---
title: "Yi (01.AI) (IT)"
source: "https://systems-analysis.info/int/Yi_(01.AI)_(IT)"
wiki: "systems-analysis.info/int"
article: "Yi_(01.AI)_(IT)"
language: "it"
categories:
  - "Category:Italian"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 8548
wiki_created_at: 2026-09-07T01:18:59Z
wiki_modified_at: 2026-09-07T01:18:59Z
downloaded_at: 2026-09-07T23:26:03Z
---

# Yi (01.AI) (IT)

**Yi** — famiglia di Large Language Model (LLM) e modelli visivo-linguistici (Vision-Language Model, VLM), sviluppata dalla società 01.AI (零一万物) sotto la guida di Kai-Fu Lee. I modelli sono stati addestrati da zero su un corpus bilingue di alta qualità (inglese e cinese) di 3,1 trilioni di token e comprendono varianti per la generazione di testo, l'elaborazione di contesti lunghi (fino a 200 mila token), l'input multimodale (testo + immagini), la generazione di codice e l'inferenza efficiente basata sull'architettura Mixture-of-Experts (MoE). Le varianti open sono distribuite con licenza Apache 2.0 con autorizzazione all'uso commerciale; i modelli flagship proprietari (Yi-Large, Yi-Lightning) sono disponibili tramite API.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-GitHub-2)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Official-3)</sup>

## Storia e cronologia dello sviluppo

La società 01.AI è stata fondata nel marzo 2023 da Kai-Fu Lee, ex responsabile di Microsoft Research Asia e Google China, con sede a Pechino. L'obiettivo dell'azienda è lo sviluppo di LLM efficienti con enfasi sulla qualità dei dati e sull'ottimizzazione ingegneristica dell'infrastruttura. A novembre 2023, 01.AI ha raggiunto lo status di "unicorno" (valutazione superiore a 1 miliardo di dollari) dopo un round di finanziamento con la partecipazione di Alibaba.<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Wikipedia-4)[\[5\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Bloomberg-5)</sup>

### Prima generazione (2023–2024)

I primi modelli open Yi-6B e Yi-34B sono stati presentati il 2 novembre 2023. Nelle settimane successive la gamma è stata integrata con varianti a contesto di 200 mila token (5 novembre 2023), varianti chat e modelli quantizzati (23 novembre 2023). Nel gennaio 2024 sono usciti i modelli multimodali Yi-VL-6B e Yi-VL-34B. Nel marzo 2024 è stato presentato il modello Yi-9B, ottenuto tramite depth upscaling da Yi-6B, ed è stato pubblicato il rapporto tecnico arXiv:2403.04652.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-GitHub-2)</sup>

### Yi-1.5 e modelli specializzati (2024)

Il 13 maggio 2024 è stata rilasciata la serie Yi-1.5 (6B/9B/34B) — risultato del pre-addestramento continuo su ulteriori 500 miliardi di token e del fine-tuning su 3 milioni di esempi di istruzioni. Tra maggio e giugno 2024 è stato presentato il modello proprietario chiuso Yi-Large con accesso API, posizionato come SOTA. Nel settembre 2024 è uscita la serie specializzata Yi-Coder (1.5B/9B) per la generazione di codice con un contesto di 128 mila token e supporto a 52 linguaggi di programmazione.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-HFOrg-6)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Yi15GitHub-7)</sup>

### Yi-Lightning (2024)

Nell'ottobre 2024 è stato presentato il modello flagship Yi-Lightning basato sull'architettura Mixture-of-Experts (MoE), ottimizzato per velocità ed efficienza di inferenza. Yi-Lightning ha conquistato il 6° posto nella classifica generale di LMSYS Chatbot Arena (Elo 1287), il 2° posto per la lingua cinese e il 3°–4° posto per matematica e coding. Il rapporto tecnico è stato pubblicato nel dicembre 2024 (arXiv:2412.01253).<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-LightningReport-8)</sup>

### Cambio di strategia (2025)

Nel marzo 2025 la società 01.AI ha annunciato la cessazione del pre-addestramento di nuovi grandi modelli linguistici e si è concentrata su applicazioni enterprise, sistemi multi-agente e sulla piattaforma WorldWise LLM Platform 2.5 basata su modelli di terze parti (incluso DeepSeek).<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Wikipedia-4)</sup>

### Cronologia riassuntiva

| Data           | Evento                                                                       |
|----------------|------------------------------------------------------------------------------|
| Novembre 2023  | Rilascio di Yi-6B e Yi-34B (base, chat, varianti 200K)                       |
| Gennaio 2024   | Modelli multimodali Yi-VL-6B e Yi-VL-34B                                     |
| Marzo 2024     | Yi-9B (depth-upscaled); pubblicazione del rapporto tecnico arXiv:2403.04652  |
| Maggio 2024    | Yi-1.5 (6B/9B/34B); Yi-Large (chiuso, API)                                   |
| Settembre 2024 | Yi-Coder-1.5B/9B (specializzazione nel codice, contesto 128K)                |
| Ottobre 2024   | Yi-Lightning (architettura MoE, modello flagship)                            |
| Dicembre 2024  | Pubblicazione del rapporto tecnico Yi-Lightning (arXiv:2412.01253)           |
| Marzo 2025     | Cessazione del pre-addestramento di nuovi LLM; focus su soluzioni enterprise |

## Fondamenti teorici e architettura

### Architettura di base

Tutti i modelli della famiglia Yi si basano sull'architettura decoder-only Transformer, descritta nel lavoro di Vaswani et al.<sup>[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Vaswani-9)</sup> I modelli sono addestrati da zero e non derivano da LLaMA, nonostante la somiglianza nell'implementazione.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)</sup>

Il meccanismo di base di Multi-Head Self-Attention è descritto dalla formula:

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

dove $Q$, $K$, $V$ sono rispettivamente le matrici delle query, delle chiavi (keys) e dei valori (values), e $d_{k}$ è la dimensione delle chiavi.<sup>[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Vaswani-9)</sup>

Principali modifiche architetturali di Yi:<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)</sup>

- **Grouped-Query Attention (GQA)** — suddivisione delle query-head in gruppi con key/value-head condivise, che riduce il consumo di memoria mantenendo la qualità.
- **Attivazione SwiGLU** — sostituzione della ReLU/GELU standard; riduce la dimensione delle attivazioni a 8/3 della dimensione dello strato nascosto (hidden size).
- **Rotary Position Embedding (RoPE)** con frequenza base adattata (adjusted base frequency, ABF), che consente l'estensione del contesto senza modifiche architetturali.
- **Vocabolario** (vocabulary): 64.000 token basati su BPE (SentencePiece) con suddivisione dei numeri in cifre e unicode-byte fallback per i caratteri rari.

### Configurazioni dei modelli base

Parametri architetturali dal rapporto tecnico arXiv:2403.04652:<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)</sup>

| Parametro                                       | Yi-6B  | Yi-34B   |
|-------------------------------------------------|--------|----------|
| Hidden Size                                     | 4096   | 7168     |
| Query-heads                                     | 32     | 56       |
| KV-heads                                        | 4      | 8        |
| Numero di strati                                | 32     | 60       |
| Lunghezza pre-addestramento (Pretrain Seq. Len) | 4096   | 4096     |
| Tasso di apprendimento massimo (Max LR)         | 3×10⁻⁴ | 1,5×10⁻⁴ |

*Fonte: arXiv:2403.04652, tabella dei parametri.*<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)</sup>

### Architettura Yi-Lightning (MoE)

Yi-Lightning (2024) utilizza un'architettura Mixture-of-Experts (MoE) migliorata con le seguenti caratteristiche:<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-LightningReport-8)</sup>

- **Fine-grained expert segmentation** — suddivisione a grana fine dei blocchi FFN in esperti per aumentare la specializzazione.
- **Bilanciamento del carico multilivello** — combinazione di Switch-Transformer (ST), Expert Parallel (EP) e Partitioned EP (PEP) loss per una distribuzione uniforme dei token tra gli esperti.
- **Attenzione ibrida** — alternanza di 3 strati con sliding window e 1 strato con full attention, con riutilizzo della KV-cache tra gli strati.
- **Riduzione della memoria KV-cache** dell'82,8% rispetto all'approccio standard nell'elaborazione di sequenze lunghe.
- **Finestra di contesto** estesa a 64 mila token.

Il numero esatto di esperti e il numero totale di parametri di Yi-Lightning non sono stati divulgati in fonti pubbliche.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-LightningReport-8)</sup>

### Varianti multimodali (Yi-VL)

Nei modelli multimodali Yi-VL, il modello linguistico è collegato all'encoder visivo CLIP ViT-H/14 tramite una proiezione MLP. L'immagine $I$ viene trasformata dall'encoder visivo in una sequenza di embedding $\{ v_{1},\ldots,v_{K}\}$, che vengono forniti al modello linguistico insieme ai token testuali. L'addestramento avviene in tre fasi con aumento della risoluzione: 224×224 → 448×448 pixel.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)</sup>

## Pipeline di addestramento e allineamento

### Pre-addestramento (Pre-training)

I modelli base Yi-6B e Yi-34B sono stati pre-addestrati su un corpus bilingue di 3,1 trilioni di token. I dati passano attraverso una pipeline a cascata di filtraggio e deduplicazione: filtri euristici, scorer addestrati (perplexity, quality, coherence, safety), clustering e deduplicazione MinHash. Le fonti includono Common Crawl, libri e articoli scientifici.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)</sup>

Per Yi-1.5 è stato eseguito un pre-addestramento continuo (continued pre-training) su ulteriori 500 miliardi di token di corpus di alta qualità.<sup>[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Yi15GitHub-7)</sup>

### Fine-tuning supervisionato (Supervised Fine-Tuning, SFT)

Le varianti chat della prima generazione sono state sottoposte a fine-tuning su un insieme piccolo ma accuratamente curato — meno di 10 mila esempi multi-turn, ciascuno verificato e revisionato manualmente da ingegneri di machine learning. Per Yi-1.5 il volume dei dati SFT è stato aumentato a 3 milioni di esempi.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Yi15GitHub-7)</sup>

### Allineamento tramite Reinforcement Learning

Per Yi-Lightning viene applicato un processo di allineamento multi-fase: SFT seguito da RLHF/DPO. I dati sintetici vengono generati utilizzando Monte Carlo Tree Search (MCTS). Il framework di sicurezza RAISE implementa una protezione a quattro livelli: filtraggio dei dati di pre-addestramento, safety fine-tuning, controllo in ingresso dei prompt e controllo in uscita delle risposte.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-LightningReport-8)</sup>

### Estensione del contesto

L'estensione della finestra di contesto a 200 mila token è realizzata tramite un leggero pre-addestramento continuo su 5 miliardi di token (libri + domande-risposte sintetiche) utilizzando la tecnica RoPE ABF. Dopo la messa a punto, la precisione nel task Needle-in-a-Haystack (ricerca di un frammento target in un testo lungo) raggiunge il 99,8%.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-GitHub-2)</sup>

### Scalabilità in profondità (Depth Upscaling)

Yi-9B è stato ottenuto duplicando gli strati 12–28 del modello base Yi-6B con successivo pre-addestramento su 800 miliardi di token. Il metodo consente di aumentare la capacità del modello senza addestrarlo da zero.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)</sup>

## Composizione della famiglia di modelli

### Modelli linguistici principali

| Modello                  | Parametri                             | Tipo        | Contesto         | Data di rilascio | Licenza      | Note                                          |
|--------------------------|---------------------------------------|-------------|------------------|------------------|--------------|-----------------------------------------------|
| Yi-6B / Yi-34B           | 6 mld / 34 mld                        | Base / Chat | 4K (est. a 32K)  | Novembre 2023    | Apache 2.0   | Modelli base addestrati da zero               |
| Yi-6B-200K / Yi-34B-200K | 6 mld / 34 mld                        | Base        | 200K             | Novembre 2023    | Apache 2.0   | Pre-addestramento continuo su sequenze lunghe |
| Yi-9B                    | 9 mld                                 | Base        | 4K (est. a 200K) | Marzo 2024       | Apache 2.0   | Depth-upscale da Yi-6B + 800 mld di token     |
| Yi-1.5-6B/9B/34B         | 6 / 9 / 34 mld                        | Base / Chat | 4K / 16K / 32K   | Maggio 2024      | Apache 2.0   | +500 mld di token + 3 mln di esempi SFT       |
| Yi-Large                 | ~1 tln (MoE, attivi non divulgati)    | LLM         | Non divulgato    | Maggio 2024      | Chiusa (API) | Posizionato come SOTA                         |
| Yi-Lightning             | MoE (numero di esperti non divulgato) | LLM         | 64K              | Ottobre 2024     | API          | 6° posto LMSYS Chatbot Arena                  |

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

### Modelli specializzati

| Modello                     | Parametri   | Modalità                   | Contesto                  | Data di rilascio | Note                                                   |
|-----------------------------|-------------|----------------------------|---------------------------|------------------|--------------------------------------------------------|
| Yi-VL-6B / Yi-VL-34B        | 6 / 34 mld  | Testo + immagini (448×448) | Standard del modello base | Gennaio 2024     | Encoder ViT (CLIP ViT-H/14), addestramento in tre fasi |
| Yi-Coder-1.5B / Yi-Coder-9B | 1,5 / 9 mld | Testo (codice)             | 128K                      | Settembre 2024   | 52 linguaggi di programmazione                         |

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

### Identificatori API

Esempi sulla piattaforma 01.AI e presso provider terzi: `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)_(IT)#cite_note-HFOrg-6)[\[10\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Fireworks-10)[\[11\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Replicate-11)</sup>

## Valutazione e benchmark

### Risultati dei modelli base

Dati dal rapporto tecnico arXiv:2403.04652 (condizioni: 0-shot / 5-shot, a seconda del benchmark):<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#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    |

*Fonte: arXiv:2403.04652, tabelle dei risultati.*<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)</sup>

Yi-34B ha dimostrato risultati superiori a Llama 2-70B (con una dimensione due volte inferiore) sulla maggior parte dei benchmark e risultati leader tra i modelli open su C-Eval e CMMLU al momento del rilascio.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-OpenLab-12)</sup>

### Risultati di Yi-Lightning

Dati dal rapporto tecnico arXiv:2412.01253 (condizioni: 0-shot, salvo indicazione contraria):<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#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          |

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

### Classifiche utenti

Yi-34B-Chat ha occupato il 2° posto su AlpacaEval (94,08%, dopo GPT-4 Turbo) tra dicembre 2023 e gennaio 2024, con un punteggio Elo di circa 1110 su LMSYS Chatbot Arena. Yi-34B era in testa tra i modelli open su Hugging Face Open LLM Leaderboard e C-Eval al momento del rilascio.<sup>[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-GitHub-2)[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)</sup>

Yi-Lightning ha occupato il 6° posto generale su LMSYS Chatbot Arena (punteggio 1287), il 2° posto per la lingua cinese e il 3°–4° posto nelle sottocategorie "matematica", "coding", "hard prompts" e "multi-turn" al momento della pubblicazione del rapporto.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-LightningReport-8)</sup>

**Nota.** Il confronto diretto tra modelli di release e configurazioni diverse richiede condizioni di test uniformi (stesse versioni dei benchmark, stessi parametri di generazione). Le valutazioni soggettive sulle piattaforme di crowdsourcing dipendono dalla composizione dei partecipanti e dall'insieme corrente di modelli nel sistema.<sup>[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-OpenLab-12)</sup>

## Applicazioni

La famiglia Yi viene utilizzata in un'ampia gamma di task di elaborazione del linguaggio naturale e di analisi multimodale:<sup>[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Official-3)[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Lablab-13)</sup>

- **Assistenti chat e sistemi dialogici** — basati sulle varianti chat Yi-34B-Chat e Yi-1.5.
- **Generazione e analisi del codice** — Yi-Coder supporta 52 linguaggi di programmazione.
- **Analisi di documenti lunghi** — varianti con contesto 200K per task legali, tecnici e analitici.
- **Analisi multimodale** — descrizione di immagini e visual question answering tramite Yi-VL.
- **Agenti enterprise** — sistemi RAG, ricerca di conoscenza e classificazione dei dati tramite la piattaforma 01.AI.
- **Distribuzione locale** — tramite vLLM, llama.cpp, Hugging Face Transformers; versioni quantizzate (AWQ/GPTQ 4/8-bit) disponibili per la distribuzione su GPU consumer (ad esempio RTX 4090 per Yi-34B-4bit).

Le varianti API (Yi-Large, Yi-Lightning) vengono utilizzate per chatbot, servizi multilingue e inferenza a basso costo. Il costo di inferenza di Yi-Lightning era di 14 centesimi per milione di token a partire dal 2024.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-LightningReport-8)</sup>

## Limitazioni e problemi aperti

- **Allucinazioni.** I modelli sono soggetti a tipici errori fattuali dei LLM nelle risposte generate, specialmente in ragionamenti complessi e catene di inferenza lunghe.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)</sup>
- **Matematica e codice nelle versioni iniziali.** I modelli base Yi-34B mostrano risultati più deboli nella codifica complessa e nella matematica rispetto ai modelli frontier specializzati (ad esempio, MATH Yi-34B in 4-shot — 14,4). Questo problema è stato parzialmente risolto in Yi-1.5 e Yi-Lightning.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-LightningReport-8)</sup>
- **Contesto lungo.** L'estensione a 200K richiede pre-addestramento aggiuntivo e risorse computazionali; è possibile una leggera degradazione delle prestazioni su contesti brevi.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)</sup>
- **Modelli chiusi.** Yi-Large e Yi-Lightning non forniscono pesi scaricabili, il che limita la verifica indipendente dell'architettura e dei dati.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-LightningReport-8)</sup>
- **Divario tra Arena e benchmark.** Yi-Lightning mostra risultati forti nelle valutazioni utente (Chatbot Arena), ma è dietro ad alcuni concorrenti sui benchmark accademici statici — riflesso del problema generale di disallineamento delle metriche.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-LightningReport-8)</sup>
- **Riproducibilità.** Non tutti i dettagli di addestramento (composizione esatta del dataset, distribuzione dei domini, iperparametri) sono stati completamente divulgati.<sup>[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Lablab-13)</sup>
- **Sensibilità ai prompt.** Come altri LLM, i modelli Yi sono sensibili alla formulazione del prompt, il che influisce sulla stabilità dei risultati.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)</sup>

Non sono state registrate regressioni gravi note dopo i rilasci; la community segnala la stabilità delle versioni quantizzate.<sup>[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-GitHub-2)</sup>

## Aspetti etici e regolatori

In Yi-Lightning è stato implementato il framework di sicurezza RAISE, che realizza una protezione a quattro livelli:<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-LightningReport-8)</sup>

- Filtraggio di contenuti tossici, PII e materiali dannosi nella fase di pre-addestramento.
- Safety fine-tuning con esempi di gestione corretta di richieste sensibili.
- Controllo in ingresso (classificazione dei prompt).
- Controllo in uscita (filtraggio delle risposte).

La licenza Apache 2.0 per i modelli open consente l'uso commerciale; singoli provider di hosting possono imporre requisiti aggiuntivi. I modelli sono conformi alle normative regolamentari cinesi in materia di IA (certificazione CAICT per le soluzioni enterprise).<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Official-3)</sup>

## Prospettive e direzioni di ricerca

La serie Yi dimostra l'efficacia dell'approccio che privilegia la qualità dei dati rispetto al volume dei parametri, nonché della scalabilità leggera (continual pretraining, depth upscaling, ottimizzazioni MoE).<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-YiReport-1)</sup>

Dopo il 2025 l'accento di 01.AI si è spostato su soluzioni applicative:<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-Wikipedia-4)</sup>

- Sistemi multi-agente e piattaforma enterprise WorldWise LLM Platform 2.5.
- Integrazione di modelli di terze parti (incluso DeepSeek) nei workflow aziendali.
- Ottimizzazione dell'inferenza (quantizzazione, FP8) per ridurre i costi di distribuzione.

I modelli open continuano a essere utilizzati dalla community per ricerca, fine-tuning e distillazione.<sup>[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_note-HFOrg-6)</sup>

## Collegamenti esterni

- <a href="https://github.com/01-ai/Yi" class="external free" rel="nofollow">https://github.com/01-ai/Yi</a> — Repository GitHub ufficiale di 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> — Repository di Yi-1.5
- <a href="https://www.01.ai/yi-models" class="external free" rel="nofollow">https://www.01.ai/yi-models</a> — Pagina ufficiale dei modelli Yi
- <a href="https://huggingface.co/01-ai" class="external free" rel="nofollow">https://huggingface.co/01-ai</a> — Organizzazione 01-ai su Hugging Face
- <a href="https://en.wikipedia.org/wiki/01.AI" class="external free" rel="nofollow">https://en.wikipedia.org/wiki/01.AI</a> — Articolo Wikipedia sulla società 01.AI

## Bibliografia

- 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>

## Note

1.  <span id="cite_note-YiReport-1">↑ <sup>[1.00](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-0)</sup> <sup>[1.01](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-1)</sup> <sup>[1.02](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-2)</sup> <sup>[1.03](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-3)</sup> <sup>[1.04](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-4)</sup> <sup>[1.05](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-5)</sup> <sup>[1.06](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-6)</sup> <sup>[1.07](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-7)</sup> <sup>[1.08](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-8)</sup> <sup>[1.09](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-9)</sup> <sup>[1.10](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-10)</sup> <sup>[1.11](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-11)</sup> <sup>[1.12](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-12)</sup> <sup>[1.13](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-13)</sup> <sup>[1.14](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-14)</sup> <sup>[1.15](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-15)</sup> <sup>[1.16](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-16)</sup> <sup>[1.17](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-17)</sup> <sup>[1.18](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-18)</sup> <sup>[1.19](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-19)</sup> <sup>[1.20](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-20)</sup> <sup>[1.21](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-21)</sup> <sup>[1.22](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-YiReport_1-22)</sup> <sup>[1.23](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#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)_(IT)#cite_ref-GitHub_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-GitHub_2-1)</sup> <sup>[2.2](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-GitHub_2-2)</sup> <sup>[2.3](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-GitHub_2-3)</sup> <sup>[2.4](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-GitHub_2-4)</sup> <sup>[2.5](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-GitHub_2-5)</sup> <sup>[2.6](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#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)_(IT)#cite_ref-Official_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-Official_3-1)</sup> <sup>[3.2](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#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)_(IT)#cite_ref-Wikipedia_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-Wikipedia_4-1)</sup> <sup>[4.2](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#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)_(IT)#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)_(IT)#cite_ref-HFOrg_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-HFOrg_6-1)</sup> <sup>[6.2](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#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)_(IT)#cite_ref-Yi15GitHub_7-0)</sup> <sup>[7.1](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-Yi15GitHub_7-1)</sup> <sup>[7.2](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#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)_(IT)#cite_ref-LightningReport_8-0)</sup> <sup>[8.01](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-LightningReport_8-1)</sup> <sup>[8.02](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-LightningReport_8-2)</sup> <sup>[8.03](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-LightningReport_8-3)</sup> <sup>[8.04](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-LightningReport_8-4)</sup> <sup>[8.05](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-LightningReport_8-5)</sup> <sup>[8.06](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-LightningReport_8-6)</sup> <sup>[8.07](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-LightningReport_8-7)</sup> <sup>[8.08](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-LightningReport_8-8)</sup> <sup>[8.09](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-LightningReport_8-9)</sup> <sup>[8.10](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-LightningReport_8-10)</sup> <sup>[8.11](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#cite_ref-LightningReport_8-11)</sup> <sup>[8.12](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#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)_(IT)#cite_ref-Vaswani_9-0)</sup> <sup>[9.1](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#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)_(IT)#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)_(IT)#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)_(IT)#cite_ref-OpenLab_12-0)</sup> <sup>[12.1](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#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)_(IT)#cite_ref-Lablab_13-0)</sup> <sup>[13.1](https://systems-analysis.info/int/Yi_(01.AI)_(IT)#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>