--- title: "Yi (01.AI) (BN)" source: "https://systems-analysis.info/int/Yi_(01.AI)_(BN)" wiki: "systems-analysis.info/int" article: "Yi_(01.AI)_(BN)" language: "bn" categories: - "Category:Bengali" - "Category:Large language models" - "Category:Machine learning" revision_id: 8540 wiki_created_at: 2026-09-07T01:18:51Z wiki_modified_at: 2026-09-07T01:18:51Z downloaded_at: 2026-09-07T23:25:58Z --- # Yi (01.AI) (BN) **Yi** — বৃহৎ ভাষা মডেলের (Large Language Model, LLM) এবং ভিজ্যুয়াল-ভাষা মডেলের (Vision-Language Model, VLM) একটি পরিবার, যা 01.AI (零一万物) কোম্পানি কাই-ফু লি (Kai-Fu Lee)-এর নেতৃত্বে তৈরি করেছে। মডেলগুলো উচ্চমানের দ্বিভাষিক কর্পাসে (ইংরেজি ও চীনা ভাষা) শূন্য থেকে প্রশিক্ষিত, যার পরিমাণ ৩.১ ট্রিলিয়ন token; এতে টেক্সট জেনারেশন, দীর্ঘ context প্রক্রিয়াকরণ (২ লক্ষ token পর্যন্ত), মাল্টিমোডাল ইনপুট (টেক্সট + ছবি), কোড জেনারেশন এবং Mixture-of-Experts (MoE) আর্কিটেকচার-ভিত্তিক দক্ষ inference-এর ভেরিয়েন্ট অন্তর্ভুক্ত। উন্মুক্ত ভেরিয়েন্টগুলো বাণিজ্যিক ব্যবহারের অনুমতিসহ Apache 2.0 লাইসেন্সের অধীনে বিতরণ করা হয়; বন্ধ ফ্ল্যাগশিপ মডেলগুলো (Yi-Large, Yi-Lightning) API-এর মাধ্যমে পাওয়া যায়।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-GitHub-2)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Official-3) ## ইতিহাস ও উন্নয়নের কালক্রম 01.AI কোম্পানিটি ২০২৩ সালের মার্চ মাসে কাই-ফু লি প্রতিষ্ঠা করেন, যিনি Microsoft Research Asia এবং Google China-এর সাবেক প্রধান; কোম্পানির সদর দপ্তর বেইজিংয়ে। কোম্পানির মূল লক্ষ্য — ডেটার মান এবং অবকাঠামো প্রকৌশল অপ্টিমাইজেশনের উপর জোর দিয়ে দক্ষ LLM তৈরি করা। ২০২৩ সালের নভেম্বরের মধ্যে Alibaba-সহ অন্যান্যদের অংশগ্রহণে একটি ফান্ডিং রাউন্ডের পর 01.AI 'ইউনিকর্ন' মর্যাদা (১ বিলিয়ন ডলারের বেশি মূল্যায়ন) অর্জন করে।[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Wikipedia-4)[\[5\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Bloomberg-5) ### প্রথম প্রজন্ম (২০২৩–২০২৪) প্রথম উন্মুক্ত মডেল Yi-6B এবং Yi-34B ২০২৩ সালের ২ নভেম্বর উপস্থাপিত হয়। পরবর্তী কয়েক সপ্তাহে ২ লক্ষ token context-এর ভেরিয়েন্ট (৫ নভেম্বর ২০২৩), চ্যাট ভেরিয়েন্ট এবং quantized মডেল (২৩ নভেম্বর ২০২৩) যোগ করে সিরিজটি সম্পূর্ণ করা হয়। ২০২৪ সালের জানুয়ারিতে মাল্টিমোডাল Yi-VL-6B এবং Yi-VL-34B প্রকাশিত হয়। ২০২৪ সালের মার্চে Yi-6B থেকে depth upscaling পদ্ধতিতে তৈরি Yi-9B মডেল উপস্থাপিত হয় এবং কারিগরি প্রতিবেদন arXiv:2403.04652 প্রকাশিত হয়।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-GitHub-2) ### Yi-1.5 এবং বিশেষায়িত মডেল (২০২৪) ২০২৪ সালের ১৩ মে Yi-1.5 সিরিজ (6B/9B/34B) প্রকাশিত হয় — যা অতিরিক্ত ৫০০ বিলিয়ন token-এ ক্রমাগত pre-training এবং ৩০ লক্ষ instruction উদাহরণে fine-tuning-এর ফল। ২০২৪ সালের মে–জুনে API অ্যাক্সেসযোগ্য বন্ধ মালিকানাধীন মডেল Yi-Large উপস্থাপিত হয়, যাকে SOTA হিসেবে উপস্থাপন করা হয়। ২০২৪ সালের সেপ্টেম্বরে কোড জেনারেশনের জন্য বিশেষায়িত Yi-Coder সিরিজ (1.5B/9B) প্রকাশিত হয়, যা ১ লক্ষ ২৮ হাজার token context এবং ৫২টি প্রোগ্রামিং ভাষা সমর্থন করে।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1)[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-HFOrg-6)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Yi15GitHub-7) ### Yi-Lightning (২০২৪) ২০২৪ সালের অক্টোবরে Mixture-of-Experts (MoE) আর্কিটেকচার-ভিত্তিক ফ্ল্যাগশিপ মডেল Yi-Lightning উপস্থাপিত হয়, যা গতি ও inference দক্ষতার জন্য অপ্টিমাইজ করা হয়েছে। Yi-Lightning LMSYS Chatbot Arena-এর সামগ্রিক র‍্যাংকিংয়ে ৬ষ্ঠ স্থান (Elo 1287), চীনা ভাষায় ২য় স্থান এবং গণিত ও কোডিংয়ে ৩য়–৪র্থ স্থান অর্জন করেছে। কারিগরি প্রতিবেদন ২০২৪ সালের ডিসেম্বরে প্রকাশিত হয় (arXiv:2412.01253)।[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-LightningReport-8) ### কৌশলগত পরিবর্তন (২০২৫) ২০২৫ সালের মার্চে 01.AI ঘোষণা করে যে তারা নতুন বৃহৎ ভাষা মডেলের pre-training বন্ধ করছে এবং কর্পোরেট অ্যাপ্লিকেশন, মাল্টি-এজেন্ট সিস্টেম এবং তৃতীয় পক্ষের মডেলের (DeepSeek সহ) উপর ভিত্তি করে WorldWise LLM Platform 2.5-এ মনোযোগ দিচ্ছে।[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Wikipedia-4) ### সংক্ষিপ্ত কালক্রম | তারিখ | ঘটনা | |---------------|-----------------------------------------------------------------| | নভেম্বর ২০২৩ | Yi-6B এবং Yi-34B রিলিজ (base, chat, 200K ভেরিয়েন্ট) | | জানুয়ারি ২০২৪ | মাল্টিমোডাল Yi-VL-6B এবং Yi-VL-34B | | মার্চ ২০২৪ | Yi-9B (depth-upscaled); কারিগরি প্রতিবেদন arXiv:2403.04652 প্রকাশ | | মে ২০২৪ | Yi-1.5 (6B/9B/34B); Yi-Large (বন্ধ, API) | | সেপ্টেম্বর ২০২৪ | Yi-Coder-1.5B/9B (কোডে বিশেষায়িত, context 128K) | | অক্টোবর ২০২৪ | Yi-Lightning (MoE আর্কিটেকচার, ফ্ল্যাগশিপ মডেল) | | ডিসেম্বর ২০২৪ | Yi-Lightning কারিগরি প্রতিবেদন প্রকাশ (arXiv:2412.01253) | | মার্চ ২০২৫ | নতুন LLM-এর pre-training বন্ধ; কর্পোরেট সমাধানে মনোযোগ | ## তাত্ত্বিক ভিত্তি ও আর্কিটেকচার ### মূল আর্কিটেকচার Yi পরিবারের সকল মডেল Vaswani et al.-এর কাজে বর্ণিত decoder-only Transformer আর্কিটেকচারের উপর ভিত্তি করে তৈরি।[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Vaswani-9) মডেলগুলো শূন্য থেকে প্রশিক্ষিত এবং বাস্তবায়নের মিল থাকলেও LLaMA থেকে উদ্ভূত নয়।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1) মাল্টি-হেড সেলফ-অ্যাটেনশনের (Multi-Head Self-Attention) মূল পদ্ধতিটি নিম্নলিখিত সূত্র দ্বারা বর্ণিত: $\operatorname{Attention}(Q,K,V) = \operatorname{softmax}\!\left( \frac{QK^{\top}}{\sqrt{d_{k}}} \right)V$ যেখানে $Q$, $K$, $V$ যথাক্রমে queries, keys এবং values-এর ম্যাট্রিক্স এবং $d_{k}$ হলো keys-এর মাত্রা।[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Vaswani-9) Yi-এর মূল আর্কিটেকচারাল পরিবর্তনসমূহ:[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1) - **Grouped-Query Attention (GQA)** — query হেডগুলোকে ভাগ করা key/value হেড সহ গ্রুপে বিভক্ত করা, যা মানের সাথে আপোস না করে মেমরি ব্যবহার কমায়। - **SwiGLU অ্যাক্টিভেশন** — প্রমাণিত ReLU/GELU-এর পরিবর্তে ব্যবহার; hidden size-এর 8/3 ভাগে অ্যাক্টিভেশনের আকার কমায়। - **Rotary Position Embedding (RoPE)** অভিযোজিত মূল কম্পাঙ্কসহ (adjusted base frequency, ABF), যা আর্কিটেকচারাল পরিবর্তন ছাড়াই context বিস্তার নিশ্চিত করে। - **শব্দভাণ্ডার** (vocabulary): BPE (SentencePiece)-ভিত্তিক ৬৪,০০০ token, সংখ্যাকে অঙ্কে বিভক্ত করা এবং বিরল প্রতীকের জন্য unicode-byte fallback সহ। ### মূল মডেলের কনফিগারেশন কারিগরি প্রতিবেদন arXiv:2403.04652 থেকে আর্কিটেকচার প্যারামিটার:[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1) | প্যারামিটার | Yi-6B | Yi-34B | |----------------------------------------------|--------|----------| | Hidden Size | 4096 | 7168 | | Query-heads | 32 | 56 | | KV-heads | 4 | 8 | | স্তরের সংখ্যা | 32 | 60 | | Pre-training ক্রমের দৈর্ঘ্য (Pretrain Seq. Len) | 4096 | 4096 | | সর্বোচ্চ লার্নিং রেট (Max LR) | 3×10⁻⁴ | 1,5×10⁻⁴ | *উৎস: arXiv:2403.04652, প্যারামিটার টেবিল।*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1) ### Yi-Lightning (MoE) আর্কিটেকচার Yi-Lightning (২০২৪) উন্নত Mixture-of-Experts (MoE) আর্কিটেকচার ব্যবহার করে, যার বিশেষত্বগুলো হলো:[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-LightningReport-8) - **Fine-grained expert segmentation** — বিশেষায়ন বাড়ানোর জন্য FFN ব্লকগুলোকে সূক্ষ্মভাবে বিশেষজ্ঞদের মধ্যে ভাগ করা। - **বহুস্তরীয় লোড ব্যালান্সিং** — বিশেষজ্ঞদের মধ্যে token সমানভাবে বিতরণের জন্য Switch-Transformer (ST), Expert Parallel (EP) এবং Partitioned EP (PEP) লসের সমন্বয়। - **হাইব্রিড অ্যাটেনশন** — ৩টি স্লাইডিং উইন্ডো (sliding window) স্তর এবং ১টি পূর্ণ অ্যাটেনশন (full attention) স্তরের পর্যায়ক্রম, স্তরগুলোর মধ্যে KV-ক্যাশের পুনরায় ব্যবহারসহ। - **KV-ক্যাশ মেমরি হ্রাস** — দীর্ঘ ক্রম প্রক্রিয়াকরণে প্রমাণিত পদ্ধতির তুলনায় ৮২.৮% কম। - **Context উইন্ডো** ৬৪ হাজার token পর্যন্ত বিস্তৃত। Yi-Lightning-এ বিশেষজ্ঞের সঠিক সংখ্যা এবং মোট প্যারামিটারের পরিমাণ সর্বজনীন উৎসে প্রকাশ করা হয়নি।[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-LightningReport-8) ### মাল্টিমোডাল ভেরিয়েন্ট (Yi-VL) মাল্টিমোডাল মডেল Yi-VL-এ ভাষা মডেলটি MLP প্রজেকশনের মাধ্যমে ভিজ্যুয়াল এনকোডার CLIP ViT-H/14-এর সাথে সংযুক্ত। ছবি $I$ ভিজ্যুয়াল এনকোডার দ্বারা embedding-এর একটি ক্রমে $\{ v_{1},\ldots,v_{K}\}$ রূপান্তরিত হয়, যা টেক্সট token-এর সাথে একযোগে ভাষা মডেলে প্রবেশ করানো হয়। প্রশিক্ষণ রেজোলিউশন বৃদ্ধির তিনটি ধাপে সম্পন্ন হয়: 224×224 → 448×448 পিক্সেল।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1) ## প্রশিক্ষণ পাইপলাইন ও alignment ### প্রাথমিক প্রশিক্ষণ (Pre-training) বেস মডেল Yi-6B এবং Yi-34B ৩.১ ট্রিলিয়ন token-এর দ্বিভাষিক কর্পাসে pre-train করা হয়েছে। ডেটা ফিল্টারিং ও ডি-ডুপ্লিকেশনের একটি ধাপে ধাপে পাইপলাইনের মধ্য দিয়ে যায়: হিউরিস্টিক ফিল্টার, প্রশিক্ষিত স্কোরার (perplexity, quality, coherence, safety), ক্লাস্টারিং এবং MinHash ডি-ডুপ্লিকেশন। উৎস — Common Crawl, বই ও বৈজ্ঞানিক প্রবন্ধ।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1) Yi-1.5-এর জন্য উচ্চমানের কর্পাসে অতিরিক্ত ৫০০ বিলিয়ন token-এ ক্রমাগত pre-training (continued pre-training) করা হয়েছে।[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Yi15GitHub-7) ### তত্ত্বাবধায়িত fine-tuning (Supervised Fine-Tuning, SFT) প্রথম প্রজন্মের চ্যাট ভেরিয়েন্টগুলো একটি ছোট কিন্তু সুচিন্তিত সেটে fine-tune করা হয়েছে — ১০ হাজারেরও কম মাল্টি-টার্ন (multi-turn) উদাহরণ, প্রতিটি ML ইঞ্জিনিয়ারদের দ্বারা হাতে যাচাই ও সম্পাদিত। Yi-1.5-এর জন্য SFT ডেটার পরিমাণ ৩০ লক্ষ উদাহরণে বাড়ানো হয়েছে।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Yi15GitHub-7) ### Reinforcement Learning-এর মাধ্যমে alignment Yi-Lightning-এর জন্য বহু-ধাপ alignment প্রক্রিয়া প্রয়োগ করা হয়: SFT-এর পরে RLHF/DPO। সিন্থেটিক ডেটা Monte Carlo Tree Search (MCTS) ব্যবহার করে তৈরি করা হয়। RAISE নিরাপত্তা ফ্রেমওয়ার্ক চার স্তরের সুরক্ষা বাস্তবায়ন করে: pre-training ডেটা ফিল্টারিং, safety fine-tuning, prompt ইনপুট নিয়ন্ত্রণ এবং উত্তর আউটপুট নিয়ন্ত্রণ।[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-LightningReport-8) ### Context বিস্তার ২ লক্ষ token পর্যন্ত context উইন্ডো বিস্তার RoPE ABF কৌশল ব্যবহার করে ৫ বিলিয়ন token-এ (বই + সিন্থেটিক প্রশ্নোত্তর) হালকা ক্রমাগত pre-training-এর মাধ্যমে বাস্তবায়িত হয়েছে। পরিমার্জনের পর Needle-in-a-Haystack (দীর্ঘ টেক্সটে লক্ষ্য অংশ খোঁজা) কাজে নির্ভুলতা ৯৯.৮% পৌঁছায়।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-GitHub-2) ### গভীরতা স্কেলিং (Depth Upscaling) Yi-9B তৈরি হয়েছে Yi-6B বেস মডেলের ১২–২৮ স্তর দ্বিগুণ করে এবং তারপর ৮০০ বিলিয়ন token-এ pre-training করে। এই পদ্ধতি শূন্য থেকে প্রশিক্ষণ ছাড়াই মডেলের ধারণক্ষমতা বাড়ায়।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1) ## মডেল পরিবারের গঠন ### মূল ভাষা মডেল | মডেল | প্যারামিটার | ধরন | Context | রিলিজের তারিখ | লাইসেন্স | মন্তব্য | |--------------------------|---------------------------------------------|-------------|------------------------|---------------|------------|---------------------------------------------| | Yi-6B / Yi-34B | ৬ বিলিয়ন / ৩৪ বিলিয়ন | Base / Chat | 4K (৩২K পর্যন্ত বিস্তৃত) | নভেম্বর ২০২৩ | Apache 2.0 | শূন্য থেকে প্রশিক্ষিত বেস মডেল | | Yi-6B-200K / Yi-34B-200K | ৬ বিলিয়ন / ৩৪ বিলিয়ন | Base | 200K | নভেম্বর ২০২৩ | Apache 2.0 | দীর্ঘ ক্রমে ক্রমাগত pre-training | | Yi-9B | ৯ বিলিয়ন | Base | 4K (২ লক্ষ পর্যন্ত বিস্তৃত) | মার্চ ২০২৪ | Apache 2.0 | Yi-6B থেকে Depth-upscale + ৮০০ বিলিয়ন token | | Yi-1.5-6B/9B/34B | ৬ / ৯ / ৩৪ বিলিয়ন | Base / Chat | 4K / 16K / 32K | মে ২০২৪ | Apache 2.0 | +৫০০ বিলিয়ন token + ৩০ লক্ষ SFT উদাহরণ | | Yi-Large | ~১ ট্রিলিয়ন (MoE, সক্রিয় প্যারামিটার অপ্রকাশিত) | LLM | অপ্রকাশিত | মে ২০২৪ | বন্ধ (API) | SOTA হিসেবে উপস্থাপিত | | Yi-Lightning | MoE (বিশেষজ্ঞের সংখ্যা অপ্রকাশিত) | LLM | 64K | অক্টোবর ২০২৪ | API | LMSYS Chatbot Arena-এ ৬ষ্ঠ স্থান | *উৎস: arXiv:2403.04652; arXiv:2412.01253; GitHub 01-ai/Yi।*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-LightningReport-8)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-GitHub-2) ### বিশেষায়িত মডেল | মডেল | প্যারামিটার | মোডালিটি | Context | রিলিজের তারিখ | মন্তব্য | |-----------------------------|----------------|-----------------------|-----------------|---------------|----------------------------------------------| | Yi-VL-6B / Yi-VL-34B | ৬ / ৩৪ বিলিয়ন | টেক্সট + ছবি (448×448) | বেস মডেলের মানক | জানুয়ারি ২০২৪ | ViT এনকোডার (CLIP ViT-H/14), তিন-ধাপ প্রশিক্ষণ | | Yi-Coder-1.5B / Yi-Coder-9B | ১.৫ / ৯ বিলিয়ন | টেক্সট (কোড) | 128K | সেপ্টেম্বর ২০২৪ | ৫২টি প্রোগ্রামিং ভাষা | *উৎস: arXiv:2403.04652; GitHub 01-ai/Yi।*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-GitHub-2) ### API পরিচিতি 01.AI এবং তৃতীয় পক্ষের প্রদানকারী প্ল্যাটফর্মে উদাহরণ: `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)_(BN)#cite_note-HFOrg-6)[\[10\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Fireworks-10)[\[11\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Replicate-11) ## মূল্যায়ন ও benchmark ### বেস মডেলের ফলাফল কারিগরি প্রতিবেদন arXiv:2403.04652 থেকে ডেটা (শর্ত: benchmark অনুযায়ী 0-shot / 5-shot):[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#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 | *উৎস: arXiv:2403.04652, ফলাফলের টেবিল।*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1) Yi-34B অধিকাংশ benchmark-এ Llama 2-70B-এর চেয়ে ভালো ফলাফল দেখিয়েছে (দ্বিগুণ ছোট আকারে) এবং রিলিজের সময় C-Eval ও CMMLU-তে উন্মুক্ত মডেলগুলোর মধ্যে শীর্ষে ছিল।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1)[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-OpenLab-12) ### Yi-Lightning-এর ফলাফল কারিগরি প্রতিবেদন arXiv:2412.01253 থেকে ডেটা (শর্ত: অন্যথায় উল্লেখ না থাকলে 0-shot):[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#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 | *উৎস: arXiv:2412.01253।*[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-LightningReport-8) ### ব্যবহারকারী রেটিং Yi-34B-Chat ২০২৩ সালের ডিসেম্বর — ২০২৪ সালের জানুয়ারিতে AlpacaEval-এ ২য় স্থান (৯৪.০৮%, GPT-4 Turbo-এর পরে) এবং LMSYS Chatbot Arena-এ Elo ~১১১০ রেটিং অর্জন করেছিল। Yi-34B রিলিজের সময় Hugging Face Open LLM Leaderboard এবং C-Eval-এ উন্মুক্ত মডেলগুলোর মধ্যে শীর্ষে ছিল।[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-GitHub-2)[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1) Yi-Lightning LMSYS Chatbot Arena-এ সামগ্রিকভাবে ৬ষ্ঠ স্থান (স্কোর ১২৮৭), চীনা ভাষায় ২য় স্থান এবং প্রতিবেদন প্রকাশের সময় 'গণিত', 'কোডিং', 'hard prompts' ও 'multi-turn' উপবিভাগে ৩য়–৪র্থ স্থান অর্জন করেছে।[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-LightningReport-8) **দ্রষ্টব্য।** বিভিন্ন রিলিজ ও কনফিগারেশনের মডেলের সরাসরি তুলনার জন্য পরীক্ষার একরূপ শর্ত (একই benchmark সংস্করণ, একই জেনারেশন প্যারামিটার) প্রয়োজন। ক্রাউডসোর্সিং প্ল্যাটফর্মে বিষয়গত মূল্যায়ন অংশগ্রহণকারীদের গঠন এবং সিস্টেমে বর্তমান মডেলের সেটের উপর নির্ভর করে।[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-OpenLab-12) ## প্রয়োগ Yi পরিবার প্রাকৃতিক ভাষা প্রক্রিয়াকরণ ও মাল্টিমোডাল বিশ্লেষণের বিস্তৃত কাজে ব্যবহৃত হয়:[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Official-3)[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Lablab-13) - **চ্যাট অ্যাসিস্ট্যান্ট ও সংলাপ সিস্টেম** — Yi-34B-Chat এবং Yi-1.5-এর চ্যাট ভেরিয়েন্টের উপর ভিত্তি করে। - **কোড তৈরি ও বিশ্লেষণ** — Yi-Coder ৫২টি প্রোগ্রামিং ভাষা সমর্থন করে। - **দীর্ঘ নথি বিশ্লেষণ** — আইনি, কারিগরি ও বিশ্লেষণাত্মক কাজে ২ লক্ষ token context-এর ভেরিয়েন্ট। - **মাল্টিমোডাল বিশ্লেষণ** — Yi-VL-এর মাধ্যমে ছবির বিবরণ ও ভিজ্যুয়াল প্রশ্নোত্তর। - **কর্পোরেট এজেন্ট** — 01.AI প্ল্যাটফর্মের মাধ্যমে RAG সিস্টেম, জ্ঞান অনুসন্ধান ও ডেটা শ্রেণীবিভাগ। - **স্থানীয় deployment** — vLLM, llama.cpp, Hugging Face Transformers-এর মাধ্যমে; quantized সংস্করণ (AWQ/GPTQ 4/8-bit) ভোক্তা GPU-তে deployment-এর জন্য পাওয়া যায় (যেমন Yi-34B-4bit-এর জন্য RTX 4090)। API ভেরিয়েন্ট (Yi-Large, Yi-Lightning) চ্যাটবট, বহুভাষিক সেবা এবং কম খরচে inference-এর জন্য ব্যবহৃত হয়। ২০২৪ সাল পর্যন্ত Yi-Lightning-এর inference খরচ ছিল প্রতি মিলিয়ন token-এ ১৪ সেন্ট।[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-LightningReport-8) ## সীমাবদ্ধতা ও খোলা সমস্যা - **হ্যালুসিনেশন।** মডেলগুলো LLM-এর জন্য সাধারণ তথ্যগত ত্রুটির শিকার, বিশেষ করে জটিল যুক্তি এবং দীর্ঘ অনুমান শৃঙ্খলে।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1) - **প্রারম্ভিক সংস্করণে গণিত ও কোড।** Yi-34B বেস মডেল জটিল কোডিং ও গণিতে বিশেষায়িত frontier মডেলের (যেমন 4-shot-এ Yi-34B MATH — ১৪.৪) তুলনায় দুর্বল ফলাফল দেখায়। এই সমস্যা Yi-1.5 ও Yi-Lightning-এ আংশিকভাবে সমাধান করা হয়েছে।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-LightningReport-8) - **দীর্ঘ context।** ২ লক্ষ পর্যন্ত বিস্তারের জন্য অতিরিক্ত pre-training ও গণনামূলক সম্পদ প্রয়োজন; সংক্ষিপ্ত context-এ সামান্য পারফরম্যান্স অবনতি সম্ভব।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1) - **বন্ধ মডেল।** Yi-Large এবং Yi-Lightning ডাউনলোডের জন্য ওজন সরবরাহ করে না, যা আর্কিটেকচার ও ডেটার স্বাধীন যাচাইকে সীমাবদ্ধ করে।[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-LightningReport-8) - **Arena ও benchmark-এর মধ্যে ব্যবধান।** Yi-Lightning ব্যবহারকারী মূল্যায়নে (Chatbot Arena) শক্তিশালী ফলাফল দেখায়, তবে স্থির একাডেমিক benchmark-এ কিছু প্রতিযোগীর চেয়ে পিছিয়ে — এটি মেট্রিক্সের অসঙ্গতির সাধারণ সমস্যার প্রতিফলন।[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-LightningReport-8) - **পুনরুৎপাদনযোগ্যতা।** প্রশিক্ষণের সকল বিস্তারিত তথ্য (dataset-এর সঠিক গঠন, ডোমেন বিতরণ, হাইপারপ্যারামিটার) সম্পূর্ণরূপে প্রকাশ করা হয়নি।[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Lablab-13) - **Prompt-এর প্রতি সংবেদনশীলতা।** অন্য LLM-এর মতো, Yi মডেলগুলো prompt-এর প্রণয়নের প্রতি সংবেদনশীল, যা অনুমানের স্থিতিশীলতাকে প্রভাবিত করে।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1) রিলিজের পর কোনো গুরুতর রিগ্রেশন রেকর্ড করা হয়নি; সম্প্রদায় quantized সংস্করণের স্থিতিশীলতা উল্লেখ করে।[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-GitHub-2) ## নৈতিক ও নিয়ন্ত্রক দিক Yi-Lightning-এ RAISE নিরাপত্তা ফ্রেমওয়ার্ক বাস্তবায়িত হয়েছে, যা চার স্তরের সুরক্ষা প্রদান করে:[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-LightningReport-8) - Pre-training পর্যায়ে বিষাক্ত কন্টেন্ট, PII এবং ক্ষতিকর উপকরণ ফিল্টারিং। - সংবেদনশীল অনুরোধ সঠিকভাবে পরিচালনার উদাহরণ সহ safety fine-tuning। - ইনপুট নিয়ন্ত্রণ (prompt শ্রেণীবিভাগ)। - আউটপুট নিয়ন্ত্রণ (উত্তর ফিল্টারিং)। উন্মুক্ত মডেলের জন্য Apache 2.0 লাইসেন্স বাণিজ্যিক ব্যবহার অনুমতি দেয়; পৃথক হোস্টিং অতিরিক্ত প্রয়োজনীয়তা আরোপ করতে পারে। মডেলগুলো কর্পোরেট সমাধানের জন্য চীনা AI নিয়ন্ত্রক মানদণ্ড (CAICT সার্টিফিকেশন) পূরণ করে।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Official-3) ## সম্ভাবনা ও গবেষণার দিকনির্দেশনা Yi সিরিজ প্যারামিটারের পরিমাণের চেয়ে ডেটার মানকে অগ্রাধিকার দেওয়ার পদ্ধতির কার্যকারিতা এবং হালকা স্কেলিংয়ের (continual pretraining, depth upscaling, MoE অপ্টিমাইজেশন) সম্ভাবনা প্রদর্শন করে।[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-YiReport-1) ২০২৫ সালের পরে 01.AI-এর গুরুত্ব প্রায়োগিক সমাধানে সরে গেছে:[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-Wikipedia-4) - মাল্টি-এজেন্ট সিস্টেম এবং enterprise প্ল্যাটফর্ম WorldWise LLM Platform 2.5। - কর্পোরেট workflow-এ তৃতীয় পক্ষের মডেলের (DeepSeek সহ) একীভূতকরণ। - deployment-এর খরচ কমাতে inference অপ্টিমাইজেশন (quantization, FP8)। উন্মুক্ত মডেলগুলো গবেষণা, fine-tuning এবং distillation-এর জন্য সম্প্রদায় ব্যবহার করতে থাকে।[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_note-HFOrg-6) ## সাহিত্য - 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 ## সংযোগসমূহ - https://github.com/01-ai/Yi — Yi-এর সরকারি GitHub রিপোজিটরি - https://github.com/01-ai/Yi-1.5 — Yi-1.5-এর রিপোজিটরি - https://www.01.ai/yi-models — Yi মডেলের সরকারি পৃষ্ঠা - https://huggingface.co/01-ai — Hugging Face-এ 01-ai সংগঠন - https://en.wikipedia.org/wiki/01.AI — 01.AI কোম্পানি সম্পর্কে Wikipedia নিবন্ধ ## টীকা 1. ↑ [1.00](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-0) [1.01](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-1) [1.02](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-2) [1.03](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-3) [1.04](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-4) [1.05](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-5) [1.06](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-6) [1.07](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-7) [1.08](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-8) [1.09](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-9) [1.10](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-10) [1.11](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-11) [1.12](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-12) [1.13](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-13) [1.14](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-14) [1.15](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-15) [1.16](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-16) [1.17](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-17) [1.18](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-18) [1.19](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-19) [1.20](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-20) [1.21](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-21) [1.22](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-YiReport_1-22) [1.23](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#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)_(BN)#cite_ref-GitHub_2-0) [2.1](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-GitHub_2-1) [2.2](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-GitHub_2-2) [2.3](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-GitHub_2-3) [2.4](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-GitHub_2-4) [2.5](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-GitHub_2-5) [2.6](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#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)_(BN)#cite_ref-Official_3-0) [3.1](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-Official_3-1) [3.2](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#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)_(BN)#cite_ref-Wikipedia_4-0) [4.1](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-Wikipedia_4-1) [4.2](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-Wikipedia_4-2) Wikipedia. *01.AI*. https://en.wikipedia.org/wiki/01.AI 5. [↑](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#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)_(BN)#cite_ref-HFOrg_6-0) [6.1](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-HFOrg_6-1) [6.2](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#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)_(BN)#cite_ref-Yi15GitHub_7-0) [7.1](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-Yi15GitHub_7-1) [7.2](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#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)_(BN)#cite_ref-LightningReport_8-0) [8.01](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-LightningReport_8-1) [8.02](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-LightningReport_8-2) [8.03](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-LightningReport_8-3) [8.04](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-LightningReport_8-4) [8.05](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-LightningReport_8-5) [8.06](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-LightningReport_8-6) [8.07](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-LightningReport_8-7) [8.08](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-LightningReport_8-8) [8.09](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-LightningReport_8-9) [8.10](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-LightningReport_8-10) [8.11](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-LightningReport_8-11) [8.12](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#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)_(BN)#cite_ref-Vaswani_9-0) [9.1](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#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)_(BN)#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)_(BN)#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)_(BN)#cite_ref-OpenLab_12-0) [12.1](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#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)_(BN)#cite_ref-Lablab_13-0) [13.1](https://systems-analysis.info/int/Yi_(01.AI)_(BN)#cite_ref-Lablab_13-1) Lablab.ai. *01.AI's Yi Series Large Language Models*. https://lablab.ai/tech/yi-llms