--- title: "Yi (01.AI) (HE)" source: "https://systems-analysis.info/int/Yi_(01.AI)_(HE)" wiki: "systems-analysis.info/int" article: "Yi_(01.AI)_(HE)" language: "he" categories: - "Category:Hebrew" - "Category:Large language models" - "Category:Machine learning" revision_id: 8544 wiki_created_at: 2026-09-07T01:18:55Z wiki_modified_at: 2026-09-07T01:18:55Z downloaded_at: 2026-09-07T23:26:00Z --- # Yi (01.AI) (HE) **Yi** — משפחה של מודלים לשוניים גדולים (Large Language Model, LLM) ומודלים חזותיים-לשוניים (Vision-Language Model, VLM), שפותחה על ידי חברת 01.AI (零一万物) בהנהגת קאי-פו לי (Kai-Fu Lee). המודלים אומנו מאפס על גוף נתונים דו-לשוני באיכות גבוהה (אנגלית וסינית) בהיקף של 3.1 טריליון token, וכוללים גרסאות לייצור טקסט, עיבוד הקשר ארוך (עד 200 אלף token), קלט מולטי-מודאלי (טקסט + תמונות), יצירת קוד וייצור (inference) יעיל המבוסס על ארכיטקטורת Mixture-of-Experts (MoE). הגרסאות הפתוחות מופצות תחת רישיון Apache 2.0 המאפשר שימוש מסחרי; מודלים קנייניים סגורים (Yi-Large, Yi-Lightning) זמינים דרך API.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-GitHub-2)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Official-3) ## היסטוריה וציר הזמן של הפיתוח חברת 01.AI נוסדה במרץ 2023 על ידי קאי-פו לי, לשעבר ראש Microsoft Research Asia ו-Google China, ומשרדיה הראשיים נמצאים בבייג'ינג. מיקוד החברה הוא פיתוח LLM יעילים תוך דגש על איכות נתונים ואופטימיזציה הנדסית של תשתית. עד נובמבר 2023 השיגה 01.AI מעמד של "חד-קרן" (שווי העולה על מיליארד דולר) לאחר סבב מימון בהשתתפות Alibaba.[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Wikipedia-4)[\[5\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Bloomberg-5) ### הדור הראשון (2023–2024) מודלי Yi-6B ו-Yi-34B הפתוחים הראשונים הוצגו ב-2 בנובמבר 2023. במהלך השבועות שלאחר מכן הורחבה הסדרה בגרסאות עם הקשר של 200 אלף token (5 בנובמבר 2023), גרסאות צ'אט ומודלים כמותיים (23 בנובמבר 2023). בינואר 2024 יצאו Yi-VL-6B ו-Yi-VL-34B המולטי-מודאליים. במרץ 2024 הוצג מודל Yi-9B שהתקבל בשיטת depth upscaling מתוך Yi-6B, ופורסם דוח טכני arXiv:2403.04652.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-GitHub-2) ### Yi-1.5 ומודלים מיוחדים (2024) ב-13 במאי 2024 יצאה סדרת Yi-1.5 (6B/9B/34B) — תוצר של המשך אימון מוקדם על 500 מיליארד token נוספים ו-fine-tuning על 3 מיליון דוגמאות הוראות. במאי–יוני 2024 הוצג מודל קנייני סגור Yi-Large עם גישת API, המוצג כ-SOTA. בספטמבר 2024 יצאה סדרת Yi-Coder המיוחדת (1.5B/9B) ליצירת קוד עם הקשר של 128 אלף token ותמיכה ב-52 שפות תכנות.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1)[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-HFOrg-6)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Yi15GitHub-7) ### Yi-Lightning (2024) באוקטובר 2024 הוצג המודל הדגל Yi-Lightning המבוסס על ארכיטקטורת Mixture-of-Experts (MoE), המותאם למהירות וליעילות inference. Yi-Lightning תפס את המקום ה-6 בדירוג הכולל של LMSYS Chatbot Arena (Elo 1287), המקום ה-2 בסינית והמקומות 3–4 במתמטיקה ובתכנות. הדוח הטכני פורסם בדצמבר 2024 (arXiv:2412.01253).[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-LightningReport-8) ### שינוי אסטרטגיה (2025) במרץ 2025 הודיעה חברת 01.AI על הפסקת אימון מוקדם של מודלים לשוניים גדולים חדשים, והתמקדה ביישומים ארגוניים, מערכות רב-סוכניות ופלטפורמת WorldWise LLM Platform 2.5 המבוססת על מודלים צד שלישי (כולל DeepSeek).[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Wikipedia-4) ### ציר זמן מסכם | תאריך | אירוע | |--------------|---------------------------------------------------------| | נובמבר 2023 | שחרור Yi-6B ו-Yi-34B (base, chat, גרסאות 200K) | | ינואר 2024 | Yi-VL-6B ו-Yi-VL-34B מולטי-מודאליים | | מרץ 2024 | Yi-9B (depth-upscaled); פרסום דוח טכני arXiv:2403.04652 | | מאי 2024 | Yi-1.5 (6B/9B/34B); Yi-Large (סגור, API) | | ספטמבר 2024 | Yi-Coder-1.5B/9B (התמחות בקוד, הקשר 128K) | | אוקטובר 2024 | Yi-Lightning (ארכיטקטורת MoE, מודל דגל) | | דצמבר 2024 | פרסום דוח טכני Yi-Lightning (arXiv:2412.01253) | | מרץ 2025 | הפסקת אימון מוקדם של LLM חדשים; מיקוד בפתרונות ארגוניים | ## יסודות תיאורטיים וארכיטקטורה ### ארכיטקטורה בסיסית כל המודלים במשפחת Yi מבוססים על ארכיטקטורת transformer לפענוח בלבד (decoder-only Transformer), המתוארת במאמרו של Vaswani et al.[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Vaswani-9) המודלים אומנו מאפס ואינם נגזרים של LLaMA, למרות דמיון במימוש.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1) מנגנון ה-Multi-Head Self-Attention הבסיסי מתואר על ידי הנוסחה: $\operatorname{Attention}(Q,K,V) = \operatorname{softmax}\!\left( \frac{QK^{\top}}{\sqrt{d_{k}}} \right)V$ כאשר $Q$, $K$, $V$ — מטריצות שאילתות (queries), מפתחות (keys) וערכים (values) בהתאמה, $d_{k}$ — מימד המפתחות.[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Vaswani-9) שינויים ארכיטקטוניים מרכזיים ב-Yi:[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1) - **Grouped-Query Attention (GQA)** — חלוקת ראשי query לקבוצות עם ראשי key/value משותפים, המפחיתה את צריכת הזיכרון תוך שמירה על האיכות. - **הפעלת SwiGLU** — החלפת ReLU/GELU הסטנדרטית; מקטינה את גודל ההפעלות ל-8/3 מגודל השכבה הנסתרת (hidden size). - **Rotary Position Embedding (RoPE)** עם תדר בסיס מותאם (adjusted base frequency, ABF), המאפשר הרחבת הקשר ללא שינויים ארכיטקטוניים. - **מילון** (vocabulary): 64,000 token המבוסס על BPE (SentencePiece) עם פיצול מספרים לספרות ו-unicode-byte fallback לסמלים נדירים. ### תצורות המודלים הבסיסיים פרמטרי ארכיטקטורה מתוך הדוח הטכני arXiv:2403.04652:[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1) | פרמטר | Yi-6B | Yi-34B | |--------------------------------------|--------|----------| | Hidden Size | 4096 | 7168 | | Query-heads | 32 | 56 | | KV-heads | 4 | 8 | | מספר שכבות | 32 | 60 | | אורך אימון מוקדם (Pretrain Seq. Len) | 4096 | 4096 | | קצב למידה מקסימלי (Max LR) | 3×10⁻⁴ | 1.5×10⁻⁴ | *מקור: arXiv:2403.04652, טבלת פרמטרים.*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1) ### ארכיטקטורת Yi-Lightning (MoE) Yi-Lightning (2024) משתמש בארכיטקטורת Mixture-of-Experts (MoE) משופרת עם המאפיינים הבאים:[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-LightningReport-8) - **Fine-grained expert segmentation** — פילוח עדין-גרגיר של בלוקי FFN למומחים לשיפור ההתמחות. - **איזון עומסים רב-שלבי** — שילוב של Switch-Transformer (ST), Expert Parallel (EP) ו-Partitioned EP (PEP) losses לחלוקה אחידה של token בין המומחים. - **תשומת לב היברידית** — חלופה של 3 שכבות עם חלון הזזה (sliding window) ושכבה אחת עם תשומת לב מלאה (full attention), עם שימוש חוזר ב-KV-cache בין שכבות. - **הפחתת זיכרון KV-cache** ב-82.8% בהשוואה לגישה הסטנדרטית בעיבוד רצפים ארוכים. - **חלון הקשר** מורחב ל-64 אלף token. מספר המומחים המדויק והמספר הכולל של פרמטרי Yi-Lightning אינם מוצהרים במקורות ציבוריים.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-LightningReport-8) ### גרסאות מולטי-מודאליות (Yi-VL) במודלים המולטי-מודאליים Yi-VL המודל הלשוני מחובר לאנקודר חזותי CLIP ViT-H/14 דרך הטלת MLP. תמונה $I$ מומרת על ידי האנקודר החזותי לרצף של embedding $\{ v_{1},\ldots,v_{K}\}$, אשר מוזנים למודל הלשוני יחד עם token הטקסט. האימון מתבצע בשלושה שלבים עם הגדלת רזולוציה: 224×224 → 448×448 פיקסלים.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1) ## pipeline האימון והיישור ### אימון מוקדם (Pre-training) מודלי הבסיס Yi-6B ו-Yi-34B אומנו מראש על גוף נתונים דו-לשוני בהיקף של 3.1 טריליון token. הנתונים עוברים pipeline מדורג של סינון וכפילות: מסנני היוריסטיקה, מדרגים מאומנים (perplexity, quality, coherence, safety), קיבוץ ו-MinHash deduplication. המקורות — Common Crawl, ספרים ומאמרים מדעיים.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1) עבור Yi-1.5 בוצע המשך אימון מוקדם (continued pre-training) על 500 מיליארד token נוספים של גוף נתונים באיכות גבוהה.[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Yi15GitHub-7) ### כוונון עדין מפוקח (Supervised Fine-Tuning, SFT) גרסאות הצ'אט של הדור הראשון עברו fine-tuning על מערך קטן אך מדויק — פחות מ-10,000 דוגמאות רב-תורניות (multi-turn), שכל אחת מהן נבדקה ונערכה ידנית על ידי מהנדסי Machine Learning. עבור Yi-1.5 הוגדל היקף נתוני ה-SFT ל-3 מיליון דוגמאות.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Yi15GitHub-7) ### יישור באמצעות Reinforcement Learning עבור Yi-Lightning מיושם תהליך יישור רב-שלבי: SFT ולאחריו RLHF/DPO. נתונים סינתטיים נוצרים באמצעות Monte Carlo Tree Search (MCTS). מסגרת הבטיחות RAISE מיישמת הגנה בארבעה רמות: סינון נתוני אימון מוקדם, safety fine-tuning, בקרת קלט של prompt ובקרת פלט של תשובות.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-LightningReport-8) ### הרחבת הקשר הרחבת חלון ההקשר ל-200 אלף token מומשת דרך המשך אימון מוקדם קל על 5 מיליארד token (ספרים + שאלות-תשובות סינתטיות) תוך שימוש בטכניקת RoPE ABF. לאחר הכוונון מגיעה הדיוק במשימת Needle-in-a-Haystack (מציאת קטע יעד בטקסט ארוך) ל-99.8%.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-GitHub-2) ### שינוי קנה מידה בעומק (Depth Upscaling) Yi-9B התקבל על ידי שכפול שכבות 12–28 של מודל הבסיס Yi-6B ולאחר מכן אימון מוקדם על 800 מיליארד token. השיטה מאפשרת הגדלת קיבולת המודל ללא אימון מאפס.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1) ## הרכב משפחת המודלים ### מודלים לשוניים עיקריים | מודל | פרמטרים | סוג | הקשר | תאריך שחרור | רישיון | הערה | |--------------------------|-------------------------------------|-------------|-------------------|--------------|------------|----------------------------------------------| | Yi-6B / Yi-34B | 6 מיליארד / 34 מיליארד | Base / Chat | 4K (מורחב ל-32K) | נובמבר 2023 | Apache 2.0 | מודלי בסיס מאומנים מאפס | | Yi-6B-200K / Yi-34B-200K | 6 מיליארד / 34 מיליארד | Base | 200K | נובמבר 2023 | Apache 2.0 | המשך אימון מוקדם על רצפים ארוכים | | Yi-9B | 9 מיליארד | Base | 4K (מורחב ל-200K) | מרץ 2024 | Apache 2.0 | Depth-upscale מתוך Yi-6B + 800 מיליארד token | | Yi-1.5-6B/9B/34B | 6 / 9 / 34 מיליארד | Base / Chat | 4K / 16K / 32K | מאי 2024 | Apache 2.0 | +500 מיליארד token + 3 מיליון דוגמאות SFT | | Yi-Large | ~1 טריליון (MoE, פעילים לא מוצהרים) | LLM | לא מוצהר | מאי 2024 | סגור (API) | מוצג כ-SOTA | | Yi-Lightning | MoE (מספר מומחים לא מוצהר) | LLM | 64K | אוקטובר 2024 | API | מקום 6 ב-LMSYS Chatbot Arena | *מקורות: arXiv:2403.04652; arXiv:2412.01253; GitHub 01-ai/Yi.*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-LightningReport-8)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-GitHub-2) ### מודלים מיוחדים | מודל | פרמטרים | מודאליות | הקשר | תאריך שחרור | הערה | |-----------------------------|-----------------|-------------------------|-------------------------|-------------|--------------------------------------------| | Yi-VL-6B / Yi-VL-34B | 6 / 34 מיליארד | טקסט + תמונות (448×448) | סטנדרטי של המודל הבסיסי | ינואר 2024 | אנקודר ViT (CLIP ViT-H/14), אימון תלת-שלבי | | Yi-Coder-1.5B / Yi-Coder-9B | 1.5 / 9 מיליארד | טקסט (קוד) | 128K | ספטמבר 2024 | 52 שפות תכנות | *מקורות: arXiv:2403.04652; GitHub 01-ai/Yi.*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-GitHub-2) ### מזהי API דוגמאות בפלטפורמת 01.AI וספקים צד שלישי: `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)_(HE)#cite_note-HFOrg-6)[\[10\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Fireworks-10)[\[11\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Replicate-11) ## הערכה ו-benchmark ### תוצאות מודלי הבסיס נתונים מהדוח הטכני arXiv:2403.04652 (תנאים: 0-shot / 5-shot, בהתאם ל-benchmark):[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#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 | *מקור: arXiv:2403.04652, טבלאות תוצאות.*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1) Yi-34B הציג תוצאות העולות על Llama 2-70B (בגודל קטן פי שניים) ברוב ה-benchmark והוביל בין המודלים הפתוחים ב-C-Eval וב-CMMLU בעת השחרור.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1)[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-OpenLab-12) ### תוצאות Yi-Lightning נתונים מהדוח הטכני arXiv:2412.01253 (תנאים: 0-shot, אלא אם צוין אחרת):[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#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 | *מקור: arXiv:2412.01253.*[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-LightningReport-8) ### דירוגי משתמשים Yi-34B-Chat תפס את המקום ה-2 ב-AlpacaEval (94.08%, אחרי GPT-4 Turbo) בדצמבר 2023 – ינואר 2024, עם דירוג Elo ~1110 ב-LMSYS Chatbot Arena. Yi-34B הוביל בין המודלים הפתוחים ב-Hugging Face Open LLM Leaderboard וב-C-Eval בעת השחרור.[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-GitHub-2)[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1) Yi-Lightning תפס את המקום הכולל ה-6 ב-LMSYS Chatbot Arena (ציון 1287), המקום ה-2 בסינית והמקומות 3–4 בקטגוריות המשנה "מתמטיקה", "תכנות", "hard prompts" ו-"multi-turn" בעת פרסום הדוח.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-LightningReport-8) **הערה.** השוואה ישירה בין מודלים משחרורים ותצורות שונות דורשת תנאי בדיקה אחידים (אותן גרסאות benchmark, אותם פרמטרי יצירה). הערכות סובייקטיביות בפלטפורמות crowdsourcing תלויות בהרכב המשתתפים ובמערך המודלים הנוכחי במערכת.[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-OpenLab-12) ## שימושים משפחת Yi משמשת במגוון רחב של משימות עיבוד שפה טבעית וניתוח מולטי-מודאלי:[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Official-3)[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Lablab-13) - **עוזרי צ'אט ומערכות דיאלוג** — על בסיס גרסאות הצ'אט Yi-34B-Chat ו-Yi-1.5. - **יצירה וניתוח קוד** — Yi-Coder תומך ב-52 שפות תכנות. - **ניתוח מסמכים ארוכים** — גרסאות עם הקשר 200K למשימות משפטיות, טכניות ואנליטיות. - **ניתוח מולטי-מודאלי** — תיאור תמונות ושאלות-תשובות חזותיות דרך Yi-VL. - **סוכנים ארגוניים** — מערכות RAG, חיפוש ידע וסיווג נתונים דרך פלטפורמת 01.AI. - **פריסה מקומית** — דרך vLLM, llama.cpp, Hugging Face Transformers; גרסאות כמותיות (AWQ/GPTQ 4/8-bit) זמינות לפריסה על GPU צרכני (למשל RTX 4090 עבור Yi-34B-4bit). גרסאות API (Yi-Large, Yi-Lightning) משמשות לצ'אט-בוטים, שירותים רב-לשוניים ו-inference בעלות נמוכה. עלות ה-inference של Yi-Lightning עמדה על 14 סנט למיליון token נכון לשנת 2024.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-LightningReport-8) ## מגבלות ובעיות פתוחות - **הזיות.** המודלים נוטים לשגיאות עובדתיות האופייניות ל-LLM בתשובות המיוצרות, בעיקר בהיגיון מורכב ובשרשראות הסקה ארוכות.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1) - **מתמטיקה וקוד בגרסאות מוקדמות.** מודלי הבסיס Yi-34B מציגים תוצאות חלשות יותר בתכנות מורכב ובמתמטיקה בהשוואה למודלי frontier מיוחדים (למשל MATH Yi-34B ב-4-shot — 14.4). בעיה זו נפתרה חלקית ב-Yi-1.5 וב-Yi-Lightning.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-LightningReport-8) - **הקשר ארוך.** הרחבה ל-200K דורשת המשך אימון מוקדם ומשאבי חישוב; ייתכן ירידה קלה בביצועים על הקשר קצר.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1) - **מודלים סגורים.** Yi-Large ו-Yi-Lightning אינם מספקים משקולות להורדה, מה שמגביל אימות עצמאי של הארכיטקטורה והנתונים.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-LightningReport-8) - **פער בין Arena ל-benchmark.** Yi-Lightning מציג תוצאות חזקות בהערכות משתמשים (Chatbot Arena), אך מפגר אחרי מתחרים מסוימים ב-benchmark אקדמיים סטטיים — השתקפות של בעיית אי-התאמת מדדים הכללית.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-LightningReport-8) - **יכולת שחזור.** לא כל פרטי האימון (הרכב dataset המדויק, חלוקת תחומים, היפר-פרמטרים) מוצהרים במלואם.[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Lablab-13) - **רגישות ל-prompt.** כמו LLM אחרים, מודלי Yi רגישים לניסוח ה-prompt, מה שמשפיע על יציבות ההסקות.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1) לא תועדו רגרסיות חמורות ידועות לאחר שחרורים; הקהילה מציינת יציבות של הגרסאות הכמותיות.[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-GitHub-2) ## היבטים אתיים ורגולטוריים ב-Yi-Lightning מוטמעת מסגרת הבטיחות RAISE, המיישמת הגנה בארבעה רמות:[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-LightningReport-8) - סינון תוכן רעיל, PII וחומרים מזיקים בשלב האימון המוקדם. - Safety fine-tuning עם דוגמאות לטיפול תקין בבקשות רגישות. - בקרת קלט (סיווג prompt). - בקרת פלט (סינון תשובות). רישיון Apache 2.0 עבור המודלים הפתוחים מאפשר שימוש מסחרי; אחסונים ספציפיים עשויים לדרוש דרישות נוספות. המודלים עומדים בתקנות הרגולטוריות הסיניות בתחום ה-AI (הסמכת CAICT לפתרונות ארגוניים).[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Official-3) ## פרספקטיבות וכיווני מחקר סדרת Yi מדגימה את יעילות הגישה הנותנת עדיפות לאיכות נתונים על פני היקף פרמטרים, וכן לשינוי קנה מידה קל (continual pretraining, depth upscaling, אופטימיזציות MoE).[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-YiReport-1) לאחר 2025 הועבר הדגש של 01.AI לפתרונות יישומיים:[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-Wikipedia-4) - מערכות רב-סוכניות ופלטפורמה ארגונית WorldWise LLM Platform 2.5. - שילוב מודלים צד שלישי (כולל DeepSeek) ב-workflow ארגוניים. - אופטימיזציית inference (כימות, FP8) להפחתת עלות הפריסה. מודלים פתוחים ממשיכים לשמש את הקהילה למחקר, fine-tuning ודיסטילציה.[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_note-HFOrg-6) ## ספרות - 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 ## קישורים - https://github.com/01-ai/Yi — מאגר GitHub רשמי של Yi - https://github.com/01-ai/Yi-1.5 — מאגר Yi-1.5 - https://www.01.ai/yi-models — דף המודלים הרשמי של Yi - https://huggingface.co/01-ai — ארגון 01-ai ב-Hugging Face - https://en.wikipedia.org/wiki/01.AI — ערך Wikipedia על חברת 01.AI ## הערות 1. ↑ [1.00](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-0) [1.01](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-1) [1.02](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-2) [1.03](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-3) [1.04](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-4) [1.05](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-5) [1.06](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-6) [1.07](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-7) [1.08](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-8) [1.09](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-9) [1.10](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-10) [1.11](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-11) [1.12](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-12) [1.13](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-13) [1.14](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-14) [1.15](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-15) [1.16](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-16) [1.17](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-17) [1.18](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-18) [1.19](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-19) [1.20](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-20) [1.21](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-21) [1.22](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-YiReport_1-22) [1.23](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#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)_(HE)#cite_ref-GitHub_2-0) [2.1](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-GitHub_2-1) [2.2](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-GitHub_2-2) [2.3](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-GitHub_2-3) [2.4](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-GitHub_2-4) [2.5](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-GitHub_2-5) [2.6](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#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)_(HE)#cite_ref-Official_3-0) [3.1](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-Official_3-1) [3.2](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#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)_(HE)#cite_ref-Wikipedia_4-0) [4.1](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-Wikipedia_4-1) [4.2](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-Wikipedia_4-2) Wikipedia. *01.AI*. https://en.wikipedia.org/wiki/01.AI 5. [↑](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#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)_(HE)#cite_ref-HFOrg_6-0) [6.1](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-HFOrg_6-1) [6.2](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#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)_(HE)#cite_ref-Yi15GitHub_7-0) [7.1](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-Yi15GitHub_7-1) [7.2](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#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)_(HE)#cite_ref-LightningReport_8-0) [8.01](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-LightningReport_8-1) [8.02](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-LightningReport_8-2) [8.03](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-LightningReport_8-3) [8.04](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-LightningReport_8-4) [8.05](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-LightningReport_8-5) [8.06](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-LightningReport_8-6) [8.07](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-LightningReport_8-7) [8.08](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-LightningReport_8-8) [8.09](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-LightningReport_8-9) [8.10](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-LightningReport_8-10) [8.11](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-LightningReport_8-11) [8.12](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#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)_(HE)#cite_ref-Vaswani_9-0) [9.1](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#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)_(HE)#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)_(HE)#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)_(HE)#cite_ref-OpenLab_12-0) [12.1](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#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)_(HE)#cite_ref-Lablab_13-0) [13.1](https://systems-analysis.info/int/Yi_(01.AI)_(HE)#cite_ref-Lablab_13-1) Lablab.ai. *01.AI's Yi Series Large Language Models*. https://lablab.ai/tech/yi-llms