे कर सकें।
उदाहरण के लिए, बैंक का agent ग्राहक की भाषा में अनुरोध समझ सकता है, अधिकृत database से सीमित जानकारी ले सकता है, policy rule जांच सकता है और मानव अधिकारी के लिए अगला कदम तैयार कर सकता है। यह तभी सुरक्षित है जब permissions न्यूनतम हों, actions का audit log बने और high-risk निर्णय में human review मौजूद हो। AI agent को unrestricted system access देना गंभीर operational और privacy जोखिम पैदा कर सकता है।
भारत के लिए संभावित उपयोग
भारतीय भाषाओं में voice interface Artha की सबसे स्पष्ट संभावनाओं में है। ग्रामीण बैंकिंग, बीमा, स्वास्थ्य appointment, सरकारी helpline और कृषि सलाह जैसी सेवाओं में बहुत से उपयोगकर्ता अंग्रेजी keyboard पर निर्भर नहीं रहना चाहते। Speech-to-text, language model और text-to-speech का संयोजन स्थानीय भाषा में सेवा उपलब्ध करा सकता है।
On-premise deployment regulated sectors के लिए आकर्षक हो सकता है, क्योंकि financial, health या citizen data को संस्था की boundary के भीतर रखा जा सकता है। लेकिन data localization अपने-आप privacy की गारंटी नहीं है। मजबूत encryption, identity controls, logging, data minimisation और नियमित security audit फिर भी जरूरी हैं।
भारत की व्यापक AI और डिजिटल नीति समझने के लिए द प्रेस ऑफ एशिया की भारत-अमेरिका व्यापार और तकनीकी सहयोग पर रिपोर्ट पढ़ी जा सकती है। शिक्षा और परीक्षा-प्रणाली में technology governance के दूसरे उदाहरण के लिए नंदन नीलेकणी की अध्यक्षता वाली परीक्षा सुधार task force पर हमारी खबर देखें।
कौन से सवाल अभी खुले हैं?
पहला सवाल independent evaluation का है। Company benchmark अक्सर चुने हुए tasks, hardware और prompts पर आधारित होते हैं। वास्तविक गुणवत्ता जानने के लिए 11 भाषाओं में अलग-अलग dialect, code-mixed speech, factual accuracy, hallucination rate और long-context reliability का तीसरे पक्ष से परीक्षण जरूरी होगा।
दूसरा सवाल training data और safety का है। भारतीय भाषाओं में online data असमान है और सामाजिक पूर्वाग्रह भी मौजूद हो सकते हैं। Model card में data sources, filtering, known limitations और red-team results जितने स्पष्ट होंगे, enterprise buyers उतना बेहतर risk assessment कर पाएंगे।
तीसरा सवाल total cost of ownership का है। Local deployment cloud bill घटा सकता है, लेकिन GPU, बिजली, cooling, engineering, monitoring और upgrades का खर्च संस्था को उठाना पड़ता है। निर्णय केवल model download होने की सुविधा पर आधारित नहीं होना चाहिए।
AI regulation और सरकारी procurement के लिए transparency भी जरूरी है। हमारी Pentagon-Anthropic court ruling पर रिपोर्ट दिखाती है कि advanced AI कानून और जवाबदेही का विषय भी है।
आगे क्या देखना चाहिए?
Artha की वास्तविक सफलता adoption, independent benchmarks और लंबे समय तक reliable deployments से तय होगी। यदि कंपनी model documentation, safety evaluation और reproducible tests सार्वजनिक करती है, तो buyers उसके दावों की तुलना global और Indian alternatives से बेहतर ढंग से कर सकेंगे।
फिलहाल पुष्टि यह है कि stack लॉन्च हो चुका है, उसमें Evon v3.3 और Plexus शामिल हैं और कंपनी भारतीय भाषाओं तथा private deployment को मुख्य विशेषता बता रही है। Speed, token savings और बेहतर performance जैसे दावे company-reported हैं और उन्हें स्वतंत्र validation की जरूरत है।
अक्सर पूछे जाने वाले सवाल
Gnani Artha क्या है?
यह Evon v3.3 language model और Plexus agentic platform वाला enterprise AI stack है, जिसे local control और भारतीय भाषा उपयोग के लिए पेश किया गया है।
क्या कंपनी के सभी benchmark स्वतंत्र रूप से पुष्ट हैं?
नहीं। कई performance और token-efficiency आंकड़े कंपनी के दावे हैं। व्यापक स्वतंत्र परीक्षण अभी आवश्यक है।