--- title: "Yi (01.AI) (ID)" source: "https://systems-analysis.info/int/Yi_(01.AI)_(ID)" wiki: "systems-analysis.info/int" article: "Yi_(01.AI)_(ID)" language: "id" categories: - "Category:Indonesian" - "Category:Large language models" - "Category:Machine learning" revision_id: 8547 wiki_created_at: 2026-09-07T01:18:58Z wiki_modified_at: 2026-09-07T01:18:58Z downloaded_at: 2026-09-07T23:26:02Z --- # Yi (01.AI) (ID) **Yi** — keluarga Large Language Model (LLM) dan Vision-Language Model (VLM) yang dikembangkan oleh perusahaan 01.AI (零一万物) di bawah pimpinan Kai-Fu Lee. Model-model ini dilatih dari awal pada korpus bilingual berkualitas tinggi (bahasa Inggris dan bahasa Mandarin) dengan volume 3,1 triliun token, dan mencakup varian untuk generasi teks, pemrosesan konteks panjang (hingga 200 ribu token), input multimodal (teks + gambar), generasi kode, serta inferensi efisien berbasis arsitektur Mixture-of-Experts (MoE). Varian terbuka didistribusikan di bawah lisensi Apache 2.0 dengan izin penggunaan komersial; model flagship tertutup (Yi-Large, Yi-Lightning) tersedia melalui API.^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-GitHub-2)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Official-3)} ## Sejarah dan Kronologi Pengembangan Perusahaan 01.AI didirikan pada Maret 2023 oleh Kai-Fu Lee, mantan kepala Microsoft Research Asia dan Google China, dengan kantor pusat di Beijing. Fokus perusahaan adalah pengembangan LLM yang efisien dengan penekanan pada kualitas data dan optimasi rekayasa infrastruktur. Pada November 2023, 01.AI mencapai status "unicorn" (valuasi melebihi 1 miliar dolar) setelah putaran pendanaan yang melibatkan Alibaba.^{[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Wikipedia-4)[\[5\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Bloomberg-5)} ### Generasi Pertama (2023–2024) Model terbuka pertama Yi-6B dan Yi-34B diperkenalkan pada 2 November 2023. Dalam beberapa minggu berikutnya, lini produk diperlengkapi dengan varian konteks 200 ribu token (5 November 2023), varian obrolan, dan model terkuantisasi (23 November 2023). Pada Januari 2024, model multimodal Yi-VL-6B dan Yi-VL-34B dirilis. Pada Maret 2024, diperkenalkan model Yi-9B yang diperoleh melalui metode depth upscaling dari Yi-6B, serta diterbitkan laporan teknis arXiv:2403.04652.^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-GitHub-2)} ### Yi-1.5 dan Model Khusus (2024) Pada 13 Mei 2024, seri Yi-1.5 (6B/9B/34B) dirilis — hasil dari continued pre-training pada tambahan 500 miliar token dan fine-tuning pada 3 juta contoh instruksi. Pada Mei–Juni 2024, model proprietary tertutup Yi-Large dengan akses API diperkenalkan, diposisikan sebagai SOTA. Pada September 2024, seri khusus Yi-Coder (1.5B/9B) untuk generasi kode diluncurkan dengan konteks 128 ribu token dan dukungan 52 bahasa pemrograman.^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-HFOrg-6)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Yi15GitHub-7)} ### Yi-Lightning (2024) Pada Oktober 2024, model flagship Yi-Lightning berbasis arsitektur Mixture-of-Experts (MoE) diperkenalkan, dioptimalkan untuk kecepatan dan efisiensi inferensi. Yi-Lightning menempati peringkat ke-6 dalam peringkat umum LMSYS Chatbot Arena (Elo 1287), peringkat ke-2 untuk bahasa Mandarin, dan peringkat ke-3–4 untuk matematika dan pengkodean. Laporan teknis diterbitkan pada Desember 2024 (arXiv:2412.01253).^{[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-LightningReport-8)} ### Perubahan Strategi (2025) Pada Maret 2025, perusahaan 01.AI mengumumkan penghentian pre-training model bahasa besar baru dan mengalihkan fokus ke aplikasi enterprise, sistem multi-agen, dan platform WorldWise LLM Platform 2.5 yang berbasis model pihak ketiga (termasuk DeepSeek).^{[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Wikipedia-4)} ### Kronologi Ringkas | Tanggal | Peristiwa | |----------------|-------------------------------------------------------------------| | November 2023 | Rilis Yi-6B dan Yi-34B (base, chat, varian 200K) | | Januari 2024 | Model multimodal Yi-VL-6B dan Yi-VL-34B | | Maret 2024 | Yi-9B (depth-upscaled); publikasi laporan teknis arXiv:2403.04652 | | Mei 2024 | Yi-1.5 (6B/9B/34B); Yi-Large (tertutup, API) | | September 2024 | Yi-Coder-1.5B/9B (spesialisasi kode, konteks 128K) | | Oktober 2024 | Yi-Lightning (arsitektur MoE, model flagship) | | Desember 2024 | Publikasi laporan teknis Yi-Lightning (arXiv:2412.01253) | | Maret 2025 | Penghentian pre-training LLM baru; fokus pada solusi enterprise | ## Landasan Teoritis dan Arsitektur ### Arsitektur Dasar Semua model dalam keluarga Yi didasarkan pada arsitektur decoder-only Transformer yang dijelaskan dalam karya Vaswani et al.^{[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Vaswani-9)} Model-model ini dilatih dari awal dan bukan merupakan turunan dari LLaMA, meskipun terdapat kemiripan dalam implementasi.^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)} Mekanisme dasar Multi-Head Self-Attention dijelaskan dengan rumus: $\operatorname{Attention}(Q,K,V) = \operatorname{softmax}\!\left( \frac{QK^{\top}}{\sqrt{d_{k}}} \right)V$ di mana $Q$, $K$, $V$ adalah matriks queries, keys, dan values secara berturut-turut, dan $d_{k}$ adalah dimensi keys.^{[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Vaswani-9)} Modifikasi arsitektur utama Yi:^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)} - **Grouped-Query Attention (GQA)** — pembagian query-head ke dalam kelompok dengan key/value-head yang digunakan bersama, sehingga mengurangi konsumsi memori sambil mempertahankan kualitas. - **Aktivasi SwiGLU** — penggantian ReLU/GELU standar; mengurangi ukuran aktivasi menjadi 8/3 dari dimensi hidden layer (hidden size). - **Rotary Position Embedding (RoPE)** dengan frekuensi dasar yang disesuaikan (adjusted base frequency, ABF), yang memungkinkan perluasan konteks tanpa perubahan arsitektur. - **Kosakata** (vocabulary): 64.000 token berbasis BPE (SentencePiece) dengan pemisahan angka menjadi digit dan unicode-byte fallback untuk karakter langka. ### Konfigurasi Model Dasar Parameter arsitektur dari laporan teknis arXiv:2403.04652:^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)} | Parameter | Yi-6B | Yi-34B | |------------------------------------------|--------|----------| | Hidden Size | 4096 | 7168 | | Query-heads | 32 | 56 | | KV-heads | 4 | 8 | | Jumlah lapisan | 32 | 60 | | Panjang pre-training (Pretrain Seq. Len) | 4096 | 4096 | | Laju belajar maks. (Max LR) | 3×10⁻⁴ | 1,5×10⁻⁴ | *Sumber: arXiv:2403.04652, tabel parameter.*^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)} ### Arsitektur Yi-Lightning (MoE) Yi-Lightning (2024) menggunakan arsitektur Mixture-of-Experts (MoE) yang ditingkatkan dengan fitur-fitur berikut:^{[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-LightningReport-8)} - **Fine-grained expert segmentation** — segmentasi halus blok FFN menjadi para ahli untuk meningkatkan spesialisasi. - **Penyeimbangan beban bertingkat** — kombinasi dari Switch-Transformer (ST), Expert Parallel (EP), dan Partitioned EP (PEP) losses untuk distribusi token yang merata di antara para ahli. - **Perhatian hibrida** — pergantian antara 3 lapisan dengan sliding window dan 1 lapisan dengan full attention, dengan penggunaan ulang KV-cache antar lapisan. - **Pengurangan memori KV-cache** sebesar 82,8% dibandingkan pendekatan standar saat memproses urutan panjang. - **Jendela konteks** diperluas hingga 64 ribu token. Jumlah ahli yang tepat dan total parameter Yi-Lightning tidak diungkapkan dalam sumber publik.^{[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-LightningReport-8)} ### Varian Multimodal (Yi-VL) Pada model multimodal Yi-VL, model bahasa dihubungkan dengan encoder visual CLIP ViT-H/14 melalui proyeksi MLP. Gambar $I$ diubah oleh encoder visual menjadi urutan embedding $\{ v_{1},\ldots,v_{K}\}$, yang dimasukkan ke dalam model bahasa bersama dengan token teks. Pelatihan berlangsung dalam tiga tahap dengan peningkatan resolusi: 224×224 → 448×448 piksel.^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)} ## Pipeline Pelatihan dan Penyelarasan ### Pre-training Model dasar Yi-6B dan Yi-34B dilatih sebelumnya pada korpus bilingual bervolume 3,1 triliun token. Data melewati pipeline pemfilteran dan deduplikasi bertingkat: filter heuristik, scorer terlatih (perplexity, quality, coherence, safety), klasterisasi, dan deduplikasi MinHash. Sumbernya adalah Common Crawl, buku, dan artikel ilmiah.^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)} Untuk Yi-1.5, dilakukan continued pre-training pada tambahan 500 miliar token korpus berkualitas tinggi.^{[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Yi15GitHub-7)} ### Supervised Fine-Tuning (SFT) Varian obrolan generasi pertama di-fine-tune pada dataset yang kecil namun dikurasi dengan cermat — kurang dari 10 ribu contoh multi-turn, yang masing-masing diverifikasi dan diedit secara manual oleh insinyur machine learning. Untuk Yi-1.5, volume data SFT ditingkatkan menjadi 3 juta contoh.^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Yi15GitHub-7)} ### Penyelarasan dengan Reinforcement Learning Untuk Yi-Lightning, diterapkan proses penyelarasan bertahap: SFT diikuti oleh RLHF/DPO. Data sintetis dihasilkan menggunakan Monte Carlo Tree Search (MCTS). Framework keamanan RAISE mengimplementasikan perlindungan empat tingkat: pemfilteran data pre-training, safety fine-tuning, kontrol input prompt, dan kontrol output respons.^{[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-LightningReport-8)} ### Perluasan Konteks Perluasan jendela konteks hingga 200 ribu token diwujudkan melalui continued pre-training ringan pada 5 miliar token (buku + pasangan tanya-jawab sintetis) menggunakan teknik RoPE ABF. Setelah penyempurnaan, akurasi pada tugas Needle-in-a-Haystack (mencari fragmen target dalam teks panjang) mencapai 99,8%.^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-GitHub-2)} ### Depth Upscaling Yi-9B diperoleh dengan menduplikasi lapisan 12–28 dari model dasar Yi-6B, diikuti dengan pre-training pada 800 miliar token. Metode ini memungkinkan peningkatan kapasitas model tanpa pelatihan dari awal.^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)} ## Komposisi Keluarga Model ### Model Bahasa Utama | Model | Parameter | Tipe | Konteks | Tanggal Rilis | Lisensi | Catatan | |--------------------------|--------------------------------------------------|-------------|----------------------------|---------------|----------------|---------------------------------------------| | Yi-6B / Yi-34B | 6 miliar / 34 miliar | Base / Chat | 4K (diperluas hingga 32K) | November 2023 | Apache 2.0 | Model dasar yang dilatih dari awal | | Yi-6B-200K / Yi-34B-200K | 6 miliar / 34 miliar | Base | 200K | November 2023 | Apache 2.0 | Continued pre-training pada urutan panjang | | Yi-9B | 9 miliar | Base | 4K (diperluas hingga 200K) | Maret 2024 | Apache 2.0 | Depth-upscale dari Yi-6B + 800 miliar token | | Yi-1.5-6B/9B/34B | 6 / 9 / 34 miliar | Base / Chat | 4K / 16K / 32K | Mei 2024 | Apache 2.0 | +500 miliar token + 3 juta contoh SFT | | Yi-Large | ~1 triliun (MoE, jumlah aktif tidak diungkapkan) | LLM | Tidak diungkapkan | Mei 2024 | Tertutup (API) | Diposisikan sebagai SOTA | | Yi-Lightning | MoE (jumlah ahli tidak diungkapkan) | LLM | 64K | Oktober 2024 | API | Peringkat ke-6 LMSYS Chatbot Arena | *Sumber: arXiv:2403.04652; arXiv:2412.01253; GitHub 01-ai/Yi.*^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-LightningReport-8)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-GitHub-2)} ### Model Khusus | Model | Parameter | Modalitas | Konteks | Tanggal Rilis | Catatan | |-----------------------------|----------------|-------------------------|---------------------|----------------|---------------------------------------------------| | Yi-VL-6B / Yi-VL-34B | 6 / 34 miliar | Teks + gambar (448×448) | Standar model dasar | Januari 2024 | Encoder ViT (CLIP ViT-H/14), pelatihan tiga tahap | | Yi-Coder-1.5B / Yi-Coder-9B | 1,5 / 9 miliar | Teks (kode) | 128K | September 2024 | 52 bahasa pemrograman | *Sumber: arXiv:2403.04652; GitHub 01-ai/Yi.*^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-GitHub-2)} ### Identifier API Contoh pada platform 01.AI dan penyedia pihak ketiga: `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)_(ID)#cite_note-HFOrg-6)[\[10\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Fireworks-10)[\[11\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Replicate-11)} ## Evaluasi dan Benchmark ### Hasil Model Dasar Data dari laporan teknis arXiv:2403.04652 (kondisi: 0-shot / 5-shot, tergantung benchmark):^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#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 | *Sumber: arXiv:2403.04652, tabel hasil.*^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)} Yi-34B menunjukkan hasil yang melampaui Llama 2-70B (dengan ukuran dua kali lebih kecil) pada sebagian besar benchmark dan memimpin di antara model terbuka pada C-Eval dan CMMLU pada saat rilis.^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-OpenLab-12)} ### Hasil Yi-Lightning Data dari laporan teknis arXiv:2412.01253 (kondisi: 0-shot, kecuali disebutkan lain):^{[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#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 | *Sumber: arXiv:2412.01253.*^{[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-LightningReport-8)} ### Peringkat Pengguna Yi-34B-Chat menempati peringkat ke-2 di AlpacaEval (94,08%, setelah GPT-4 Turbo) pada Desember 2023 – Januari 2024, dengan rating Elo ~1110 di LMSYS Chatbot Arena. Yi-34B memimpin di antara model terbuka pada Hugging Face Open LLM Leaderboard dan C-Eval pada saat rilis.^{[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-GitHub-2)[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)} Yi-Lightning menempati peringkat ke-6 secara umum di LMSYS Chatbot Arena (skor 1287), peringkat ke-2 untuk bahasa Mandarin, dan peringkat ke-3–4 dalam subkategori "matematika", "pengkodean", "hard prompts", dan "multi-turn" pada saat publikasi laporan.^{[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-LightningReport-8)} **Catatan.** Perbandingan langsung model dari rilis dan konfigurasi yang berbeda memerlukan kondisi pengujian yang seragam (versi benchmark yang sama, parameter generasi yang sama). Penilaian subjektif pada platform crowdsourcing bergantung pada komposisi peserta dan kumpulan model yang sedang aktif dalam sistem.^{[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-OpenLab-12)} ## Penerapan Keluarga Yi diterapkan dalam berbagai tugas pemrosesan bahasa alami dan analisis multimodal:^{[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Official-3)[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Lablab-13)} - **Asisten obrolan dan sistem dialog** — berbasis varian obrolan Yi-34B-Chat dan Yi-1.5. - **Generasi dan analisis kode** — Yi-Coder mendukung 52 bahasa pemrograman. - **Analisis dokumen panjang** — varian dengan konteks 200K untuk tugas hukum, teknis, dan analitik. - **Analisis multimodal** — deskripsi gambar dan tanya-jawab visual melalui Yi-VL. - **Agen enterprise** — sistem RAG, pencarian pengetahuan, dan klasifikasi data melalui platform 01.AI. - **Deployment lokal** — melalui vLLM, llama.cpp, Hugging Face Transformers; versi terkuantisasi (AWQ/GPTQ 4/8-bit) tersedia untuk deployment pada GPU konsumen (misalnya, RTX 4090 untuk Yi-34B-4bit). Varian API (Yi-Large, Yi-Lightning) digunakan untuk chatbot, layanan multibahasa, dan inferensi berbiaya rendah. Biaya inferensi Yi-Lightning adalah 14 sen per satu juta token per tahun 2024.^{[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-LightningReport-8)} ## Keterbatasan dan Masalah Terbuka - **Halusinasi.** Model rentan terhadap kesalahan faktual yang umum pada LLM dalam respons yang dihasilkan, terutama dalam penalaran kompleks dan rantai inferensi panjang.^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)} - **Matematika dan kode pada versi awal.** Model dasar Yi-34B menunjukkan hasil yang lebih lemah dalam pengkodean kompleks dan matematika dibandingkan model frontier khusus (misalnya, MATH Yi-34B dalam 4-shot — 14,4). Masalah ini sebagian telah diatasi dalam Yi-1.5 dan Yi-Lightning.^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-LightningReport-8)} - **Konteks panjang.** Perluasan hingga 200K memerlukan continued pre-training dan sumber daya komputasi tambahan; terdapat kemungkinan degradasi kinerja yang kecil pada konteks pendek.^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)} - **Model tertutup.** Yi-Large dan Yi-Lightning tidak menyediakan bobot untuk diunduh, yang membatasi verifikasi independen terhadap arsitektur dan data.^{[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-LightningReport-8)} - **Kesenjangan antara Arena dan benchmark.** Yi-Lightning menunjukkan hasil yang kuat dalam penilaian pengguna (Chatbot Arena), tetapi tertinggal dari beberapa pesaing pada benchmark akademis statis — mencerminkan masalah umum ketidaksesuaian metrik.^{[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-LightningReport-8)} - **Reprodusibilitas.** Tidak semua detail pelatihan (komposisi dataset yang tepat, distribusi domain, hyperparameter) diungkapkan sepenuhnya.^{[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Lablab-13)} - **Sensitivitas terhadap prompt.** Seperti LLM lainnya, model Yi sensitif terhadap formulasi prompt, yang memengaruhi stabilitas inferensi.^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)} Tidak ada regresi serius yang diketahui setelah rilis; komunitas mencatat stabilitas versi terkuantisasi.^{[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-GitHub-2)} ## Aspek Etis dan Regulasi Pada Yi-Lightning, framework keamanan RAISE diimplementasikan dengan perlindungan empat tingkat:^{[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-LightningReport-8)} - Pemfilteran konten toksik, PII, dan materi berbahaya pada tahap pre-training. - Safety fine-tuning dengan contoh penanganan permintaan sensitif yang benar. - Kontrol input (klasifikasi prompt). - Kontrol output (pemfilteran respons). Lisensi Apache 2.0 untuk model terbuka mengizinkan penggunaan komersial; hosting individual dapat memberlakukan persyaratan tambahan. Model-model ini mematuhi norma regulasi AI China (sertifikasi CAICT untuk solusi enterprise).^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Official-3)} ## Prospek dan Arah Penelitian Seri Yi menunjukkan efektivitas pendekatan yang mengutamakan kualitas data di atas jumlah parameter, serta penskalaan ringan (continual pretraining, depth upscaling, optimasi MoE).^{[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-YiReport-1)} Setelah 2025, fokus 01.AI beralih ke solusi terapan:^{[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-Wikipedia-4)} - Sistem multi-agen dan platform enterprise WorldWise LLM Platform 2.5. - Integrasi model pihak ketiga (termasuk DeepSeek) ke dalam alur kerja enterprise. - Optimasi inferensi (kuantisasi, FP8) untuk mengurangi biaya deployment. Model terbuka terus digunakan oleh komunitas untuk penelitian, fine-tuning, dan distilasi.^{[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_note-HFOrg-6)} ## Daftar Pustaka - 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 ## Tautan - https://github.com/01-ai/Yi — Repositori GitHub resmi Yi - https://github.com/01-ai/Yi-1.5 — Repositori Yi-1.5 - https://www.01.ai/yi-models — Halaman resmi model Yi - https://huggingface.co/01-ai — Organisasi 01-ai di Hugging Face - https://en.wikipedia.org/wiki/01.AI — Artikel Wikipedia tentang perusahaan 01.AI ## Catatan 1. ↑ ^{[1.00](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-0)} ^{[1.01](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-1)} ^{[1.02](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-2)} ^{[1.03](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-3)} ^{[1.04](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-4)} ^{[1.05](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-5)} ^{[1.06](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-6)} ^{[1.07](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-7)} ^{[1.08](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-8)} ^{[1.09](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-9)} ^{[1.10](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-10)} ^{[1.11](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-11)} ^{[1.12](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-12)} ^{[1.13](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-13)} ^{[1.14](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-14)} ^{[1.15](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-15)} ^{[1.16](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-16)} ^{[1.17](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-17)} ^{[1.18](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-18)} ^{[1.19](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-19)} ^{[1.20](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-20)} ^{[1.21](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-21)} ^{[1.22](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-YiReport_1-22)} ^{[1.23](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#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)_(ID)#cite_ref-GitHub_2-0)} ^{[2.1](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-GitHub_2-1)} ^{[2.2](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-GitHub_2-2)} ^{[2.3](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-GitHub_2-3)} ^{[2.4](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-GitHub_2-4)} ^{[2.5](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-GitHub_2-5)} ^{[2.6](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#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)_(ID)#cite_ref-Official_3-0)} ^{[3.1](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-Official_3-1)} ^{[3.2](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#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)_(ID)#cite_ref-Wikipedia_4-0)} ^{[4.1](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-Wikipedia_4-1)} ^{[4.2](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-Wikipedia_4-2)} Wikipedia. *01.AI*. https://en.wikipedia.org/wiki/01.AI 5. [↑](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#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)_(ID)#cite_ref-HFOrg_6-0)} ^{[6.1](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-HFOrg_6-1)} ^{[6.2](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#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)_(ID)#cite_ref-Yi15GitHub_7-0)} ^{[7.1](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-Yi15GitHub_7-1)} ^{[7.2](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#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)_(ID)#cite_ref-LightningReport_8-0)} ^{[8.01](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-LightningReport_8-1)} ^{[8.02](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-LightningReport_8-2)} ^{[8.03](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-LightningReport_8-3)} ^{[8.04](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-LightningReport_8-4)} ^{[8.05](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-LightningReport_8-5)} ^{[8.06](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-LightningReport_8-6)} ^{[8.07](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-LightningReport_8-7)} ^{[8.08](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-LightningReport_8-8)} ^{[8.09](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-LightningReport_8-9)} ^{[8.10](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-LightningReport_8-10)} ^{[8.11](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-LightningReport_8-11)} ^{[8.12](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#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)_(ID)#cite_ref-Vaswani_9-0)} ^{[9.1](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#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)_(ID)#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)_(ID)#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)_(ID)#cite_ref-OpenLab_12-0)} ^{[12.1](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#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)_(ID)#cite_ref-Lablab_13-0)} ^{[13.1](https://systems-analysis.info/int/Yi_(01.AI)_(ID)#cite_ref-Lablab_13-1)} Lablab.ai. *01.AI's Yi Series Large Language Models*. https://lablab.ai/tech/yi-llms