---
title: "Yi (01.AI) (HU)"
source: "https://systems-analysis.info/int/Yi_(01.AI)_(HU)"
wiki: "systems-analysis.info/int"
article: "Yi_(01.AI)_(HU)"
language: "hu"
categories:
- "Category:Hungarian"
- "Category:Large language models"
- "Category:Machine learning"
revision_id: 8546
wiki_created_at: 2026-09-07T01:18:57Z
wiki_modified_at: 2026-09-07T01:18:57Z
downloaded_at: 2026-09-07T23:26:01Z
---
# Yi (01.AI) (HU)
**Yi** — nagy nyelvi modellek (Large Language Model, LLM) és vizuális-nyelvi modellek (Vision-Language Model, VLM) családja, amelyet a 01.AI (零一万物) vállalat fejlesztett Kai-Fu Lee irányítása alatt. A modelleket nulláról tanították be egy 3,1 billió tokent tartalmazó, magas minőségű kétnyelvű korpuszon (angol és kínai nyelven), és tartalmazzák a szöveggenerálásra, hosszú kontextus feldolgozására (akár 200 ezer tokenig), multimodális bevitelre (szöveg + képek), kódgenerálásra és Mixture-of-Experts (MoE) architektúrán alapuló hatékony következtetésre szánt változatokat. A nyílt változatok Apache 2.0 licenc alatt kerülnek terjesztésre kereskedelmi felhasználási engedéllyel; a zárt, zászlóshajó modellek (Yi-Large, Yi-Lightning) API-n keresztül érhetők el.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-GitHub-2)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Official-3)
## Történet és fejlődési kronológia
A 01.AI vállalatot 2023 márciusában alapította Kai-Fu Lee, a Microsoft Research Asia és a Google China egykori vezetője, pekingi székhellyel. A vállalat fókusza hatékony LLM-ek fejlesztése, az adatminőségre és az infrastruktúra mérnöki optimalizálására helyezve a hangsúlyt. 2023 novemberére a 01.AI elérte az „egyszarvú" státuszt (egymilliárd dollárt meghaladó értékelt tőke) az Alibaba részvételével lezajlott finanszírozási kör után.[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Wikipedia-4)[\[5\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Bloomberg-5)
### Első generáció (2023–2024)
Az első nyílt modellek, a Yi-6B és a Yi-34B, 2023. november 2-án kerültek bemutatásra. Az azt követő hetekben a termékcsalád 200 ezer tokenes kontextusú változatokkal (2023. november 5.), csatvariánsokkal és kvantált modellekkel (2023. november 23.) bővült. 2024 januárjában megjelentek a multimodális Yi-VL-6B és Yi-VL-34B modellek. 2024 márciusában bemutatkozott a Yi-9B modell, amelyet mélységi skálázással (depth upscaling) nyertek a Yi-6B-ből, és megjelent az arXiv:2403.04652 műszaki jelentés.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-GitHub-2)
### Yi-1.5 és specializált modellek (2024)
2024\. május 13-án kiadták a Yi-1.5 sorozatot (6B/9B/34B) — amely további 500 milliárd tokenen végzett folyamatos előtanítás és 3 millió utasítási példán végzett finomhangolás eredménye. 2024 május–júniusában bemutatkozott a zárt, proprietáris Yi-Large modell API-hozzáféréssel, amelyet SOTA-ként pozicionáltak. 2024 szeptemberében megjelent a specializált Yi-Coder sorozat (1,5B/9B) kódgeneráláshoz, 128 ezer tokenes kontextussal és 52 programozási nyelv támogatásával.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-HFOrg-6)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Yi15GitHub-7)
### Yi-Lightning (2024)
2024 októberében bemutatkozott a zászlóshajó Yi-Lightning modell, amely Mixture-of-Experts (MoE) architektúrán alapul, és a következtetés sebességére és hatékonyságára van optimalizálva. A Yi-Lightning a 6. helyet szerezte meg az LMSYS Chatbot Arena általános ranglistáján (Elo 1287), a 2. helyet kínai nyelven, és a 3–4. helyet matematikában és kódolásban. A műszaki jelentés 2024 decemberében jelent meg (arXiv:2412.01253).[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-LightningReport-8)
### Stratégiaváltás (2025)
2025 márciusában a 01.AI bejelentette, hogy leállítja az új nagy nyelvi modellek előtanítását, és a vállalati alkalmazásokra, a többügynöki rendszerekre és a harmadik féltől származó modelleken (köztük DeepSeeken) alapuló WorldWise LLM Platform 2.5 platformra összpontosít.[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Wikipedia-4)
### Összefoglaló kronológia
| Dátum | Esemény |
|-------------------|-----------------------------------------------------------------------|
| 2023\. november | Yi-6B és Yi-34B kiadása (alap-, chat- és 200K-variánsok) |
| 2024\. január | Multimodális Yi-VL-6B és Yi-VL-34B |
| 2024\. március | Yi-9B (depth-upscaled); arXiv:2403.04652 műszaki jelentés megjelenése |
| 2024\. május | Yi-1.5 (6B/9B/34B); Yi-Large (zárt, API) |
| 2024\. szeptember | Yi-Coder-1.5B/9B (kódspecializáció, 128K kontextus) |
| 2024\. október | Yi-Lightning (MoE-architektúra, zászlóshajó modell) |
| 2024\. december | Yi-Lightning műszaki jelentés megjelenése (arXiv:2412.01253) |
| 2025\. március | Új LLM-ek előtanításának leállítása; fókusz vállalati megoldásokra |
## Elméleti alapok és architektúra
### Alaparchitektúra
A Yi-család összes modellje a decoder-only Transformer architektúrán alapul, amelyet Vaswani és munkatársai írtak le.[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Vaswani-9) A modellek nulláról kerültek betanításra, és nem a LLaMA derivátumai, az implementáció hasonlósága ellenére sem.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)
A többfejű önfigyelem (Multi-Head Self-Attention) alapmechanizmusát a következő képlet írja le:
$\operatorname{Attention}(Q,K,V) = \operatorname{softmax}\!\left( \frac{QK^{o}p}{\sqrt{d_{k}}} \right)V$
ahol $Q$, $K$, $V$ rendre a lekérdezések (queries), kulcsok (keys) és értékek (values) mátrixai, $d_{k}$ pedig a kulcsok dimenziója.[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Vaswani-9)
A Yi legfontosabb architekturális módosításai:[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)
- **Grouped-Query Attention (GQA)** — a query-fejek csoportokra osztása közös key/value-fejekkel, ami csökkenti a memóriahasználatot a minőség megőrzése mellett.
- **SwiGLU-aktiváció** — a standard ReLU/GELU helyettesítése; az aktivációk méretét a rejtett réteg (hidden size) méretének 8/3-ára csökkenti.
- **Rotary Position Embedding (RoPE)** adaptált alapfrekvenciával (adjusted base frequency, ABF), amely architekturális változtatások nélkül teszi lehetővé a kontextus bővítését.
- **Szótár** (vocabulary): 64 000 token BPE alapon (SentencePiece), a számok számjegyekre bontásával és unicode-byte fallbackkel a ritka karakterekhez.
### Alapmodellek konfigurációi
Az arXiv:2403.04652 műszaki jelentésből származó architektúraparaméterek:[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)
| Paraméter | Yi-6B | Yi-34B |
|-------------------------------------------------|--------|----------|
| Hidden Size | 4096 | 7168 |
| Query-heads | 32 | 56 |
| KV-heads | 4 | 8 |
| Rétegek száma | 32 | 60 |
| Előtanítási szekvenciahossz (Pretrain Seq. Len) | 4096 | 4096 |
| Max. tanulási ráta (Max LR) | 3×10⁻⁴ | 1,5×10⁻⁴ |
*Forrás: arXiv:2403.04652, paramétertáblázat.*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)
### Yi-Lightning architektúra (MoE)
A Yi-Lightning (2024) továbbfejlesztett Mixture-of-Experts (MoE) architektúrát használ, a következő jellemzőkkel:[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-LightningReport-8)
- **Fine-grained expert segmentation** — az FFN-blokkok finomgranulárú szakértőkre osztása a specializáció fokozása érdekében.
- **Többszintű terheléselosztás** — Switch-Transformer (ST), Expert Parallel (EP) és Partitioned EP (PEP) veszteségek kombinációja a tokenek egyenletes elosztásához a szakértők között.
- **Hibrid figyelem** — 3 csúszóablakos (sliding window) és 1 teljes figyelmet (full attention) alkalmazó réteg váltakozása, a KV-gyorsítótár rétegek közötti újrafelhasználásával.
- **KV-gyorsítótár memóriaigényének csökkentése** 82,8%-kal a standard megközelítéshez képest hosszú szekvenciák feldolgozásakor.
- **Kontextusablak** 64 ezer tokenre bővítve.
A Yi-Lightning szakértőinek pontos száma és a teljes paraméterszám nyilvános forrásokban nem kerül közzétételre.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-LightningReport-8)
### Multimodális változatok (Yi-VL)
A Yi-VL multimodális modellekben a nyelvi modell a CLIP ViT-H/14 vizuális enkóderhez kapcsolódik MLP-projekción keresztül. A $I$ kép a vizuális enkóder által $\{ v_{1},\ldots,v_{K}\}$ embedding-szekvenciává alakul, amelyet a szöveges tokenekkel együtt táplálnak a nyelvi modellbe. A tanítás három szakaszban zajlik, növekvő felbontással: 224×224 → 448×448 pixel.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)
## Tanítási folyamat és igazítás
### Előtanítás (Pre-training)
A Yi-6B és Yi-34B alapmodellek 3,1 billió tokenes kétnyelvű korpuszon kerültek előtanításra. Az adatok kaszkádos szűrési és deduplikációs folyamaton mennek át: heurisztikus szűrők, betanított pontozók (perplexity, minőség, koherencia, biztonság), klaszterezés és MinHash-deduplikáció. Forrásai: Common Crawl, könyvek és tudományos cikkek.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)
A Yi-1.5 esetében folyamatos előtanítást (continued pre-training) végeztek további 500 milliárd token magas minőségű korpuszon.[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Yi15GitHub-7)
### Felügyelt finomhangolás (Supervised Fine-Tuning, SFT)
Az első generációs chatváltozatokat egy kis, de gondosan összeállított készleten hangolták finomra — kevesebb mint 10 ezer többfordulatos (multi-turn) példán, amelyek mindegyikét gépi tanulással foglalkozó mérnökök ellenőriztek és szerkesztettek kézzel. A Yi-1.5 esetében az SFT-adatok mennyisége 3 millió példányra nőtt.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Yi15GitHub-7)
### Igazítás megerősítéses tanulással
A Yi-Lightning esetében többlépéses igazítási folyamatot alkalmaznak: SFT-t követő RLHF/DPO. A szintetikus adatok Monte Carlo Tree Search (MCTS) segítségével generálódnak. A RAISE biztonsági keretrendszer négyszintű védelmet valósít meg: az előtanítási adatok szűrése, safety fine-tuning, a promptok bemeneti ellenőrzése és a válaszok kimeneti ellenőrzése.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-LightningReport-8)
### Kontextus bővítése
A kontextusablak 200 ezer tokenre való bővítése könnyű folyamatos előtanítással valósul meg 5 milliárd tokenen (könyvek + szintetikus kérdés-válasz párok), RoPE ABF technika alkalmazásával. A finomítás után a Needle-in-a-Haystack feladatban (célfragmentum keresése hosszú szövegben) elért pontosság eléri a 99,8%-ot.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-GitHub-2)
### Mélységi skálázás (Depth Upscaling)
A Yi-9B a Yi-6B alapmodell 12–28. rétegeinek megkettőzésével, majd 800 milliárd tokenen végzett előtanítással készült. A módszer lehetővé teszi a modell kapacitásának növelését nulláról való tanítás nélkül.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)
## A modellek családjának összetétele
### Fő nyelvi modellek
| Modell | Paraméterek | Típus | Kontextus | Kiadás dátuma | Licenc | Megjegyzés |
|--------------------------|-----------------------------------------------------------|-------------|----------------------|-----------------|------------|--------------------------------------------|
| Yi-6B / Yi-34B | 6 mrd / 34 mrd | Base / Chat | 4K (bővítve 32K-ra) | 2023\. november | Apache 2.0 | Nulláról tanított alapmodellek |
| Yi-6B-200K / Yi-34B-200K | 6 mrd / 34 mrd | Base | 200K | 2023\. november | Apache 2.0 | Folyamatos előtanítás hosszú szekvenciákon |
| Yi-9B | 9 mrd | Base | 4K (bővítve 200K-ra) | 2024\. március | Apache 2.0 | Depth-upscale a Yi-6B-ből + 800 mrd token |
| Yi-1.5-6B/9B/34B | 6 / 9 / 34 mrd | Base / Chat | 4K / 16K / 32K | 2024\. május | Apache 2.0 | +500 mrd token + 3 millió SFT-példa |
| Yi-Large | ~1 billió (MoE, aktív paraméterek nem nyilvánosan ismert) | LLM | Nem nyilvános | 2024\. május | Zárt (API) | SOTA-ként pozicionált |
| Yi-Lightning | MoE (szakértők száma nem nyilvános) | LLM | 64K | 2024\. október | API | 6\. hely az LMSYS Chatbot Arénán |
*Források: arXiv:2403.04652; arXiv:2412.01253; GitHub 01-ai/Yi.*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-LightningReport-8)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-GitHub-2)
### Specializált modellek
| Modell | Paraméterek | Modalitások | Kontextus | Kiadás dátuma | Megjegyzés |
|-----------------------------|-------------|--------------------------|-----------------------------------|-------------------|-----------------------------------------------------|
| Yi-VL-6B / Yi-VL-34B | 6 / 34 mrd | Szöveg + képek (448×448) | Az alapmodell standard kontextusa | 2024\. január | ViT-enkóder (CLIP ViT-H/14), háromszakaszos tanítás |
| Yi-Coder-1.5B / Yi-Coder-9B | 1,5 / 9 mrd | Szöveg (kód) | 128K | 2024\. szeptember | 52 programozási nyelv |
*Források: arXiv:2403.04652; GitHub 01-ai/Yi.*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-GitHub-2)
### API-azonosítók
Példák a 01.AI platformon és harmadik fél szolgáltatóknál: `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)_(HU)#cite_note-HFOrg-6)[\[10\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Fireworks-10)[\[11\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Replicate-11)
## Kiértékelés és benchmarkok
### Alapmodellek eredményei
Adatok az arXiv:2403.04652 műszaki jelentésből (feltételek: 0-shot / 5-shot, a benchmarktól függően):[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#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 |
*Forrás: arXiv:2403.04652, eredménytáblázatok.*[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)
A Yi-34B a legtöbb benchmarkon felülmúlta a Llama 2-70B-t (kétszer kisebb méret mellett), és a kiadás idején vezető helyen állt a nyílt modellek között a C-Eval és CMMLU benchmarkokon.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-OpenLab-12)
### Yi-Lightning eredményei
Adatok az arXiv:2412.01253 műszaki jelentésből (feltételek: 0-shot, ahol másképp nem jelölt):[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#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 |
*Forrás: arXiv:2412.01253.*[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-LightningReport-8)
### Felhasználói rangsorok
A Yi-34B-Chat 2023 decemberében – 2024 januárjában a 2. helyen állt az AlpacaEval ranglistán (94,08%, a GPT-4 Turbo mögött), az LMSYS Chatbot Arénán Elo ~1110-es értékelést ért el. A Yi-34B a kiadás idején vezető helyen állt a nyílt modellek között a Hugging Face Open LLM Leaderboardon és a C-Eval-on.[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-GitHub-2)[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)
A Yi-Lightning a 6. általános helyet szerezte meg az LMSYS Chatbot Arénán (pontszám: 1287), a 2. helyet kínai nyelven, és a 3–4. helyet a „matematika", „kódolás", „hard prompts" és „multi-turn\\ alkategóriákban a jelentés megjelenésekor.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-LightningReport-8)
**Megjegyzés.** A különböző kiadásokból és konfigurációkból származó modellek közvetlen összehasonlítása egységes tesztelési feltételeket igényel (ugyanazok a benchmark-verziók, azonos generálási paraméterek). A közösségi alapú platformokon végzett szubjektív értékelések a résztvevők összetételétől és a rendszerben lévő aktuális modellkészlettől függnek.[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-OpenLab-12)
## Alkalmazások
A Yi-család a természetes nyelvfeldolgozás és a multimodális elemzés feladatainak széles körében alkalmazható:[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Official-3)[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Lablab-13)
- **Csatasszisztensek és párbeszédes rendszerek** — a Yi-34B-Chat és Yi-1.5 chatváltozatai alapján.
- **Kódgenerálás és -elemzés** — a Yi-Coder 52 programozási nyelvet támogat.
- **Hosszú dokumentumok elemzése** — 200K kontextusú változatok jogi, műszaki és elemzési feladatokhoz.
- **Multimodális elemzés** — képleírás és vizuális kérdés-válasz a Yi-VL segítségével.
- **Vállalati ügynökök** — RAG-rendszerek, tudáskeresés és adatosztályozás a 01.AI platformon keresztül.
- **Helyi telepítés** — vLLM, llama.cpp, Hugging Face Transformers segítségével; kvantált verziók (AWQ/GPTQ 4/8-bit) fogyasztói GPU-kon való telepítésre is elérhetők (pl. RTX 4090 a Yi-34B-4bit esetén).
Az API-változatokat (Yi-Large, Yi-Lightning) chatbotokhoz, többnyelvű szolgáltatásokhoz és alacsony költségű következtetéshez használják. A Yi-Lightning következtetési költsége 2024-ben 14 cent volt milliónként tokenként.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-LightningReport-8)
## Korlátok és nyitott kérdések
- **Hallucinációk.** A modellek ki vannak téve az LLM-ekre jellemző ténybeli hibáknak a generált válaszokban, különösen összetett következtetésnél és hosszú következtetési láncoknál.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)
- **Matematika és kód a korai verziókban.** A Yi-34B alapmodellek gyengébb eredményeket mutatnak összetett kódolásban és matematikában a specializált frontier-modellekhez képest (pl. MATH Yi-34B 4-shot eredménye: 14,4). Ezt a problémát részben megoldotta a Yi-1.5 és a Yi-Lightning.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-LightningReport-8)
- **Hosszú kontextus.** A 200K-ra való bővítés további előtanítást és számítási erőforrásokat igényel; kisebb teljesítményromlás lehetséges rövid kontextus esetén.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)
- **Zárt modellek.** A Yi-Large és a Yi-Lightning nem teszi elérhetővé a letölthető súlyokat, ami korlátozza az architektúra és az adatok független ellenőrzését.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-LightningReport-8)
- **Eltérés az Aréna és a benchmarkok között.** A Yi-Lightning erős eredményeket mutat a felhasználói értékeléseken (Chatbot Arena), de egyes versenytársaktól elmarad a statikus akadémiai benchmarkokon — ez a metrikák eltérésének általános problémáját tükrözi.[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-LightningReport-8)
- **Reprodukálhatóság.** A tanítás nem minden részlete (a dataset pontos összetétele, a tartományok eloszlása, hiperparaméterek) kerül teljes körűen közzétételre.[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Lablab-13)
- **Prompt-érzékenység.** Mint más LLM-ek esetében, a Yi modellek is érzékenyek a prompt megfogalmazására, ami hatással van a következtetések stabilitására.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)
Komoly ismert regressziókat a kiadások után nem rögzítettek; a közösség a kvantált verziók stabilitását emeli ki.[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-GitHub-2)
## Etikai és szabályozási szempontok
A Yi-Lightningba beépítésre került a RAISE biztonsági keretrendszer, amely négyszintű védelmet valósít meg:[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-LightningReport-8)
- Mérgező tartalom, PII és káros anyagok szűrése az előtanítás szakaszában.
- Safety fine-tuning érzékeny kérések helyes kezelésének példáival.
- Bemeneti ellenőrzés (promptok osztályozása).
- Kimeneti ellenőrzés (válaszok szűrése).
Az Apache 2.0 licenc a nyílt modellekhez kereskedelmi felhasználást is engedélyez; egyes hosztingszolgáltatók további követelményeket támaszthatnak. A modellek megfelelnek a mesterséges intelligenciára vonatkozó kínai szabályozási normáknak (CAICT-tanúsítás vállalati megoldásokhoz).[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Official-3)
## Kilátások és kutatási irányok
A Yi-sorozat igazolja az adatminőséget a paraméterek mennyisége elé helyező megközelítés hatékonyságát, valamint a könnyű skálázási módszerek (continual pretraining, depth upscaling, MoE-optimalizációk) alkalmazhatóságát.[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-YiReport-1)
2025 után a 01.AI fókusza alkalmazott megoldásokra tolódott:[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-Wikipedia-4)
- Többügynöki rendszerek és a WorldWise LLM Platform 2.5 vállalati platform.
- Harmadik féltől származó modellek (köztük DeepSeek) integrálása vállalati munkafolyamatokba.
- Következtetési optimalizálás (kvantálás, FP8) a telepítési költségek csökkentése érdekében.
A nyílt modellek a közösség által kutatásra, fine-tuningra és desztillációra kerülnek felhasználásra.[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_note-HFOrg-6)
## Irodalom
- 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
## Hivatkozások
- https://github.com/01-ai/Yi — A Yi hivatalos GitHub-tárhelye
- https://github.com/01-ai/Yi-1.5 — Yi-1.5 tárhely
- https://www.01.ai/yi-models — A Yi modelljeinek hivatalos oldala
- https://huggingface.co/01-ai — A 01-ai szervezet a Hugging Face-en
- https://en.wikipedia.org/wiki/01.AI — Wikipedia-cikk a 01.AI vállalatról
## Megjegyzések
1. ↑ [1.00](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-0) [1.01](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-1) [1.02](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-2) [1.03](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-3) [1.04](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-4) [1.05](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-5) [1.06](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-6) [1.07](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-7) [1.08](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-8) [1.09](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-9) [1.10](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-10) [1.11](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-11) [1.12](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-12) [1.13](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-13) [1.14](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-14) [1.15](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-15) [1.16](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-16) [1.17](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-17) [1.18](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-18) [1.19](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-19) [1.20](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-20) [1.21](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-21) [1.22](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-YiReport_1-22) [1.23](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#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)_(HU)#cite_ref-GitHub_2-0) [2.1](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-GitHub_2-1) [2.2](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-GitHub_2-2) [2.3](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-GitHub_2-3) [2.4](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-GitHub_2-4) [2.5](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-GitHub_2-5) [2.6](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#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)_(HU)#cite_ref-Official_3-0) [3.1](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-Official_3-1) [3.2](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#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)_(HU)#cite_ref-Wikipedia_4-0) [4.1](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-Wikipedia_4-1) [4.2](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-Wikipedia_4-2) Wikipedia. *01.AI*. https://en.wikipedia.org/wiki/01.AI
5. [↑](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#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)_(HU)#cite_ref-HFOrg_6-0) [6.1](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-HFOrg_6-1) [6.2](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#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)_(HU)#cite_ref-Yi15GitHub_7-0) [7.1](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-Yi15GitHub_7-1) [7.2](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#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)_(HU)#cite_ref-LightningReport_8-0) [8.01](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-LightningReport_8-1) [8.02](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-LightningReport_8-2) [8.03](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-LightningReport_8-3) [8.04](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-LightningReport_8-4) [8.05](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-LightningReport_8-5) [8.06](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-LightningReport_8-6) [8.07](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-LightningReport_8-7) [8.08](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-LightningReport_8-8) [8.09](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-LightningReport_8-9) [8.10](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-LightningReport_8-10) [8.11](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-LightningReport_8-11) [8.12](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#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)_(HU)#cite_ref-Vaswani_9-0) [9.1](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#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)_(HU)#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)_(HU)#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)_(HU)#cite_ref-OpenLab_12-0) [12.1](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#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)_(HU)#cite_ref-Lablab_13-0) [13.1](https://systems-analysis.info/int/Yi_(01.AI)_(HU)#cite_ref-Lablab_13-1) Lablab.ai. *01.AI's Yi Series Large Language Models*. https://lablab.ai/tech/yi-llms