--- title: "Yi (01.AI) (BG)" source: "https://systems-analysis.info/int/Yi_(01.AI)_(BG)" wiki: "systems-analysis.info/int" article: "Yi_(01.AI)_(BG)" language: "bg" categories: - "Category:Bulgarian" - "Category:Large language models" - "Category:Machine learning" revision_id: 8539 wiki_created_at: 2026-09-07T01:18:50Z wiki_modified_at: 2026-09-07T01:18:50Z downloaded_at: 2026-09-07T23:25:57Z --- # Yi (01.AI) (BG) **Yi** — семейство от големи езикови модели (Large Language Model, LLM) и визуално-езикови модели (Vision-Language Model, VLM), разработено от компанията 01.AI (零一万物) под ръководството на Кай-Фу Ли (Kai-Fu Lee). Моделите са обучени от нулата върху висококачествен двуезичен корпус (английски и китайски език) с обем 3,1 трлн токена и включват варианти за генериране на текст, обработка на дълъг контекст (до 200 хил. токена), мултимодален вход (текст + изображения), генериране на код и ефективен извод на базата на архитектурата Mixture-of-Experts (MoE). Отворените варианти се разпространяват под лиценз Apache 2.0 с разрешение за търговска употреба; затворените флагмански модели (Yi-Large, Yi-Lightning) са достъпни чрез API.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-GitHub-2)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Official-3) ## История и хронология на развитието Компанията 01.AI е основана през март 2023 година от Кай-Фу Ли, бивш ръководител на Microsoft Research Asia и Google China, с централа в Пекин. Фокусът на компанията е разработване на ефективни LLM с акцент върху качеството на данните и инженерната оптимизация на инфраструктурата. До ноември 2023 година 01.AI достига статут на „еднорог" (оценка над 1 млрд. долара) след рунд на финансиране с участието на Alibaba.[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Wikipedia-4)[\[5\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Bloomberg-5) ### Първо поколение (2023–2024) Първите отворени модели Yi-6B и Yi-34B бяха представени на 2 ноември 2023 година. През следващите седмици линията беше допълнена с варианти с контекст от 200 хил. токена (5 ноември 2023), чат-варианти и квантизирани модели (23 ноември 2023). През януари 2024 година излязоха мултимодалните Yi-VL-6B и Yi-VL-34B. През март 2024 година беше представен моделът Yi-9B, получен чрез метода на дълбочинно мащабиране (depth upscaling) от Yi-6B, и беше публикуван технически доклад arXiv:2403.04652.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-GitHub-2) ### Yi-1.5 и специализирани модели (2024) На 13 май 2024 година беше пусната серията Yi-1.5 (6B/9B/34B) — резултат от непрекъснато предобучение върху допълнителни 500 млрд. токена и дообучение върху 3 млн. примера с инструкции. През май–юни 2024 година беше представен затвореният проприетарен модел Yi-Large с API-достъп, позициониран като SOTA. През септември 2024 година излезе специализираната серия Yi-Coder (1.5B/9B) за генериране на код с контекст от 128 хил. токена и поддръжка на 52 езика за програмиране.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1)[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-HFOrg-6)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Yi15GitHub-7) ### Yi-Lightning (2024) През октомври 2024 година беше представен флагманският модел Yi-Lightning на базата на архитектурата Mixture-of-Experts (MoE), оптимизиран за скорост и ефективност на извода. Yi-Lightning зае 6-то място в общата класация на LMSYS Chatbot Arena (Elo 1287), 2-ро място по китайски език и 3–4-то място по математика и кодиране. Техническият доклад беше публикуван през декември 2024 година (arXiv:2412.01253).[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-LightningReport-8) ### Промяна на стратегията (2025) През март 2025 година компанията 01.AI обяви прекратяване на предобучението на нови големи езикови модели и се съсредоточи върху корпоративни приложения, многоагентни системи и платформата WorldWise LLM Platform 2.5 на базата на модели на трети страни (включително DeepSeek).[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Wikipedia-4) ### Обобщена хронология | Дата | Събитие | |----------------|------------------------------------------------------------------------------| | Ноември 2023 | Пускане на Yi-6B и Yi-34B (base, chat, 200K-варианти) | | Януари 2024 | Мултимодални Yi-VL-6B и Yi-VL-34B | | Март 2024 | Yi-9B (depth-upscaled); публикуване на технически доклад arXiv:2403.04652 | | Май 2024 | Yi-1.5 (6B/9B/34B); Yi-Large (затворена, API) | | Септември 2024 | Yi-Coder-1.5B/9B (специализация в код, контекст 128K) | | Октомври 2024 | Yi-Lightning (MoE-архитектура, флагмански модел) | | Декември 2024 | Публикуване на технически доклад Yi-Lightning (arXiv:2412.01253) | | Март 2025 | Прекратяване на предобучението на нови LLM; фокус върху корпоративни решения | ## Теоретични основи и архитектура ### Базова архитектура Всички модели от семейството Yi се основават на архитектурата на декодерен transformer (decoder-only Transformer), описана в работата на Vaswani et al.[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Vaswani-9) Моделите са обучени от нулата и не са производни от LLaMA, въпреки сходството в реализацията.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1) Базовият механизъм на многоглавото самовнимание (Multi-Head Self-Attention) се описва с формулата: $\operatorname{Attention}(Q,K,V) = \operatorname{softmax}\!\left( \frac{QK^{o}p}{\sqrt{d_{k}}} \right)V$ където $Q$, $K$, $V$ — матрици на заявките (queries), ключовете (keys) и стойностите (values) съответно, $d_{k}$ — размерност на ключовете.[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Vaswani-9) Ключови архитектурни модификации на Yi:[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1) - **Grouped-Query Attention (GQA)** — разделяне на query-главите на групи с общи key/value-глави, което намалява потреблението на памет при запазване на качеството. - **SwiGLU-активация** — замяна на стандартния ReLU/GELU; намалява размера на активациите до 8/3 от размерността на скрития слой (hidden size). - **Rotary Position Embedding (RoPE)** с адаптирана базова честота (adjusted base frequency, ABF), осигуряваща разширяване на контекста без архитектурни промени. - **Речник** (vocabulary): 64 000 токена на основата на BPE (SentencePiece) с разделяне на числата на цифри и unicode-byte fallback за редки символи. ### Конфигурации на базовите модели Параметри на архитектурата от техническия доклад arXiv:2403.04652:[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1) | Параметър | Yi-6B | Yi-34B | |---------------------------------------------|--------|----------| | Hidden Size | 4096 | 7168 | | Query-heads | 32 | 56 | | KV-heads | 4 | 8 | | Брой слоеве | 32 | 60 | | Дължина на предобучение (Pretrain Seq. Len) | 4096 | 4096 | | Макс. скорост на обучение (Max LR) | 3×10⁻⁴ | 1,5×10⁻⁴ | *Източник: arXiv:2403.04652, таблица с параметри.*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1) ### Архитектура на Yi-Lightning (MoE) Yi-Lightning (2024) използва подобрена архитектура Mixture-of-Experts (MoE) със следните особености:[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-LightningReport-8) - **Fine-grained expert segmentation** — дребнозърнесто разделяне на FFN-блоковете на експерти за повишаване на специализацията. - **Многостепенно балансиране на натоварването** — комбинация от Switch-Transformer (ST), Expert Parallel (EP) и Partitioned EP (PEP) загуби за равномерно разпределение на токените между експертите. - **Хибридно внимание** — редуване на 3 слоя с плъзгащ се прозорец (sliding window) и 1 слой с пълно внимание (full attention), с повторно използване на KV-кэш между слоевете. - **Намаляване на паметта за KV-кэш** с 82,8 % в сравнение со стандартния подход при обработка на дълги последователности. - **Контекстен прозорец** разширен до 64 хил. токена. Точният брой на експертите и общият брой параметри на Yi-Lightning не са разкрити в публичните източници.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-LightningReport-8) ### Мултимодални варианти (Yi-VL) В мултимодалните модели Yi-VL езиковият модел се свързва с визуален енкодер CLIP ViT-H/14 чрез MLP-проекция. Изображението $I$ се преобразува от визуалния енкодер в последователност от embedding-и $\{ v_{1},\ldots,v_{K}\}$, които се подават в езиковия модел заедно с текстовите токени. Обучението протича в три етапа с увеличаване на разделителната способност: 224×224 → 448×448 пиксела.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1) ## Конвейер на обучението и изравняване ### Предварително обучение (Pre-training) Базовите модели Yi-6B и Yi-34B са предобучени върху двуезичен корпус с обем 3,1 трлн. токена. Данните преминават каскаден конвейер за филтриране и дедупликация: евристични филтри, обучени скорери (perplexity, quality, coherence, safety), клъстеризация и MinHash-дедупликация. Източници — Common Crawl, книги и научни статии.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1) За Yi-1.5 е извършено непрекъснато предобучение (continued pre-training) върху допълнителни 500 млрд. токена висококачествен корпус.[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Yi15GitHub-7) ### Контролирано дообучение (Supervised Fine-Tuning, SFT) Чат-вариантите на първото поколение са дообучени върху малък, но внимателно проверен набор — по-малко от 10 хил. многооборотни (multi-turn) примера, всеки от които е ръчно проверен и редактиран от инженери по машинно обучение. За Yi-1.5 обемът на SFT-данните е увеличен до 3 млн. примера.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Yi15GitHub-7) ### Изравняване чрез обучение с подкрепление За Yi-Lightning се прилага многоетапен процес на изравняване: SFT с последващ RLHF/DPO. Синтетични данни се генерират с използване на Monte Carlo Tree Search (MCTS). Рамката за безопасност RAISE реализира четиристепенна защита: филтриране на данните от предобучението, safety fine-tuning, входен контрол на prompt-овете и изходен контрол на отговорите.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-LightningReport-8) ### Разширяване на контекста Разширяването на контекстния прозорец до 200 хил. токена е реализирано чрез леко непрекъснато предобучение върху 5 млрд. токена (книги + синтетични въпроси-отговори) с използване на техниката RoPE ABF. След доработката точността в задачата Needle-in-a-Haystack (търсене на целеви фрагмент в дълъг текст) достига 99,8 %.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-GitHub-2) ### Дълбочинно мащабиране (Depth Upscaling) Yi-9B е получен чрез дублиране на слоеве 12–28 от базовия модел Yi-6B с последващо предобучение върху 800 млрд. токена. Методът осигурява увеличаване на капацитета на модела без обучение от нулата.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1) ## Състав на семейството от модели ### Основни езикови модели | Модел | Параметри | Тип | Контекст | Дата на пускане | Лиценз | Забележка | |--------------------------|------------------------------------------|-------------|--------------------|-----------------|----------------|---------------------------------------------------------| | Yi-6B / Yi-34B | 6 млрд. / 34 млрд. | Base / Chat | 4K (разш. до 32K) | Ноември 2023 | Apache 2.0 | Базови модели, обучени от нулата | | Yi-6B-200K / Yi-34B-200K | 6 млрд. / 34 млрд. | Base | 200K | Ноември 2023 | Apache 2.0 | Непрекъснато предобучение върху дълги последователности | | Yi-9B | 9 млрд. | Base | 4K (разш. до 200K) | Март 2024 | Apache 2.0 | Depth-upscale от Yi-6B + 800 млрд. токена | | Yi-1.5-6B/9B/34B | 6 / 9 / 34 млрд. | Base / Chat | 4K / 16K / 32K | Май 2024 | Apache 2.0 | +500 млрд. токена + 3 млн. SFT-примера | | Yi-Large | ~1 трлн. (MoE, активните не са разкрити) | LLM | Не е разкрит | Май 2024 | Затворен (API) | Позициониран като SOTA | | Yi-Lightning | MoE (броят на експертите не е разкрит) | LLM | 64K | Октомври 2024 | API | 6-то място LMSYS Chatbot Arena | *Източници: arXiv:2403.04652; arXiv:2412.01253; GitHub 01-ai/Yi.*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-LightningReport-8)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-GitHub-2) ### Специализирани модели | Модел | Параметри | Модалности | Контекст | Дата на пускане | Забележка | |-----------------------------|---------------|-------------------------------|-----------------------------|-----------------|-------------------------------------------------| | Yi-VL-6B / Yi-VL-34B | 6 / 34 млрд. | Текст + изображения (448×448) | Стандартен за базовия модел | Януари 2024 | ViT-енкодер (CLIP ViT-H/14), триетапно обучение | | Yi-Coder-1.5B / Yi-Coder-9B | 1,5 / 9 млрд. | Текст (код) | 128K | Септември 2024 | 52 езика за програмиране | *Източници: arXiv:2403.04652; GitHub 01-ai/Yi.*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-GitHub-2) ### Идентификатори на API Примери на платформата 01.AI и при доставчици на трети страни: `yi-large`, `yi-lightning`, `yi-34b-chat`, `01-ai/Yi-1.5-34B-Chat` (Hugging Face), `yi-34b` (Fireworks AI, Replicate).[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-HFOrg-6)[\[10\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Fireworks-10)[\[11\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Replicate-11) ## Оценка и benchmark-ове ### Резултати на базовите модели Данни от техническия доклад arXiv:2403.04652 (условия: 0-shot / 5-shot, в зависимост от benchmark-а):[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1) | Benchmark | Yi-6B | Yi-34B | Llama 2-34B | Llama 2-70B | Qwen-14B | GPT-3.5 | |---------------|-------|--------|-------------|-------------|----------|---------| | MMLU (5-shot) | 63,2 | 76,3 | 62,6 | 69,7 | 66,7 | — | | BBH | 42,8 | 54,3 | 44,1 | — | 53,4 | — | | C-Eval | 72,0 | 81,4 | — | 50,1 | 72,1 | 70,1 | | CMMLU | 75,5 | 83,7 | — | 53,3 | 71,0 | 52,5 | | GSM8K | 32,5 | 67,2 | 42,2 | 56,8 | 61,3 | 57,1 | | HumanEval | 15,9 | 23,2 | 22,6 | 31,7 | 32,3 | 48,1 | *Източник: arXiv:2403.04652, таблици с резултати.*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1) Yi-34B демонстрира резултати, надвишаващи тези на Llama 2-70B (при двойно по-малък размер) на повечето benchmark-ове, и водещи сред отворените модели на C-Eval и CMMLU към момента на пускане.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1)[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-OpenLab-12) ### Резултати на Yi-Lightning Данни от техническия доклад arXiv:2412.01253 (условия: 0-shot, където не е посочено друго):[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-LightningReport-8) | Benchmark | Yi-Lightning | Qwen2.5-72B-Instruct | Llama-3.1-70B | |------------|--------------|----------------------|---------------| | GPQA | 50,9 | 49,1 | 45,1 | | MATH | 76,4 | 82,7 | 67,1 | | HumanEval | 83,5 | 86,0 | 76,2 | | WildBench | 65,1 | 59,9 | 49,0 | | Arena-Hard | 91,8 | 90,5 | 74,0 | *Източник: arXiv:2412.01253.*[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-LightningReport-8) ### Потребителски рейтинги Yi-34B-Chat заемаше 2-ро място на AlpacaEval (94,08 %, след GPT-4 Turbo) през декември 2023 — януари 2024 година, с рейтинг Elo ~1110 на LMSYS Chatbot Arena. Yi-34B водеше сред отворените модели на Hugging Face Open LLM Leaderboard и C-Eval към момента на пускане.[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-GitHub-2)[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1) Yi-Lightning зае 6-то общо място на LMSYS Chatbot Arena (score 1287), 2-ро място по китайски език и 3–4-то места в подкатегориите „математика", „кодиране", „hard prompts" и „multi-turn" към момента на публикуване на доклада.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-LightningReport-8) **Забележка.** Прякото сравнение на модели от различни пускания и конфигурации изисква единни условия за тестване (едни и същи версии на benchmark-овете, еднакви параметри на генериране). Субективните оценки на платформи с краудсорсинг зависят от състава на участниците и текущия набор от модели в системата.[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-OpenLab-12) ## Приложение Семейството Yi се прилага в широк диапазон от задачи за обработка на естествен език и мултимодален анализ:[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Official-3)[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Lablab-13) - **Чат-асистенти и диалогови системи** — на базата на чат-вариантите Yi-34B-Chat и Yi-1.5. - **Генериране и анализ на код** — Yi-Coder поддържа 52 езика за програмиране. - **Анализ на дълги документи** — варианти с контекст 200K за юридически, технически и аналитични задачи. - **Мултимодален анализ** — описание на изображения и визуален въпрос-отговор чрез Yi-VL. - **Корпоративни агенти** — RAG-системи, търсене на знания и класификация на данни чрез платформата 01.AI. - **Локално разгръщане** — чрез vLLM, llama.cpp, Hugging Face Transformers; квантизирани версии (AWQ/GPTQ 4/8-bit) са достъпни за разгръщане на потребителски GPU (например RTX 4090 за Yi-34B-4bit). API-вариантите (Yi-Large, Yi-Lightning) се използват за чат-ботове, многоезични услуги и нискозатратен inference. Стойността на inference на Yi-Lightning възлизаше на 14 цента за милион токена към 2024 година.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-LightningReport-8) ## Ограничения и открити проблеми - **Халюцинации.** Моделите са подложени на типичните за LLM фактически грешки в генерираните отговори, особено при сложни разсъждения и дълги вериги на извод.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1) - **Математика и код в ранните версии.** Базовите модели Yi-34B показват по-слаби резултати при сложно кодиране и математика в сравнение със специализираните frontier-модели (например MATH Yi-34B в 4-shot — 14,4). Този проблем е частично решен в Yi-1.5 и Yi-Lightning.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-LightningReport-8) - **Дълъг контекст.** Разширяването до 200K изисква допълнително предобучение и изчислителни ресурси; възможна е незначителна деградация на производителността при кратък контекст.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1) - **Затворени модели.** Yi-Large и Yi-Lightning не предоставят тегла за изтегляне, което ограничава независимата верификация на архитектурата и данните.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-LightningReport-8) - **Разрив между Arena и benchmark-овете.** Yi-Lightning демонстрира силни резултати в потребителските оценки (Chatbot Arena), но изостава от някои конкуренти на статичните академични benchmark-ове — отражение на общия проблем за несъответствие на метриките.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-LightningReport-8) - **Възпроизводимост.** Не всички детайли на обучението (точен състав на dataset-а, разпределение на домейните, хиперпараметри) са напълно разкрити.[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Lablab-13) - **Чувствителност към prompt-овете.** Както и другите LLM, моделите Yi са чувствителни към формулировката на prompt-а, което влияе върху стабилността на изводите.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1) Известни сериозни регресии след пусканията не са регистрирани; общността отбелязва стабилността на квантизираните версии.[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-GitHub-2) ## Етични и регулаторни аспекти В Yi-Lightning е внедрена рамката за безопасност RAISE, реализираща четиристепенна защита:[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-LightningReport-8) - Филтриране на токсично съдържание, PII и вредоносни материали на етапа на предобучението. - Safety fine-tuning с примери за правилна обработка на чувствителни заявки. - Входен контрол (класификация на prompt-овете). - Изходен контрол (филтриране на отговорите). Лицензът Apache 2.0 за отворените модели разрешава търговска употреба; отделните хостинги могат да предявяват допълнителни изисквания. Моделите отговарят на китайските регулаторни норми в областта на ИИ (сертификация CAICT за корпоративни решения).[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Official-3) ## Перспективи и направления на изследванията Серията Yi демонстрира ефективността на подхода, поставящ качеството на данните над обема на параметрите, както и на лекото мащабиране (continual pretraining, depth upscaling, MoE-оптимизации).[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-YiReport-1) След 2025 година акцентът на 01.AI се измести към приложни решения:[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-Wikipedia-4) - Многоагентни системи и enterprise-платформа WorldWise LLM Platform 2.5. - Интегриране на модели на трети страни (включително DeepSeek) в корпоративни workflow. - Оптимизация на inference (квантизация, FP8) за намаляване на разходите за разгръщане. Отворените модели продължават да се използват от общността за изследвания, fine-tuning и дистилация.[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_note-HFOrg-6) ## Литература - Young A. et al. *Yi: Open Foundation Models by 01.AI*. arXiv:2403.04652, 2024. https://arxiv.org/abs/2403.04652 - 01.AI et al. *Yi-Lightning Technical Report*. arXiv:2412.01253, 2024. https://arxiv.org/abs/2412.01253 - Vaswani, A. et al. (2017). *Attention Is All You Need*. NeurIPS. https://arxiv.org/abs/1706.03762 ## Връзки - https://github.com/01-ai/Yi — Официално GitHub-хранилище на Yi - https://github.com/01-ai/Yi-1.5 — Хранилище на Yi-1.5 - https://www.01.ai/yi-models — Официална страница на моделите Yi - https://huggingface.co/01-ai — Организация 01-ai в Hugging Face - https://en.wikipedia.org/wiki/01.AI — Статия в Wikipedia за компанията 01.AI ## Бележки 1. ↑ [1.00](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-0) [1.01](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-1) [1.02](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-2) [1.03](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-3) [1.04](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-4) [1.05](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-5) [1.06](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-6) [1.07](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-7) [1.08](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-8) [1.09](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-9) [1.10](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-10) [1.11](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-11) [1.12](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-12) [1.13](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-13) [1.14](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-14) [1.15](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-15) [1.16](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-16) [1.17](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-17) [1.18](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-18) [1.19](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-19) [1.20](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-20) [1.21](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-21) [1.22](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-22) [1.23](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-YiReport_1-23) Young A. et al. *Yi: Open Foundation Models by 01.AI*. arXiv:2403.04652, 7 марта 2024. https://arxiv.org/abs/2403.04652 2. ↑ [2.0](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-GitHub_2-0) [2.1](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-GitHub_2-1) [2.2](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-GitHub_2-2) [2.3](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-GitHub_2-3) [2.4](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-GitHub_2-4) [2.5](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-GitHub_2-5) [2.6](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-GitHub_2-6) 01-ai. GitHub-репозиторий Yi. https://github.com/01-ai/Yi 3. ↑ [3.0](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Official_3-0) [3.1](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Official_3-1) [3.2](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Official_3-2) 01.AI. Yi Foundation Models. https://www.01.ai/yi-models 4. ↑ [4.0](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Wikipedia_4-0) [4.1](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Wikipedia_4-1) [4.2](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Wikipedia_4-2) Wikipedia. *01.AI*. https://en.wikipedia.org/wiki/01.AI 5. [↑](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Bloomberg_5-0) Bloomberg. *Kai-Fu Lee's Open-Source 01.AI Bests Llama 2 According to Hugging Face*. bloomberg.com, 5 ноября 2023. https://www.bloomberg.com/news/articles/2023-11-05/kai-fu-lee-s-open-source-01-ai-bests-llama-2-according-to-hugging-face 6. ↑ [6.0](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-HFOrg_6-0) [6.1](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-HFOrg_6-1) [6.2](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-HFOrg_6-2) Hugging Face. Организация 01-ai. https://huggingface.co/01-ai 7. ↑ [7.0](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Yi15GitHub_7-0) [7.1](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Yi15GitHub_7-1) [7.2](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Yi15GitHub_7-2) GitHub. 01-ai/Yi-1.5. https://github.com/01-ai/Yi-1.5 8. ↑ [8.00](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-LightningReport_8-0) [8.01](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-LightningReport_8-1) [8.02](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-LightningReport_8-2) [8.03](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-LightningReport_8-3) [8.04](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-LightningReport_8-4) [8.05](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-LightningReport_8-5) [8.06](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-LightningReport_8-6) [8.07](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-LightningReport_8-7) [8.08](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-LightningReport_8-8) [8.09](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-LightningReport_8-9) [8.10](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-LightningReport_8-10) [8.11](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-LightningReport_8-11) [8.12](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-LightningReport_8-12) 01.AI et al. *Yi-Lightning Technical Report*. arXiv:2412.01253, декабрь 2024. https://arxiv.org/abs/2412.01253 9. ↑ [9.0](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Vaswani_9-0) [9.1](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Vaswani_9-1) Vaswani, A. et al. (2017). *Attention Is All You Need*. NeurIPS. https://arxiv.org/abs/1706.03762 10. [↑](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Fireworks_10-0) Fireworks AI. *Yi 34B API*. https://fireworks.ai/models/yi-01-ai/yi-34b 11. [↑](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Replicate_11-0) Replicate. *01-ai/yi-34b*. https://replicate.com/01-ai/yi-34b 12. ↑ [12.0](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-OpenLab_12-0) [12.1](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-OpenLab_12-1) Open Laboratory. *Yi*. https://openlaboratory.ai/models/families/Yi 13. ↑ [13.0](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Lablab_13-0) [13.1](https://systems-analysis.info/int/Yi_(01.AI)_(BG)#cite_ref-Lablab_13-1) Lablab.ai. *01.AI's Yi Series Large Language Models*. https://lablab.ai/tech/yi-llms