---
title: "Yi (01.AI) (CS)"
source: "https://systems-analysis.info/int/Yi_(01.AI)_(CS)"
wiki: "systems-analysis.info/int"
article: "Yi_(01.AI)_(CS)"
language: "cs"
categories:
  - "Category:Czech"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 8541
wiki_created_at: 2026-09-07T01:18:52Z
wiki_modified_at: 2026-09-07T01:18:52Z
downloaded_at: 2026-09-07T23:25:58Z
---

# Yi (01.AI) (CS)

**Yi** — rodina velkých jazykových modelů (Large Language Model, LLM) a vizuálně-jazykových modelů (Vision-Language Model, VLM), vyvinutá společností 01.AI (零一万物) pod vedením Kai-Fu Leeho (Kai-Fu Lee). Modely jsou trénovány od základu na vysoce kvalitním dvojjazyčném korpusu (anglický a čínský jazyk) o objemu 3,1 bilionu tokenů a zahrnují varianty pro generování textu, zpracování dlouhého kontextu (až 200 tisíc tokenů), multimodální vstup (text + obrázky), generování kódu a efektivní inference na základě architektury Mixture-of-Experts (MoE). Otevřené varianty jsou šířeny pod licencí Apache 2.0 s povolením komerčního využití; uzavřené vlajkové modely (Yi-Large, Yi-Lightning) jsou dostupné prostřednictvím API.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-GitHub-2)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Official-3)</sup>

## Historie a chronologie vývoje

Společnost 01.AI byla založena v březnu 2023 Kai-Fu Leem, bývalým vedoucím Microsoft Research Asia a Google China, se sídlem v Pekingu. Zaměření společnosti — vývoj efektivních LLM s důrazem na kvalitu dat a inženýrskou optimalizaci infrastruktury. Do listopadu 2023 dosáhla 01.AI statusu „jednorožce" (ocenění přes 1 miliardu dolarů) po investičním kole za účasti Alibaba.<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Wikipedia-4)[\[5\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Bloomberg-5)</sup>

### První generace (2023–2024)

První otevřené modely Yi-6B a Yi-34B byly představeny 2. listopadu 2023. Během následujících týdnů byla řada doplněna o varianty s kontextem 200 tisíc tokenů (5. listopadu 2023), chatovací varianty a kvantované modely (23. listopadu 2023). V lednu 2024 vyšly multimodální Yi-VL-6B a Yi-VL-34B. V březnu 2024 byl představen model Yi-9B, získaný metodou hloubkového škálování (depth upscaling) z Yi-6B, a byl zveřejněn technický report arXiv:2403.04652.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-GitHub-2)</sup>

### Yi-1.5 a specializované modely (2024)

13\. května 2024 byla vydána série Yi-1.5 (6B/9B/34B) — výsledek kontinuálního předtrénování na dalších 500 miliardách tokenů a doladění na 3 milionech příkladů instrukcí. V květnu–červnu 2024 byl představen uzavřený proprietární model Yi-Large s API přístupem, prezentovaný jako SOTA. V září 2024 vyšla specializovaná série Yi-Coder (1.5B/9B) pro generování kódu s kontextem 128 tisíc tokenů a podporou 52 programovacích jazyků.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-HFOrg-6)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Yi15GitHub-7)</sup>

### Yi-Lightning (2024)

V říjnu 2024 byl představen vlajkový model Yi-Lightning na základě architektury Mixture-of-Experts (MoE), optimalizovaný pro rychlost a efektivitu inference. Yi-Lightning obsadil 6. místo v celkovém žebříčku LMSYS Chatbot Arena (Elo 1287), 2. místo v čínštině a 3.–4. místo v matematice a kódování. Technický report byl zveřejněn v prosinci 2024 (arXiv:2412.01253).<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-LightningReport-8)</sup>

### Změna strategie (2025)

V březnu 2025 společnost 01.AI oznámila ukončení předtrénování nových velkých jazykových modelů a soustředila se na podnikové aplikace, multiagentní systémy a platformu WorldWise LLM Platform 2.5 postavenou na základě modelů třetích stran (včetně DeepSeek).<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Wikipedia-4)</sup>

### Souhrnná chronologie

| Datum         | Událost                                                                 |
|---------------|-------------------------------------------------------------------------|
| Listopad 2023 | Vydání Yi-6B a Yi-34B (base, chat, varianty 200K)                       |
| Leden 2024    | Multimodální Yi-VL-6B a Yi-VL-34B                                       |
| Březen 2024   | Yi-9B (depth-upscaled); zveřejnění technického reportu arXiv:2403.04652 |
| Květen 2024   | Yi-1.5 (6B/9B/34B); Yi-Large (uzavřený, API)                            |
| Září 2024     | Yi-Coder-1.5B/9B (specializace na kód, kontext 128K)                    |
| Říjen 2024    | Yi-Lightning (architektura MoE, vlajkový model)                         |
| Prosinec 2024 | Zveřejnění technického reportu Yi-Lightning (arXiv:2412.01253)          |
| Březen 2025   | Ukončení předtrénování nových LLM; zaměření na podniková řešení         |

## Teoretické základy a architektura

### Základní architektura

Všechny modely rodiny Yi jsou založeny na architektuře dekodérového transformeru (decoder-only Transformer), popsané v práci Vaswani et al.<sup>[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Vaswani-9)</sup> Modely jsou trénovány od základu a nejsou odvozeny od LLaMA, navzdory podobnosti implementace.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)</sup>

Základní mechanismus vícehlasé vlastní pozornosti (Multi-Head Self-Attention) je popsán vzorcem:

$\operatorname{Attention}(Q,K,V) = \operatorname{softmax}\!\left( \frac{QK^{o}p}{\sqrt{d_{k}}} \right)V$

kde $Q$, $K$, $V$ — matice dotazů (queries), klíčů (keys) a hodnot (values), $d_{k}$ — dimenze klíčů.<sup>[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Vaswani-9)</sup>

Klíčové architektonické modifikace Yi:<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)</sup>

- **Grouped-Query Attention (GQA)** — rozdělení query-hlav do skupin se sdílenými key/value-hlavami, což snižuje spotřebu paměti při zachování kvality.
- **SwiGLU aktivace** — náhrada standardní ReLU/GELU; zmenšuje velikost aktivací na 8/3 dimenze skryté vrstvy (hidden size).
- **Rotary Position Embedding (RoPE)** s upravenou základní frekvencí (adjusted base frequency, ABF), zajišťující rozšíření kontextu bez architektonických změn.
- **Slovník** (vocabulary): 64 000 tokenů na základě BPE (SentencePiece) s rozdělením čísel na cifry a unicode-byte fallback pro vzácné znaky.

### Konfigurace základních modelů

Parametry architektury z technického reportu arXiv:2403.04652:<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)</sup>

| Parametr                                | Yi-6B  | Yi-34B   |
|-----------------------------------------|--------|----------|
| Hidden Size                             | 4096   | 7168     |
| Query-heads                             | 32     | 56       |
| KV-heads                                | 4      | 8        |
| Počet vrstev                            | 32     | 60       |
| Délka předtrénování (Pretrain Seq. Len) | 4096   | 4096     |
| Max. rychlost učení (Max LR)            | 3×10⁻⁴ | 1,5×10⁻⁴ |

*Zdroj: arXiv:2403.04652, tabulka parametrů.*<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)</sup>

### Architektura Yi-Lightning (MoE)

Yi-Lightning (2024) využívá vylepšenou architekturu Mixture-of-Experts (MoE) s následujícími vlastnostmi:<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-LightningReport-8)</sup>

- **Fine-grained expert segmentation** — jemnozrnné rozdělení FFN bloků na experty pro zvýšení specializace.
- **Víceúrovňové vyvažování zátěže** — kombinace ztrát Switch-Transformer (ST), Expert Parallel (EP) a Partitioned EP (PEP) pro rovnoměrné rozdělení tokenů mezi experty.
- **Hybridní pozornost** — střídání 3 vrstev s posuvným oknem (sliding window) a 1 vrstvy s úplnou pozorností (full attention), s opakovaným využitím KV-cache mezi vrstvami.
- **Snížení paměti KV-cache** o 82,8 % oproti standardnímu přístupu při zpracování dlouhých sekvencí.
- **Kontextové okno** rozšířeno na 64 tisíc tokenů.

Přesný počet expertů a celkový počet parametrů Yi-Lightning není ve veřejných zdrojích zveřejněn.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-LightningReport-8)</sup>

### Multimodální varianty (Yi-VL)

V multimodálních modelech Yi-VL je jazykový model spojen s vizuálním enkodérem CLIP ViT-H/14 prostřednictvím MLP projekce. Obrázek $I$ je vizuálním enkodérem převeden na sekvenci embeddingů $\{ v_{1},\ldots,v_{K}\}$, které jsou spolu s textovými tokeny předány jazykovému modelu. Trénování probíhá ve třech fázích s rostoucím rozlišením: 224×224 → 448×448 pixelů.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)</sup>

## Pipeline trénování a zarovnání

### Předtrénování (Pre-training)

Základní modely Yi-6B a Yi-34B jsou předtrénovány na dvojjazyčném korpusu o objemu 3,1 bilionu tokenů. Data procházejí kaskádním pipeline filtrování a deduplikace: heuristické filtry, trénované skórovače (perplexity, quality, coherence, safety), shlukování a MinHash deduplikace. Zdroje — Common Crawl, knihy a vědecké články.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)</sup>

Pro Yi-1.5 bylo provedeno kontinuální předtrénování (continued pre-training) na dalších 500 miliardách tokenů vysoce kvalitního korpusu.<sup>[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Yi15GitHub-7)</sup>

### Dohlížené doladění (Supervised Fine-Tuning, SFT)

Chatovací varianty první generace jsou doladěny na malé, ale pečlivě ověřené sadě — méně než 10 tisíc vícekolových (multi-turn) příkladů, z nichž každý byl ručně zkontrolován a upraven inženýry strojového učení. Pro Yi-1.5 byl objem SFT dat zvýšen na 3 miliony příkladů.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Yi15GitHub-7)</sup>

### Zarovnání pomocí zpětnovazebního učení

Pro Yi-Lightning je použit vícefázový proces zarovnání: SFT s následným RLHF/DPO. Syntetická data jsou generována pomocí Monte Carlo Tree Search (MCTS). Framework bezpečnosti RAISE implementuje čtyřúrovňovou ochranu: filtrování dat předtrénování, safety fine-tuning, vstupní kontrolu promptů a výstupní kontrolu odpovědí.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-LightningReport-8)</sup>

### Rozšíření kontextu

Rozšíření kontextového okna na 200 tisíc tokenů je realizováno prostřednictvím lehkého kontinuálního předtrénování na 5 miliardách tokenů (knihy + syntetické otázky a odpovědi) s využitím techniky RoPE ABF. Po doladění dosahuje přesnost v úloze Needle-in-a-Haystack (vyhledání cílového fragmentu v dlouhém textu) 99,8 %.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-GitHub-2)</sup>

### Hloubkové škálování (Depth Upscaling)

Yi-9B byl získán zdvojením vrstev 12–28 základního modelu Yi-6B s následným předtrénováním na 800 miliardách tokenů. Metoda umožňuje zvýšení kapacity modelu bez trénování od základu.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)</sup>

## Složení rodiny modelů

### Hlavní jazykové modely

| Model                    | Parametry                                  | Typ         | Kontext            | Datum vydání  | Licence        | Poznámka                                         |
|--------------------------|--------------------------------------------|-------------|--------------------|---------------|----------------|--------------------------------------------------|
| Yi-6B / Yi-34B           | 6 mld / 34 mld                             | Base / Chat | 4K (rozš. na 32K)  | Listopad 2023 | Apache 2.0     | Základní modely trénované od základu             |
| Yi-6B-200K / Yi-34B-200K | 6 mld / 34 mld                             | Base        | 200K               | Listopad 2023 | Apache 2.0     | Kontinuální předtrénování na dlouhých sekvencích |
| Yi-9B                    | 9 mld                                      | Base        | 4K (rozš. na 200K) | Březen 2024   | Apache 2.0     | Depth-upscale z Yi-6B + 800 mld tokenů           |
| Yi-1.5-6B/9B/34B         | 6 / 9 / 34 mld                             | Base / Chat | 4K / 16K / 32K     | Květen 2024   | Apache 2.0     | +500 mld tokenů + 3 mil. SFT příkladů            |
| Yi-Large                 | ~1 bil. (MoE, počet aktivních nezveřejněn) | LLM         | Nezveřejněn        | Květen 2024   | Uzavřená (API) | Prezentován jako SOTA                            |
| Yi-Lightning             | MoE (počet expertů nezveřejněn)            | LLM         | 64K                | Říjen 2024    | API            | 6\. místo LMSYS Chatbot Arena                    |

*Zdroje: arXiv:2403.04652; arXiv:2412.01253; GitHub 01-ai/Yi.*<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-LightningReport-8)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-GitHub-2)</sup>

### Specializované modely

| Model                       | Parametry   | Modality                 | Kontext                      | Datum vydání | Poznámka                                         |
|-----------------------------|-------------|--------------------------|------------------------------|--------------|--------------------------------------------------|
| Yi-VL-6B / Yi-VL-34B        | 6 / 34 mld  | Text + obrázky (448×448) | Standardní základního modelu | Leden 2024   | ViT enkodér (CLIP ViT-H/14), třífázové trénování |
| Yi-Coder-1.5B / Yi-Coder-9B | 1,5 / 9 mld | Text (kód)               | 128K                         | Září 2024    | 52 programovacích jazyků                         |

*Zdroje: arXiv:2403.04652; GitHub 01-ai/Yi.*<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-GitHub-2)</sup>

### Identifikátory API

Příklady na platformě 01.AI a u externích poskytovatelů: `yi-large`, `yi-lightning`, `yi-34b-chat`, `01-ai/Yi-1.5-34B-Chat` (Hugging Face), `yi-34b` (Fireworks AI, Replicate).<sup>[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-HFOrg-6)[\[10\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Fireworks-10)[\[11\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Replicate-11)</sup>

## Hodnocení a benchmarky

### Výsledky základních modelů

Data z technického reportu arXiv:2403.04652 (podmínky: 0-shot / 5-shot, podle benchmarku):<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)</sup>

| 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    |

*Zdroj: arXiv:2403.04652, tabulky výsledků.*<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)</sup>

Yi-34B dosáhl výsledků překonávajících Llama 2-70B (při dvojnásobně menší velikosti) na většině benchmarků a vedoucích mezi otevřenými modely na C-Eval a CMMLU v době vydání.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-OpenLab-12)</sup>

### Výsledky Yi-Lightning

Data z technického reportu arXiv:2412.01253 (podmínky: 0-shot, není-li uvedeno jinak):<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-LightningReport-8)</sup>

| 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          |

*Zdroj: arXiv:2412.01253.*<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-LightningReport-8)</sup>

### Uživatelské žebříčky

Yi-34B-Chat obsadil 2. místo na AlpacaEval (94,08 %, za GPT-4 Turbo) v prosinci 2023 — lednu 2024, s hodnocením Elo ~1110 na LMSYS Chatbot Arena. Yi-34B vedl mezi otevřenými modely na Hugging Face Open LLM Leaderboard a C-Eval v době vydání.<sup>[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-GitHub-2)[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)</sup>

Yi-Lightning obsadil 6. celkové místo na LMSYS Chatbot Arena (skóre 1287), 2. místo v čínštině a 3.–4. místo v podkategoriích „matematika", „kódování", „hard prompts" a „multi-turn" v době zveřejnění reportu.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-LightningReport-8)</sup>

**Poznámka.** Přímé srovnání modelů z různých vydání a konfigurací vyžaduje jednotné podmínky testování (stejné verze benchmarků, stejné parametry generování). Subjektivní hodnocení na crowdsourcingových platformách závisí na složení účastníků a aktuální sadě modelů v systému.<sup>[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-OpenLab-12)</sup>

## Použití

Rodina Yi se uplatňuje v širokém spektru úloh zpracování přirozeného jazyka a multimodální analýzy:<sup>[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Official-3)[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Lablab-13)</sup>

- **Chatovací asistenti a dialogové systémy** — na základě chatovacích variant Yi-34B-Chat a Yi-1.5.
- **Generování a analýza kódu** — Yi-Coder podporuje 52 programovacích jazyků.
- **Analýza dlouhých dokumentů** — varianty s kontextem 200K pro právní, technické a analytické úlohy.
- **Multimodální analýza** — popis obrázků a vizuální otázky a odpovědi prostřednictvím Yi-VL.
- **Podnikové agenty** — RAG systémy, vyhledávání znalostí a klasifikace dat prostřednictvím platformy 01.AI.
- **Lokální nasazení** — prostřednictvím vLLM, llama.cpp, Hugging Face Transformers; kvantované verze (AWQ/GPTQ 4/8-bit) jsou dostupné pro nasazení na spotřebitelských GPU (například RTX 4090 pro Yi-34B-4bit).

API varianty (Yi-Large, Yi-Lightning) jsou využívány pro chatboty, vícejazyčné služby a nízkonákladový inference. Náklady na inference Yi-Lightning činily 14 centů za milion tokenů k roku 2024.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-LightningReport-8)</sup>

## Omezení a otevřené problémy

- **Halucinace.** Modely jsou náchylné k typickým faktickým chybám LLM v generovaných odpovědích, zejména při složitém uvažování a dlouhých řetězcích inference.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)</sup>
- **Matematika a kód v raných verzích.** Základní modely Yi-34B vykazují slabší výsledky ve složitém kódování a matematice ve srovnání se specializovanými frontier modely (například MATH Yi-34B v 4-shot — 14,4). Tento problém byl částečně vyřešen v Yi-1.5 a Yi-Lightning.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-LightningReport-8)</sup>
- **Dlouhý kontext.** Rozšíření na 200K vyžaduje dodatečné předtrénování a výpočetní zdroje; možná je mírná degradace výkonu na krátkém kontextu.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)</sup>
- **Uzavřené modely.** Yi-Large a Yi-Lightning neposkytují váhy ke stažení, což omezuje nezávislou verifikaci architektury a dat.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-LightningReport-8)</sup>
- **Rozdíl mezi Arena a benchmarky.** Yi-Lightning vykazuje silné výsledky v uživatelských hodnoceních (Chatbot Arena), ale zaostává za některými konkurenty na statických akademických benchmarcích — odraz obecného problému nekonzistence metrik.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-LightningReport-8)</sup>
- **Reprodukovatelnost.** Ne všechny detaily trénování (přesné složení datasetu, rozložení domén, hyperparametry) jsou plně zveřejněny.<sup>[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Lablab-13)</sup>
- **Citlivost na prompt.** Stejně jako ostatní LLM jsou modely Yi citlivé na formulaci promptu, což ovlivňuje stabilitu výstupů.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)</sup>

Žádné závažné regrese po vydáních nebyly zaznamenány; komunita zaznamenává stabilitu kvantovaných verzí.<sup>[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-GitHub-2)</sup>

## Etické a regulatorní aspekty

V Yi-Lightning je implementován framework bezpečnosti RAISE, zajišťující čtyřúrovňovou ochranu:<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-LightningReport-8)</sup>

- Filtrování toxického obsahu, PII a škodlivých materiálů ve fázi předtrénování.
- Safety fine-tuning s příklady správného zpracování citlivých požadavků.
- Vstupní kontrola (klasifikace promptů).
- Výstupní kontrola (filtrování odpovědí).

Licence Apache 2.0 pro otevřené modely povoluje komerční využití; jednotlivé hostingové služby mohou klást dodatečné požadavky. Modely splňují čínské regulatorní normy v oblasti AI (certifikace CAICT pro podniková řešení).<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Official-3)</sup>

## Perspektivy a směry výzkumu

Série Yi demonstruje účinnost přístupu, který klade kvalitu dat nad objem parametrů, a také lehkého škálování (continual pretraining, depth upscaling, MoE optimalizace).<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-YiReport-1)</sup>

Po roce 2025 se zaměření 01.AI přesunulo na aplikovaná řešení:<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-Wikipedia-4)</sup>

- Multiagentní systémy a podniková platforma WorldWise LLM Platform 2.5.
- Integrace modelů třetích stran (včetně DeepSeek) do podnikových workflow.
- Optimalizace inference (kvantování, FP8) pro snížení nákladů na nasazení.

Otevřené modely jsou nadále využívány komunitou pro výzkum, fine-tuning a destilaci.<sup>[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_note-HFOrg-6)</sup>

## Literatura

- Young A. et al. *Yi: Open Foundation Models by 01.AI*. arXiv:2403.04652, 2024. <a href="https://arxiv.org/abs/2403.04652" class="external free" rel="nofollow">https://arxiv.org/abs/2403.04652</a>
- 01.AI et al. *Yi-Lightning Technical Report*. arXiv:2412.01253, 2024. <a href="https://arxiv.org/abs/2412.01253" class="external free" rel="nofollow">https://arxiv.org/abs/2412.01253</a>
- Vaswani, A. et al. (2017). *Attention Is All You Need*. NeurIPS. <a href="https://arxiv.org/abs/1706.03762" class="external free" rel="nofollow">https://arxiv.org/abs/1706.03762</a>

## Odkazy

- <a href="https://github.com/01-ai/Yi" class="external free" rel="nofollow">https://github.com/01-ai/Yi</a> — Oficiální GitHub repozitář Yi
- <a href="https://github.com/01-ai/Yi-1.5" class="external free" rel="nofollow">https://github.com/01-ai/Yi-1.5</a> — Repozitář Yi-1.5
- <a href="https://www.01.ai/yi-models" class="external free" rel="nofollow">https://www.01.ai/yi-models</a> — Oficiální stránka modelů Yi
- <a href="https://huggingface.co/01-ai" class="external free" rel="nofollow">https://huggingface.co/01-ai</a> — Organizace 01-ai na Hugging Face
- <a href="https://en.wikipedia.org/wiki/01.AI" class="external free" rel="nofollow">https://en.wikipedia.org/wiki/01.AI</a> — Článek Wikipedia o společnosti 01.AI

## Poznámky

1.  <span id="cite_note-YiReport-1">↑ <sup>[1.00](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-9)</sup> <sup>[1.10](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-10)</sup> <sup>[1.11](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-11)</sup> <sup>[1.12](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-12)</sup> <sup>[1.13](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-13)</sup> <sup>[1.14](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-14)</sup> <sup>[1.15](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-15)</sup> <sup>[1.16](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-16)</sup> <sup>[1.17](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-17)</sup> <sup>[1.18](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-18)</sup> <sup>[1.19](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-19)</sup> <sup>[1.20](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-20)</sup> <sup>[1.21](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-21)</sup> <sup>[1.22](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-22)</sup> <sup>[1.23](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-YiReport_1-23)</sup> Young A. et al. *Yi: Open Foundation Models by 01.AI*. arXiv:2403.04652, 7 марта 2024. <a href="https://arxiv.org/abs/2403.04652" class="external free" rel="nofollow">https://arxiv.org/abs/2403.04652</a></span>
2.  <span id="cite_note-GitHub-2">↑ <sup>[2.0](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-GitHub_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-GitHub_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-GitHub_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-GitHub_2-3)</sup> <sup>[2.4](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-GitHub_2-4)</sup> <sup>[2.5](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-GitHub_2-5)</sup> <sup>[2.6](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-GitHub_2-6)</sup> 01-ai. GitHub-репозиторий Yi. <a href="https://github.com/01-ai/Yi" class="external free" rel="nofollow">https://github.com/01-ai/Yi</a></span>
3.  <span id="cite_note-Official-3">↑ <sup>[3.0](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Official_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Official_3-1)</sup> <sup>[3.2](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Official_3-2)</sup> 01.AI. Yi Foundation Models. <a href="https://www.01.ai/yi-models" class="external free" rel="nofollow">https://www.01.ai/yi-models</a></span>
4.  <span id="cite_note-Wikipedia-4">↑ <sup>[4.0](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Wikipedia_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Wikipedia_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Wikipedia_4-2)</sup> Wikipedia. *01.AI*. <a href="https://en.wikipedia.org/wiki/01.AI" class="external free" rel="nofollow">https://en.wikipedia.org/wiki/01.AI</a></span>
5.  <span id="cite_note-Bloomberg-5">[↑](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#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. <a href="https://www.bloomberg.com/news/articles/2023-11-05/kai-fu-lee-s-open-source-01-ai-bests-llama-2-according-to-hugging-face" class="external free" rel="nofollow">https://www.bloomberg.com/news/articles/2023-11-05/kai-fu-lee-s-open-source-01-ai-bests-llama-2-according-to-hugging-face</a></span>
6.  <span id="cite_note-HFOrg-6">↑ <sup>[6.0](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-HFOrg_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-HFOrg_6-1)</sup> <sup>[6.2](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-HFOrg_6-2)</sup> Hugging Face. Организация 01-ai. <a href="https://huggingface.co/01-ai" class="external free" rel="nofollow">https://huggingface.co/01-ai</a></span>
7.  <span id="cite_note-Yi15GitHub-7">↑ <sup>[7.0](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Yi15GitHub_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Yi15GitHub_7-1)</sup> <sup>[7.2](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Yi15GitHub_7-2)</sup> GitHub. 01-ai/Yi-1.5. <a href="https://github.com/01-ai/Yi-1.5" class="external free" rel="nofollow">https://github.com/01-ai/Yi-1.5</a></span>
8.  <span id="cite_note-LightningReport-8">↑ <sup>[8.00](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-LightningReport_8-0)</sup> <sup>[8.01](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-LightningReport_8-1)</sup> <sup>[8.02](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-LightningReport_8-2)</sup> <sup>[8.03](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-LightningReport_8-3)</sup> <sup>[8.04](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-LightningReport_8-4)</sup> <sup>[8.05](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-LightningReport_8-5)</sup> <sup>[8.06](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-LightningReport_8-6)</sup> <sup>[8.07](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-LightningReport_8-7)</sup> <sup>[8.08](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-LightningReport_8-8)</sup> <sup>[8.09](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-LightningReport_8-9)</sup> <sup>[8.10](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-LightningReport_8-10)</sup> <sup>[8.11](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-LightningReport_8-11)</sup> <sup>[8.12](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-LightningReport_8-12)</sup> 01.AI et al. *Yi-Lightning Technical Report*. arXiv:2412.01253, декабрь 2024. <a href="https://arxiv.org/abs/2412.01253" class="external free" rel="nofollow">https://arxiv.org/abs/2412.01253</a></span>
9.  <span id="cite_note-Vaswani-9">↑ <sup>[9.0](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Vaswani_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Vaswani_9-1)</sup> Vaswani, A. et al. (2017). *Attention Is All You Need*. NeurIPS. <a href="https://arxiv.org/abs/1706.03762" class="external free" rel="nofollow">https://arxiv.org/abs/1706.03762</a></span>
10. <span id="cite_note-Fireworks-10">[↑](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Fireworks_10-0) Fireworks AI. *Yi 34B API*. <a href="https://fireworks.ai/models/yi-01-ai/yi-34b" class="external free" rel="nofollow">https://fireworks.ai/models/yi-01-ai/yi-34b</a></span>
11. <span id="cite_note-Replicate-11">[↑](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Replicate_11-0) Replicate. *01-ai/yi-34b*. <a href="https://replicate.com/01-ai/yi-34b" class="external free" rel="nofollow">https://replicate.com/01-ai/yi-34b</a></span>
12. <span id="cite_note-OpenLab-12">↑ <sup>[12.0](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-OpenLab_12-0)</sup> <sup>[12.1](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-OpenLab_12-1)</sup> Open Laboratory. *Yi*. <a href="https://openlaboratory.ai/models/families/Yi" class="external free" rel="nofollow">https://openlaboratory.ai/models/families/Yi</a></span>
13. <span id="cite_note-Lablab-13">↑ <sup>[13.0](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Lablab_13-0)</sup> <sup>[13.1](https://systems-analysis.info/int/Yi_(01.AI)_(CS)#cite_ref-Lablab_13-1)</sup> Lablab.ai. *01.AI's Yi Series Large Language Models*. <a href="https://lablab.ai/tech/yi-llms" class="external free" rel="nofollow">https://lablab.ai/tech/yi-llms</a></span>