---
title: "Yi (01.AI) (KO)"
source: "https://systems-analysis.info/int/Yi_(01.AI)_(KO)"
wiki: "systems-analysis.info/int"
article: "Yi_(01.AI)_(KO)"
language: "ko"
categories:
  - "Category:Korean"
  - "Category:Large language models"
  - "Category:Machine learning"
revision_id: 8549
wiki_created_at: 2026-09-07T01:19:00Z
wiki_modified_at: 2026-09-07T01:19:00Z
downloaded_at: 2026-09-07T23:26:03Z
---

# Yi (01.AI) (KO)

**Yi** — 대형 언어 모델(Large Language Model, LLM) 및 시각-언어 모델(Vision-Language Model, VLM) 패밀리로, 카이-푸 리(Kai-Fu Lee)의 지휘 하에 01.AI(零一万物) 사가 개발하였다. 모델은 영어와 중국어 이중 언어 고품질 코퍼스 3.1조 token을 기반으로 처음부터 학습되었으며, 텍스트 생성, 긴 context 처리(최대 20만 token), 멀티모달 입력(텍스트 + 이미지), 코드 생성, Mixture-of-Experts(MoE) 아키텍처 기반 효율적 추론을 위한 다양한 변형을 포함한다. 오픈 버전은 상업적 이용을 허용하는 Apache 2.0 라이선스로 배포되며, 클로즈드 플래그십 모델(Yi-Large, Yi-Lightning)은 API를 통해 제공된다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-GitHub-2)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Official-3)</sup>

## 역사 및 개발 연혁

01.AI는 2023년 3월 Microsoft Research Asia 및 Google China의 전 대표인 카이-푸 리가 베이징에 본사를 두고 설립하였다. 회사의 초점은 데이터 품질과 인프라 엔지니어링 최적화를 강조한 효율적인 LLM 개발에 있다. 2023년 11월까지 01.AI는 Alibaba가 참여한 투자 라운드 이후 '유니콘' 지위(기업 가치 10억 달러 이상)를 달성하였다.<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Wikipedia-4)[\[5\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Bloomberg-5)</sup>

### 1세대 (2023–2024)

최초의 오픈 모델 Yi-6B 및 Yi-34B는 2023년 11월 2일에 공개되었다. 이후 수 주 동안 라인업은 20만 token context 변형(2023년 11월 5일), 채팅 변형 및 양자화 모델(2023년 11월 23일)로 확장되었다. 2024년 1월에는 멀티모달 모델 Yi-VL-6B 및 Yi-VL-34B가 출시되었다. 2024년 3월에는 Yi-6B를 depth upscaling 방식으로 확장한 Yi-9B 모델이 공개되었으며, 기술 보고서 arXiv:2403.04652가 발표되었다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-GitHub-2)</sup>

### Yi-1.5 및 특화 모델 (2024)

2024년 5월 13일에는 Yi-1.5 시리즈(6B/9B/34B)가 출시되었으며, 이는 추가적인 5,000억 token에 대한 지속적 사전학습과 300만 건의 instruction 예제로 fine-tuning한 결과물이다. 2024년 5–6월에는 SOTA로 포지셔닝된 클로즈드 독점 모델 Yi-Large가 API 접근 방식으로 공개되었다. 2024년 9월에는 12만 8천 token context와 52개 프로그래밍 언어를 지원하는 코드 생성 특화 시리즈 Yi-Coder(1.5B/9B)가 출시되었다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-HFOrg-6)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Yi15GitHub-7)</sup>

### Yi-Lightning (2024)

2024년 10월에는 추론 속도와 효율성을 위해 최적화된 Mixture-of-Experts(MoE) 아키텍처 기반 플래그십 모델 Yi-Lightning이 공개되었다. Yi-Lightning은 LMSYS Chatbot Arena 종합 순위에서 6위(Elo 1287)를 기록하였으며, 중국어 부문 2위, 수학 및 코딩 부문 3–4위를 차지하였다. 기술 보고서는 2024년 12월에 발표되었다(arXiv:2412.01253).<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-LightningReport-8)</sup>

### 전략 전환 (2025)

2025년 3월, 01.AI는 새로운 대형 언어 모델의 사전학습을 중단하고 기업용 애플리케이션, 다중 에이전트 시스템, 그리고 외부 모델(DeepSeek 포함) 기반의 WorldWise LLM Platform 2.5 플랫폼에 집중하기로 발표하였다.<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Wikipedia-4)</sup>

### 종합 연혁

| 날짜        | 이벤트                                                    |
|-------------|-----------------------------------------------------------|
| 2023년 11월 | Yi-6B 및 Yi-34B 릴리스 (base, chat, 200K 변형)            |
| 2024년 1월  | 멀티모달 Yi-VL-6B 및 Yi-VL-34B                            |
| 2024년 3월  | Yi-9B (depth-upscaled); 기술 보고서 arXiv:2403.04652 발표 |
| 2024년 5월  | Yi-1.5 (6B/9B/34B); Yi-Large (클로즈드, API)              |
| 2024년 9월  | Yi-Coder-1.5B/9B (코드 특화, context 128K)                |
| 2024년 10월 | Yi-Lightning (MoE 아키텍처, 플래그십 모델)                |
| 2024년 12월 | Yi-Lightning 기술 보고서 발표 (arXiv:2412.01253)          |
| 2025년 3월  | 새로운 LLM 사전학습 중단; 기업용 솔루션에 집중            |

## 이론적 기반 및 아키텍처

### 기본 아키텍처

Yi 패밀리의 모든 모델은 Vaswani et al.의 연구에서 기술된 decoder-only Transformer 아키텍처를 기반으로 한다.<sup>[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Vaswani-9)</sup> 모델들은 처음부터 학습되었으며, 구현상의 유사성에도 불구하고 LLaMA의 파생물이 아니다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)</sup>

다중 헤드 셀프 어텐션(Multi-Head Self-Attention)의 기본 메커니즘은 다음 수식으로 표현된다:

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

여기서 $Q$, $K$, $V$는 각각 쿼리(queries), 키(keys), 값(values) 행렬이며, $d_{k}$는 키의 차원 수이다.<sup>[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Vaswani-9)</sup>

Yi의 주요 아키텍처 수정 사항:<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)</sup>

- **Grouped-Query Attention (GQA)** — 쿼리 헤드를 공통 key/value 헤드를 공유하는 그룹으로 분할하여 품질을 유지하면서 메모리 소비를 줄인다.
- **SwiGLU 활성화** — 표준 ReLU/GELU를 대체하며, 활성화 크기를 hidden size의 8/3로 줄인다.
- **Rotary Position Embedding (RoPE)** — 아키텍처 변경 없이 context 확장을 가능하게 하는 조정된 기본 주파수(adjusted base frequency, ABF)를 적용한다.
- **어휘(vocabulary)**: BPE(SentencePiece) 기반 64,000 token으로, 숫자를 자릿수로 분리하고 희귀 문자에 대한 unicode-byte fallback을 포함한다.

### 기본 모델 구성

기술 보고서 arXiv:2403.04652의 아키텍처 파라미터:<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)</sup>

| 파라미터                                 | Yi-6B  | Yi-34B   |
|------------------------------------------|--------|----------|
| Hidden Size                              | 4096   | 7168     |
| Query-heads                              | 32     | 56       |
| KV-heads                                 | 4      | 8        |
| 레이어 수                                | 32     | 60       |
| 사전학습 시퀀스 길이 (Pretrain Seq. Len) | 4096   | 4096     |
| 최대 학습률 (Max LR)                     | 3×10⁻⁴ | 1,5×10⁻⁴ |

*출처: arXiv:2403.04652, 파라미터 표.*<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)</sup>

### Yi-Lightning (MoE) 아키텍처

Yi-Lightning(2024)은 다음과 같은 특징을 가진 개선된 Mixture-of-Experts(MoE) 아키텍처를 사용한다:<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-LightningReport-8)</sup>

- **Fine-grained expert segmentation** — FFN 블록을 세밀하게 전문가로 분할하여 특화도를 높인다.
- **다단계 부하 균형** — token을 전문가 간에 균등하게 분배하기 위해 Switch-Transformer(ST), Expert Parallel(EP), Partitioned EP(PEP) 손실의 조합을 사용한다.
- **하이브리드 어텐션** — 슬라이딩 윈도우(sliding window) 레이어 3개와 전체 어텐션(full attention) 레이어 1개를 교대로 배치하며, 레이어 간 KV 캐시를 재사용한다.
- **KV 캐시 메모리 절감** — 긴 시퀀스 처리 시 표준 방식 대비 82.8% 메모리를 절약한다.
- **context 윈도우**를 64,000 token으로 확장한다.

정확한 전문가 수와 Yi-Lightning의 전체 파라미터 수는 공개 출처에서 공개되지 않았다.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-LightningReport-8)</sup>

### 멀티모달 변형 (Yi-VL)

멀티모달 모델 Yi-VL에서는 언어 모델이 MLP 프로젝션을 통해 시각 인코더 CLIP ViT-H/14와 연결된다. 이미지 $I$는 시각 인코더에 의해 embedding 시퀀스 $\{ v_{1},\ldots,v_{K}\}$로 변환되어 텍스트 token과 함께 언어 모델에 입력된다. 학습은 해상도를 높여가며 세 단계로 진행된다: 224×224 → 448×448 픽셀.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)</sup>

## 학습 파이프라인 및 정렬

### 사전학습 (Pre-training)

기본 모델 Yi-6B 및 Yi-34B는 3.1조 token 규모의 이중 언어 코퍼스로 사전학습되었다. 데이터는 휴리스틱 필터, 학습된 스코어러(perplexity, quality, coherence, safety), 클러스터링, MinHash 중복 제거로 구성된 단계적 필터링 및 중복 제거 파이프라인을 거친다. 출처는 Common Crawl, 서적, 학술 논문이다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)</sup>

Yi-1.5의 경우 고품질 코퍼스 추가 5,000억 token에 대한 지속적 사전학습(continued pre-training)이 수행되었다.<sup>[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Yi15GitHub-7)</sup>

### 지도 미세조정 (Supervised Fine-Tuning, SFT)

1세대 채팅 변형은 소규모이지만 세밀하게 검증된 데이터셋인 1만 건 미만의 다중 턴(multi-turn) 예제로 fine-tuning되었으며, 각 예제는 머신러닝 엔지니어들이 수작업으로 검토하고 수정하였다. Yi-1.5의 경우 SFT 데이터 규모가 300만 건으로 확대되었다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Yi15GitHub-7)</sup>

### 강화학습을 통한 정렬

Yi-Lightning에는 SFT에 이어 RLHF/DPO를 적용하는 다단계 정렬 프로세스가 사용된다. 합성 데이터는 Monte Carlo Tree Search(MCTS)를 사용하여 생성된다. 안전 프레임워크 RAISE는 네 가지 수준의 보호를 구현한다: 사전학습 데이터 필터링, safety fine-tuning, prompt 입력 제어, 응답 출력 제어.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-LightningReport-8)</sup>

### Context 확장

Context 윈도우를 20만 token으로 확장하는 것은 RoPE ABF 기법을 사용하여 50억 token(서적 + 합성 질의응답)에 대한 경량 지속적 사전학습을 통해 구현되었다. 보완 후 Needle-in-a-Haystack(긴 텍스트에서 목표 구절 찾기) 과제의 정확도는 99.8%에 달한다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-GitHub-2)</sup>

### 깊이 확장 (Depth Upscaling)

Yi-9B는 Yi-6B 기본 모델의 12–28번 레이어를 복제한 후 8,000억 token으로 사전학습하여 생성되었다. 이 방법은 처음부터 학습하지 않고도 모델 용량을 증가시킬 수 있도록 한다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)</sup>

## 모델 패밀리 구성

### 주요 언어 모델

| 모델                     | 파라미터                         | 유형        | Context          | 릴리스 날짜 | 라이선스       | 비고                                    |
|--------------------------|----------------------------------|-------------|------------------|-------------|----------------|-----------------------------------------|
| Yi-6B / Yi-34B           | 60억 / 340억                     | Base / Chat | 4K (32K로 확장)  | 2023년 11월 | Apache 2.0     | 처음부터 학습된 기본 모델               |
| Yi-6B-200K / Yi-34B-200K | 60억 / 340억                     | Base        | 200K             | 2023년 11월 | Apache 2.0     | 긴 시퀀스에 대한 지속적 사전학습        |
| Yi-9B                    | 90억                             | Base        | 4K (200K로 확장) | 2024년 3월  | Apache 2.0     | Yi-6B에서 depth-upscale + 8,000억 token |
| Yi-1.5-6B/9B/34B         | 60억 / 90억 / 340억              | Base / Chat | 4K / 16K / 32K   | 2024년 5월  | Apache 2.0     | +5,000억 token + 300만 SFT 예제         |
| Yi-Large                 | ~1조 (MoE, 활성 파라미터 미공개) | LLM         | 미공개           | 2024년 5월  | 클로즈드 (API) | SOTA로 포지셔닝                         |
| Yi-Lightning             | MoE (전문가 수 미공개)           | LLM         | 64K              | 2024년 10월 | API            | LMSYS Chatbot Arena 6위                 |

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

### 특화 모델

| 모델                        | 파라미터     | 모달리티                  | Context        | 릴리스 날짜 | 비고                                   |
|-----------------------------|--------------|---------------------------|----------------|-------------|----------------------------------------|
| Yi-VL-6B / Yi-VL-34B        | 60억 / 340억 | 텍스트 + 이미지 (448×448) | 기본 모델 기준 | 2024년 1월  | ViT 인코더 (CLIP ViT-H/14), 3단계 학습 |
| Yi-Coder-1.5B / Yi-Coder-9B | 15억 / 90억  | 텍스트 (코드)             | 128K           | 2024년 9월  | 52개 프로그래밍 언어                   |

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

### API 식별자

01.AI 플랫폼 및 외부 제공업체 사용 예: `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)_(KO)#cite_note-HFOrg-6)[\[10\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Fireworks-10)[\[11\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Replicate-11)</sup>

## 평가 및 benchmark

### 기본 모델 결과

기술 보고서 arXiv:2403.04652의 데이터 (조건: benchmark에 따라 0-shot / 5-shot):<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#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    |

*출처: arXiv:2403.04652, 결과 표.*<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)</sup>

Yi-34B는 릴리스 시점 기준으로 대부분의 benchmark에서 Llama 2-70B(파라미터 수가 두 배)를 능가하는 결과를 보였으며, C-Eval 및 CMMLU에서 오픈 모델 중 선두를 기록하였다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-OpenLab-12)</sup>

### Yi-Lightning 결과

기술 보고서 arXiv:2412.01253의 데이터 (조건: 별도 명시가 없는 경우 0-shot):<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#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          |

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

### 사용자 평가 순위

Yi-34B-Chat은 2023년 12월 – 2024년 1월 AlpacaEval에서 2위(94.08%, GPT-4 Turbo 다음)를 차지하였으며, LMSYS Chatbot Arena에서 Elo 약 1110을 기록하였다. Yi-34B는 릴리스 시점 기준으로 Hugging Face Open LLM Leaderboard 및 C-Eval에서 오픈 모델 중 선두를 기록하였다.<sup>[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-GitHub-2)[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)</sup>

Yi-Lightning은 보고서 발표 시점 기준으로 LMSYS Chatbot Arena 종합 6위(점수 1287), 중국어 부문 2위, '수학', '코딩', 'hard prompts', 'multi-turn' 하위 범주에서 3–4위를 기록하였다.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-LightningReport-8)</sup>

**참고.** 서로 다른 릴리스 및 구성의 모델을 직접 비교하려면 일관된 테스트 조건(동일한 benchmark 버전, 동일한 생성 파라미터)이 필요하다. 크라우드소싱 플랫폼의 주관적 평가는 참가자 구성 및 시스템 내 현재 모델 세트에 따라 달라진다.<sup>[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-OpenLab-12)</sup>

## 활용 분야

Yi 패밀리는 자연어 처리 및 멀티모달 분석의 광범위한 과제에 활용된다:<sup>[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Official-3)[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Lablab-13)</sup>

- **채팅 어시스턴트 및 대화 시스템** — Yi-34B-Chat 및 Yi-1.5 채팅 변형 기반.
- **코드 생성 및 분석** — Yi-Coder는 52개 프로그래밍 언어를 지원한다.
- **긴 문서 분석** — 법률, 기술, 분석 과제를 위한 200K context 변형.
- **멀티모달 분석** — Yi-VL을 통한 이미지 설명 및 시각적 질의응답.
- **기업용 에이전트** — 01.AI 플랫폼을 통한 RAG 시스템, 지식 검색 및 데이터 분류.
- **로컬 배포** — vLLM, llama.cpp, Hugging Face Transformers를 통한 배포; 양자화 버전(AWQ/GPTQ 4/8-bit)은 소비자용 GPU(예: Yi-34B-4bit의 경우 RTX 4090)에서의 배포가 가능하다.

API 변형(Yi-Large, Yi-Lightning)은 챗봇, 다국어 서비스 및 저비용 inference에 활용된다. 2024년 기준 Yi-Lightning의 inference 비용은 100만 token당 14센트였다.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-LightningReport-8)</sup>

## 한계 및 미해결 과제

- **환각(Hallucination).** 모델은 생성된 응답에서 LLM에 전형적인 사실 오류를 일으키기 쉬우며, 특히 복잡한 추론 및 긴 추론 체인에서 두드러진다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)</sup>
- **초기 버전의 수학 및 코드.** 기본 모델 Yi-34B는 복잡한 코딩 및 수학에서 특화된 frontier 모델(예: 4-shot 기준 Yi-34B의 MATH 14.4)에 비해 더 약한 결과를 보인다. 이 문제는 Yi-1.5 및 Yi-Lightning에서 부분적으로 해결되었다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-LightningReport-8)</sup>
- **긴 context.** 20만 token으로의 확장은 추가적인 사전학습과 연산 자원을 필요로 하며, 짧은 context에서 미미한 성능 저하가 발생할 수 있다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)</sup>
- **클로즈드 모델.** Yi-Large 및 Yi-Lightning은 가중치 다운로드를 제공하지 않아 아키텍처 및 데이터에 대한 독립적 검증이 제한된다.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-LightningReport-8)</sup>
- **Arena와 benchmark 간의 격차.** Yi-Lightning은 사용자 평가(Chatbot Arena)에서 강력한 결과를 보이지만 정적 학술 benchmark에서는 일부 경쟁 모델에 뒤처지는데, 이는 지표 불일치라는 일반적인 문제를 반영한다.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-LightningReport-8)</sup>
- **재현성.** 학습 세부 사항(정확한 dataset 구성, 도메인 분포, 하이퍼파라미터)이 모두 공개되지 않았다.<sup>[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Lablab-13)</sup>
- **prompt 민감성.** 다른 LLM과 마찬가지로 Yi 모델은 prompt 표현에 민감하여 추론 결과의 안정성에 영향을 준다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)</sup>

릴리스 이후 심각한 성능 저하는 보고되지 않았으며, 커뮤니티는 양자화 버전의 안정성을 높이 평가하고 있다.<sup>[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-GitHub-2)</sup>

## 윤리적·규제적 측면

Yi-Lightning에는 네 가지 수준의 보호를 구현하는 안전 프레임워크 RAISE가 탑재되어 있다:<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-LightningReport-8)</sup>

- 사전학습 단계에서 유해 콘텐츠, PII, 악성 자료 필터링.
- 민감한 요청의 올바른 처리 예제를 포함한 safety fine-tuning.
- 입력 제어(prompt 분류).
- 출력 제어(응답 필터링).

오픈 모델에 대한 Apache 2.0 라이선스는 상업적 이용을 허용하며, 개별 호스팅 서비스는 추가 요구 사항을 부과할 수 있다. 모델은 기업용 솔루션에 대한 AI 분야의 중국 규제 기준(CAICT 인증)을 준수한다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Official-3)</sup>

## 전망 및 연구 방향

Yi 시리즈는 파라미터 규모보다 데이터 품질을 우선시하는 접근 방식과 경량 확장(continual pretraining, depth upscaling, MoE 최적화)의 효과를 입증하였다.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-YiReport-1)</sup>

2025년 이후 01.AI는 응용 솔루션으로 초점을 전환하였다:<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-Wikipedia-4)</sup>

- 다중 에이전트 시스템 및 기업용 플랫폼 WorldWise LLM Platform 2.5.
- 외부 모델(DeepSeek 포함)을 기업용 워크플로에 통합.
- 배포 비용 절감을 위한 추론 최적화(양자화, FP8).

오픈 모델은 연구, fine-tuning 및 지식 증류를 위해 커뮤니티에서 계속 활용되고 있다.<sup>[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(KO)#cite_note-HFOrg-6)</sup>

## 참고 문헌

- 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>

## 외부 링크

- <a href="https://github.com/01-ai/Yi" class="external free" rel="nofollow">https://github.com/01-ai/Yi</a> — Yi 공식 GitHub 저장소
- <a href="https://github.com/01-ai/Yi-1.5" class="external free" rel="nofollow">https://github.com/01-ai/Yi-1.5</a> — Yi-1.5 저장소
- <a href="https://www.01.ai/yi-models" class="external free" rel="nofollow">https://www.01.ai/yi-models</a> — Yi 모델 공식 페이지
- <a href="https://huggingface.co/01-ai" class="external free" rel="nofollow">https://huggingface.co/01-ai</a> — Hugging Face의 01-ai 조직
- <a href="https://en.wikipedia.org/wiki/01.AI" class="external free" rel="nofollow">https://en.wikipedia.org/wiki/01.AI</a> — 01.AI 회사에 관한 Wikipedia 문서

## 각주

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