---
title: "Yi (01.AI) (PL)"
source: "https://systems-analysis.info/int/Yi_(01.AI)_(PL)"
wiki: "systems-analysis.info/int"
article: "Yi_(01.AI)_(PL)"
language: "pl"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Polish"
revision_id: 8551
wiki_created_at: 2026-09-07T01:19:02Z
wiki_modified_at: 2026-09-07T01:19:02Z
downloaded_at: 2026-09-07T23:26:05Z
---

# Yi (01.AI) (PL)

**Yi** — rodzina dużych modeli językowych (Large Language Model, LLM) i wizualno-językowych modeli (Vision-Language Model, VLM), opracowana przez firmę 01.AI (零一万物) pod kierownictwem Kai-Fu Lee. Modele zostały wytrenowane od podstaw na wysokiej jakości dwujęzycznym korpusie (język angielski i chiński) liczącym 3,1 bln tokenów i obejmują warianty do generowania tekstu, przetwarzania długiego kontekstu (do 200 tys. tokenów), multimodalnego wejścia (tekst + obrazy), generowania kodu oraz wydajnego wnioskowania w oparciu o architekturę Mixture-of-Experts (MoE). Otwarte warianty są dystrybuowane na licencji Apache 2.0 z zezwoleniem na użytek komercyjny; zamknięte flagowe modele (Yi-Large, Yi-Lightning) są dostępne przez API.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-GitHub-2)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Official-3)</sup>

## Historia i chronologia rozwoju

Firma 01.AI została założona w marcu 2023 roku przez Kai-Fu Lee, byłego dyrektora Microsoft Research Asia i Google China, z siedzibą w Pekinie. Celem firmy jest tworzenie wydajnych LLM z naciskiem na jakość danych i inżynierską optymalizację infrastruktury. Do listopada 2023 roku 01.AI osiągnęła status „jednorożca" (wycena powyżej 1 mld dolarów) po rundzie finansowania z udziałem Alibaba.<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Wikipedia-4)[\[5\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Bloomberg-5)</sup>

### Pierwsze pokolenie (2023–2024)

Pierwsze otwarte modele Yi-6B i Yi-34B zostały zaprezentowane 2 listopada 2023 roku. W ciągu kolejnych tygodni linia została uzupełniona wariantami z kontekstem 200 tys. tokenów (5 listopada 2023), wariantami czatowymi i modelami skwantyzowanymi (23 listopada 2023). W styczniu 2024 roku ukazały się multimodalne Yi-VL-6B i Yi-VL-34B. W marcu 2024 roku przedstawiono model Yi-9B, uzyskany metodą głębokiego skalowania (depth upscaling) z Yi-6B, i opublikowano raport techniczny arXiv:2403.04652.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-GitHub-2)</sup>

### Yi-1.5 i modele specjalizowane (2024)

13 maja 2024 roku wydano serię Yi-1.5 (6B/9B/34B) — wynik ciągłego wstępnego trenowania na dodatkowych 500 mld tokenów i dostrajania na 3 mln przykładów instrukcji. W maju–czerwcu 2024 roku zaprezentowano zamknięty, własnościowy model Yi-Large z dostępem przez API, pozycjonowany jako SOTA. We wrześniu 2024 roku ukazała się specjalizowana seria Yi-Coder (1.5B/9B) do generowania kodu z kontekstem 128 tys. tokenów i obsługą 52 języków programowania.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-HFOrg-6)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Yi15GitHub-7)</sup>

### Yi-Lightning (2024)

W październiku 2024 roku zaprezentowano flagowy model Yi-Lightning oparty na architekturze Mixture-of-Experts (MoE), zoptymalizowany pod kątem szybkości i wydajności wnioskowania. Yi-Lightning zajął 6. miejsce w ogólnym rankingu LMSYS Chatbot Arena (Elo 1287), 2. miejsce w kategorii języka chińskiego oraz 3.–4. miejsce w kategoriach matematyki i programowania. Raport techniczny został opublikowany w grudniu 2024 roku (arXiv:2412.01253).<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-LightningReport-8)</sup>

### Zmiana strategii (2025)

W marcu 2025 roku firma 01.AI ogłosiła zaprzestanie wstępnego trenowania nowych dużych modeli językowych i skupiła się na aplikacjach korporacyjnych, systemach wieloagentowych oraz platformie WorldWise LLM Platform 2.5 opartej na modelach zewnętrznych (w tym DeepSeek).<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Wikipedia-4)</sup>

### Zbiorcza chronologia

| Data             | Wydarzenie                                                                          |
|------------------|-------------------------------------------------------------------------------------|
| Listopad 2023    | Wydanie Yi-6B i Yi-34B (base, chat, warianty 200K)                                  |
| Styczeń 2024     | Multimodalne Yi-VL-6B i Yi-VL-34B                                                   |
| Marzec 2024      | Yi-9B (depth-upscaled); publikacja raportu technicznego arXiv:2403.04652            |
| Maj 2024         | Yi-1.5 (6B/9B/34B); Yi-Large (zamknięty, API)                                       |
| Wrzesień 2024    | Yi-Coder-1.5B/9B (specjalizacja w kodzie, kontekst 128K)                            |
| Październik 2024 | Yi-Lightning (architektura MoE, model flagowy)                                      |
| Grudzień 2024    | Publikacja raportu technicznego Yi-Lightning (arXiv:2412.01253)                     |
| Marzec 2025      | Zaprzestanie wstępnego trenowania nowych LLM; fokus na rozwiązaniach korporacyjnych |

## Podstawy teoretyczne i architektura

### Architektura bazowa

Wszystkie modele rodziny Yi opierają się na architekturze dekoderowego transformera (decoder-only Transformer) opisanej w pracy Vaswani et al.<sup>[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Vaswani-9)</sup> Modele zostały wytrenowane od podstaw i nie są pochodnymi LLaMA, mimo podobieństwa implementacji.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)</sup>

Podstawowy mechanizm wielogłowej samouwagi (Multi-Head Self-Attention) opisuje wzór:

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

gdzie $Q$, $K$, $V$ — macierze zapytań (queries), kluczy (keys) i wartości (values) odpowiednio, $d_{k}$ — wymiarowość kluczy.<sup>[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Vaswani-9)</sup>

Kluczowe modyfikacje architektoniczne Yi:<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)</sup>

- **Grouped-Query Attention (GQA)** — podział głów query na grupy ze wspólnymi głowami key/value, co zmniejsza zużycie pamięci przy zachowaniu jakości.
- **Aktywacja SwiGLU** — zastąpienie standardowej ReLU/GELU; zmniejsza rozmiar aktywacji do 8/3 wymiaru ukrytej warstwy (hidden size).
- **Rotary Position Embedding (RoPE)** z dostosowaną częstotliwością bazową (adjusted base frequency, ABF), zapewniającą rozszerzenie kontekstu bez zmian architektonicznych.
- **Słownik** (vocabulary): 64 000 tokenów oparty na BPE (SentencePiece) z podziałem liczb na cyfry i zapasowym mechanizmem unicode-byte dla rzadkich znaków.

### Konfiguracje modeli bazowych

Parametry architektury z raportu technicznego arXiv:2403.04652:<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)</sup>

| Parametr                                         | Yi-6B  | Yi-34B   |
|--------------------------------------------------|--------|----------|
| Hidden Size                                      | 4096   | 7168     |
| Query-heads                                      | 32     | 56       |
| KV-heads                                         | 4      | 8        |
| Liczba warstw                                    | 32     | 60       |
| Długość wstępnego trenowania (Pretrain Seq. Len) | 4096   | 4096     |
| Maks. współczynnik uczenia (Max LR)              | 3×10⁻⁴ | 1,5×10⁻⁴ |

*Źródło: arXiv:2403.04652, tabela parametrów.*<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)</sup>

### Architektura Yi-Lightning (MoE)

Yi-Lightning (2024) wykorzystuje ulepszoną architekturę Mixture-of-Experts (MoE) z następującymi cechami:<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-LightningReport-8)</sup>

- **Fine-grained expert segmentation** — drobnoziarnisty podział bloków FFN na ekspertów w celu zwiększenia specjalizacji.
- **Wielopoziomowe równoważenie obciążenia** — kombinacja strat Switch-Transformer (ST), Expert Parallel (EP) i Partitioned EP (PEP) dla równomiernego rozkładu tokenów między ekspertami.
- **Hybrydowa uwaga** — naprzemienne stosowanie 3 warstw z przesuwnym oknem (sliding window) i 1 warstwy z pełną uwagą (full attention), z ponownym wykorzystaniem pamięci podręcznej KV między warstwami.
- **Redukcja pamięci KV cache** o 82,8% w porównaniu ze standardowym podejściem przy przetwarzaniu długich sekwencji.
- **Okno kontekstowe** rozszerzone do 64 tys. tokenów.

Dokładna liczba ekspertów i całkowita liczba parametrów Yi-Lightning nie została ujawniona w źródłach publicznych.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-LightningReport-8)</sup>

### Warianty multimodalne (Yi-VL)

W multimodalnych modelach Yi-VL model językowy jest połączony z wizualnym enkoderem CLIP ViT-H/14 przez projekcję MLP. Obraz $I$ jest przekształcany przez wizualny enkoder w sekwencję embeddingów $\{ v_{1},\ldots,v_{K}\}$, które są podawane do modelu językowego razem z tokenami tekstowymi. Trenowanie przebiega w trzech etapach ze zwiększającą się rozdzielczością: 224×224 → 448×448 pikseli.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)</sup>

## Pipeline trenowania i wyrównywanie

### Wstępne trenowanie (Pre-training)

Modele bazowe Yi-6B i Yi-34B zostały wstępnie wytrenowane na dwujęzycznym korpusie liczącym 3,1 bln tokenów. Dane przechodzą kaskadowy pipeline filtrowania i deduplikacji: filtry heurystyczne, wytrenowane skórery (perplexity, quality, coherence, safety), klastrowanie i deduplikacja MinHash. Źródła — Common Crawl, książki i artykuły naukowe.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)</sup>

Dla Yi-1.5 przeprowadzono ciągłe wstępne trenowanie (continued pre-training) na dodatkowych 500 mld tokenach wysokiej jakości korpusu.<sup>[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Yi15GitHub-7)</sup>

### Nadzorowane dostrajanie (Supervised Fine-Tuning, SFT)

Warianty czatowe pierwszego pokolenia zostały dostrojone na małym, lecz starannie dobranym zestawie — mniej niż 10 tys. wieloturowych (multi-turn) przykładów, z których każdy był ręcznie sprawdzony i zredagowany przez inżynierów uczenia maszynowego. Dla Yi-1.5 liczba danych SFT wzrosła do 3 mln przykładów.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Yi15GitHub-7)</sup>

### Wyrównywanie za pomocą uczenia ze wzmocnieniem

Dla Yi-Lightning stosowany jest wieloetapowy proces wyrównywania: SFT, a następnie RLHF/DPO. Dane syntetyczne są generowane z wykorzystaniem Monte Carlo Tree Search (MCTS). Framework bezpieczeństwa RAISE implementuje czteropoliomową ochronę: filtrowanie danych wstępnego trenowania, safety fine-tuning, kontrolę wejściową promptów i kontrolę wyjściową odpowiedzi.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-LightningReport-8)</sup>

### Rozszerzanie kontekstu

Rozszerzenie okna kontekstowego do 200 tys. tokenów zostało zrealizowane przez lekkie ciągłe wstępne trenowanie na 5 mld tokenach (książki + syntetyczne pytania-odpowiedzi) z wykorzystaniem techniki RoPE ABF. Po dostrojeniu dokładność w zadaniu Needle-in-a-Haystack (wyszukiwanie docelowego fragmentu w długim tekście) osiąga 99,8%.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-GitHub-2)</sup>

### Głębokie skalowanie (Depth Upscaling)

Yi-9B został uzyskany przez powielenie warstw 12–28 modelu bazowego Yi-6B z następującym wstępnym trenowaniem na 800 mld tokenach. Metoda ta zapewnia zwiększenie pojemności modelu bez trenowania od podstaw.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)</sup>

## Skład rodziny modeli

### Główne modele językowe

| Model                    | Parametry                                    | Typ         | Kontekst               | Data wydania     | Licencja        | Uwaga                                            |
|--------------------------|----------------------------------------------|-------------|------------------------|------------------|-----------------|--------------------------------------------------|
| Yi-6B / Yi-34B           | 6 mld / 34 mld                               | Base / Chat | 4K (rozszerz. do 32K)  | Listopad 2023    | Apache 2.0      | Modele bazowe trenowane od podstaw               |
| Yi-6B-200K / Yi-34B-200K | 6 mld / 34 mld                               | Base        | 200K                   | Listopad 2023    | Apache 2.0      | Ciągłe wstępne trenowanie na długich sekwencjach |
| Yi-9B                    | 9 mld                                        | Base        | 4K (rozszerz. do 200K) | Marzec 2024      | Apache 2.0      | Depth-upscale z Yi-6B + 800 mld tokenów          |
| Yi-1.5-6B/9B/34B         | 6 / 9 / 34 mld                               | Base / Chat | 4K / 16K / 32K         | Maj 2024         | Apache 2.0      | +500 mld tokenów + 3 mln przykładów SFT          |
| Yi-Large                 | ~1 bln (MoE, liczba aktywnych nie ujawniona) | LLM         | Nie ujawniony          | Maj 2024         | Zamknięta (API) | Pozycjonowany jako SOTA                          |
| Yi-Lightning             | MoE (liczba ekspertów nie ujawniona)         | LLM         | 64K                    | Październik 2024 | API             | 6\. miejsce LMSYS Chatbot Arena                  |

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

### Modele specjalizowane

| Model                       | Parametry   | Modalności               | Kontekst                    | Data wydania  | Uwaga                                               |
|-----------------------------|-------------|--------------------------|-----------------------------|---------------|-----------------------------------------------------|
| Yi-VL-6B / Yi-VL-34B        | 6 / 34 mld  | Tekst + obrazy (448×448) | Standardowy modelu bazowego | Styczeń 2024  | Enkoder ViT (CLIP ViT-H/14), trenowanie trzyetapowe |
| Yi-Coder-1.5B / Yi-Coder-9B | 1,5 / 9 mld | Tekst (kod)              | 128K                        | Wrzesień 2024 | 52 języki programowania                             |

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

### Identyfikatory API

Przykłady na platformie 01.AI i u zewnętrznych dostawców: `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)_(PL)#cite_note-HFOrg-6)[\[10\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Fireworks-10)[\[11\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Replicate-11)</sup>

## Ocena i benchmarki

### Wyniki modeli bazowych

Dane z raportu technicznego arXiv:2403.04652 (warunki: 0-shot / 5-shot, w zależności od benchmarku):<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#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    |

*Źródło: arXiv:2403.04652, tabele wyników.*<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)</sup>

Yi-34B wykazał wyniki przewyższające Llama 2-70B (przy dwukrotnie mniejszym rozmiarze) na większości benchmarków i wiodące wśród otwartych modeli na C-Eval i CMMLU w momencie wydania.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-OpenLab-12)</sup>

### Wyniki Yi-Lightning

Dane z raportu technicznego arXiv:2412.01253 (warunki: 0-shot, o ile nie zaznaczono inaczej):<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#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          |

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

### Rankingi użytkowników

Yi-34B-Chat zajmował 2. miejsce na AlpacaEval (94,08%, po GPT-4 Turbo) w grudniu 2023 – styczniu 2024 roku, z ratingiem Elo ~1110 na LMSYS Chatbot Arena. Yi-34B był liderem wśród otwartych modeli na Hugging Face Open LLM Leaderboard i C-Eval w momencie wydania.<sup>[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-GitHub-2)[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)</sup>

Yi-Lightning zajął 6. ogólne miejsce na LMSYS Chatbot Arena (wynik 1287), 2. miejsce w kategorii języka chińskiego oraz 3.–4. miejsca w podkategoriach „matematyka", „programowanie", „hard prompts" i „multi-turn" w momencie publikacji raportu.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-LightningReport-8)</sup>

**Uwaga.** Bezpośrednie porównanie modeli z różnych wydań i konfiguracji wymaga jednolitych warunków testowania (te same wersje benchmarków, identyczne parametry generowania). Subiektywne oceny na platformach crowdsourcingowych zależą od składu uczestników i bieżącego zestawu modeli w systemie.<sup>[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-OpenLab-12)</sup>

## Zastosowania

Rodzina Yi jest stosowana w szerokim zakresie zadań przetwarzania języka naturalnego i analizy multimodalnej:<sup>[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Official-3)[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Lablab-13)</sup>

- **Asystenci czatowi i systemy dialogowe** — na bazie wariantów czatowych Yi-34B-Chat i Yi-1.5.
- **Generowanie i analiza kodu** — Yi-Coder obsługuje 52 języki programowania.
- **Analiza długich dokumentów** — warianty z kontekstem 200K do zadań prawniczych, technicznych i analitycznych.
- **Analiza multimodalna** — opis obrazów i wizualne pytania-odpowiedzi przez Yi-VL.
- **Agenci korporacyjni** — systemy RAG, wyszukiwanie wiedzy i klasyfikacja danych przez platformę 01.AI.
- **Lokalne wdrożenie** — przez vLLM, llama.cpp, Hugging Face Transformers; skwantyzowane wersje (AWQ/GPTQ 4/8-bit) dostępne do wdrożenia na konsumenckich GPU (np. RTX 4090 dla Yi-34B-4bit).

Warianty API (Yi-Large, Yi-Lightning) są używane do chatbotów, usług wielojęzycznych i wnioskowania o niskim koszcie. Koszt wnioskowania Yi-Lightning wynosił 14 centów za milion tokenów według stanu na 2024 rok.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-LightningReport-8)</sup>

## Ograniczenia i otwarte problemy

- **Halucynacje.** Modele są podatne na typowe dla LLM błędy faktyczne w generowanych odpowiedziach, szczególnie w złożonym rozumowaniu i długich łańcuchach wnioskowania.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)</sup>
- **Matematyka i kod we wczesnych wersjach.** Modele bazowe Yi-34B wykazują słabsze wyniki w złożonym programowaniu i matematyce w porównaniu ze specjalizowanymi modelami frontier (np. MATH Yi-34B w 4-shot — 14,4). Problem ten został częściowo rozwiązany w Yi-1.5 i Yi-Lightning.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-LightningReport-8)</sup>
- **Długi kontekst.** Rozszerzenie do 200K wymaga dodatkowego wstępnego trenowania i zasobów obliczeniowych; możliwa jest nieznaczna degradacja wydajności przy krótkim kontekście.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)</sup>
- **Zamknięte modele.** Yi-Large i Yi-Lightning nie udostępniają wag do pobrania, co ogranicza niezależną weryfikację architektury i danych.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-LightningReport-8)</sup>
- **Rozbieżność między Arena a benchmarkami.** Yi-Lightning wykazuje silne wyniki w ocenach użytkowników (Chatbot Arena), lecz ustępuje niektórym konkurentom na statycznych benchmarkach akademickich — odzwierciedlenie ogólnego problemu niespójności metryk.<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-LightningReport-8)</sup>
- **Odtwarzalność.** Nie wszystkie szczegóły trenowania (dokładny skład datasetu, rozkład dziedzin, hiperparametry) zostały w pełni ujawnione.<sup>[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Lablab-13)</sup>
- **Wrażliwość na prompt.** Podobnie jak inne LLM, modele Yi są wrażliwe na sformułowanie promptu, co wpływa na stabilność wyników.<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)</sup>

Nie odnotowano żadnych poważnych regresji po wydaniach; społeczność wskazuje na stabilność skwantyzowanych wersji.<sup>[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-GitHub-2)</sup>

## Aspekty etyczne i regulacyjne

W Yi-Lightning wdrożono framework bezpieczeństwa RAISE, implementujący czterostopniową ochronę:<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-LightningReport-8)</sup>

- Filtrowanie toksycznych treści, PII i materiałów szkodliwych na etapie wstępnego trenowania.
- Safety fine-tuning z przykładami prawidłowej obsługi wrażliwych zapytań.
- Kontrola wejściowa (klasyfikacja promptów).
- Kontrola wyjściowa (filtrowanie odpowiedzi).

Licencja Apache 2.0 dla otwartych modeli zezwala na użytek komercyjny; poszczególne platformy hostingowe mogą stawiać dodatkowe wymagania. Modele spełniają chińskie normy regulacyjne w obszarze AI (certyfikacja CAICT dla rozwiązań korporacyjnych).<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Official-3)</sup>

## Perspektywy i kierunki badań

Seria Yi demonstruje skuteczność podejścia stawiającego jakość danych ponad liczbę parametrów, a także lekkiego skalowania (continual pretraining, depth upscaling, optymalizacje MoE).<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-YiReport-1)</sup>

Po 2025 roku akcent 01.AI przesunął się na rozwiązania aplikacyjne:<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-Wikipedia-4)</sup>

- Systemy wieloagentowe i platforma korporacyjna WorldWise LLM Platform 2.5.
- Integracja zewnętrznych modeli (w tym DeepSeek) w korporacyjne workflow.
- Optymalizacja wnioskowania (kwantyzacja, FP8) w celu obniżenia kosztów wdrożenia.

Otwarte modele są nadal wykorzystywane przez społeczność do badań, fine-tuningu i destylacji.<sup>[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(PL)#cite_note-HFOrg-6)</sup>

## Literatura

- 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>

## Odnośniki

- <a href="https://github.com/01-ai/Yi" class="external free" rel="nofollow">https://github.com/01-ai/Yi</a> — Oficjalne repozytorium GitHub 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> — Repozytorium Yi-1.5
- <a href="https://www.01.ai/yi-models" class="external free" rel="nofollow">https://www.01.ai/yi-models</a> — Oficjalna strona modeli Yi
- <a href="https://huggingface.co/01-ai" class="external free" rel="nofollow">https://huggingface.co/01-ai</a> — Organizacja 01-ai na Hugging Face
- <a href="https://en.wikipedia.org/wiki/01.AI" class="external free" rel="nofollow">https://en.wikipedia.org/wiki/01.AI</a> — Artykuł Wikipedia o firmie 01.AI

## Przypisy

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