---
title: "Yi (01.AI) (TH)"
source: "https://systems-analysis.info/int/Yi_(01.AI)_(TH)"
wiki: "systems-analysis.info/int"
article: "Yi_(01.AI)_(TH)"
language: "th"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Thai"
revision_id: 8554
wiki_created_at: 2026-09-07T01:19:05Z
wiki_modified_at: 2026-09-07T01:19:05Z
downloaded_at: 2026-09-07T23:26:06Z
---

# Yi (01.AI) (TH)

**Yi** — ตระกูลโมเดลภาษาขนาดใหญ่ (Large Language Model, LLM) และโมเดลภาษา-ภาพ (Vision-Language Model, VLM) ที่พัฒนาโดยบริษัท 01.AI (零一万物) ภายใต้การนำของ Kai-Fu Lee โมเดลเหล่านี้ได้รับการฝึกจากศูนย์บนคลังข้อมูลสองภาษาคุณภาพสูง (ภาษาอังกฤษและภาษาจีน) ขนาด 3.1 ล้านล้าน token และมีตัวแปรสำหรับการสร้างข้อความ การประมวลผล context ขนาดยาว (สูงสุด 200,000 token) การรับข้อมูลหลายรูปแบบ (ข้อความ + ภาพ) การสร้างโค้ด และการประมวลผลอย่างมีประสิทธิภาพบนสถาปัตยกรรม Mixture-of-Experts (MoE) ตัวแปรแบบเปิดเผยเผยแพร่ภายใต้ลิขสิทธิ์ Apache 2.0 โดยอนุญาตให้ใช้งานเชิงพาณิชย์ ส่วนโมเดลเรือธงแบบปิด (Yi-Large, Yi-Lightning) เข้าถึงได้ผ่าน API<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-GitHub-2)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Official-3)</sup>

## ประวัติและลำดับเวลาการพัฒนา

บริษัท 01.AI ก่อตั้งขึ้นในเดือนมีนาคม 2023 โดย Kai-Fu Lee อดีตหัวหน้า Microsoft Research Asia และ Google China โดยมีสำนักงานใหญ่อยู่ที่กรุงปักกิ่ง จุดมุ่งเน้นของบริษัทคือการพัฒนา LLM ที่มีประสิทธิภาพโดยเน้นที่คุณภาพของข้อมูลและการปรับแต่งโครงสร้างพื้นฐานทางวิศวกรรม ภายในเดือนพฤศจิกายน 2023 บริษัท 01.AI ได้รับสถานะ "ยูนิคอร์น" (มูลค่าประเมินเกิน 1 พันล้านดอลลาร์) หลังจากรอบการระดมทุนที่มี Alibaba เข้าร่วม<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Wikipedia-4)[\[5\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Bloomberg-5)</sup>

### รุ่นแรก (2023–2024)

โมเดลแบบเปิดรุ่นแรก Yi-6B และ Yi-34B เปิดตัวเมื่อวันที่ 2 พฤศจิกายน 2023 ในช่วงหลายสัปดาห์ถัดมา ได้มีการเพิ่มตัวแปรที่รองรับ context 200,000 token (5 พฤศจิกายน 2023) ตัวแปรแบบแชทและโมเดลที่ผ่านการ quantize (23 พฤศจิกายน 2023) ในเดือนมกราคม 2024 มีการเปิดตัวโมเดลหลายรูปแบบ Yi-VL-6B และ Yi-VL-34B ในเดือนมีนาคม 2024 มีการนำเสนอโมเดล Yi-9B ซึ่งได้มาจากวิธี depth upscaling จาก Yi-6B และมีการเผยแพร่รายงานทางเทคนิค arXiv:2403.04652<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-GitHub-2)</sup>

### Yi-1.5 และโมเดลเฉพาะทาง (2024)

เมื่อวันที่ 13 พฤษภาคม 2024 มีการเปิดตัวซีรีส์ Yi-1.5 (6B/9B/34B) ซึ่งเป็นผลจากการ pre-training ต่อเนื่องบน token เพิ่มเติม 500 พันล้านรายการและการ fine-tuning บนตัวอย่างคำสั่ง 3 ล้านรายการ ในเดือนพฤษภาคม–มิถุนายน 2024 มีการนำเสนอโมเดล proprietary แบบปิด Yi-Large ที่เข้าถึงผ่าน API โดยวางตำแหน่งเป็น SOTA ในเดือนกันยายน 2024 มีการเปิดตัวซีรีส์เฉพาะทาง Yi-Coder (1.5B/9B) สำหรับการสร้างโค้ด ที่รองรับ context 128,000 token และภาษาโปรแกรม 52 ภาษา<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-HFOrg-6)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Yi15GitHub-7)</sup>

### Yi-Lightning (2024)

ในเดือนตุลาคม 2024 มีการเปิดตัวโมเดลเรือธง Yi-Lightning บนสถาปัตยกรรม Mixture-of-Experts (MoE) ที่ได้รับการปรับแต่งเพื่อความเร็วและประสิทธิภาพในการประมวลผล Yi-Lightning ขึ้นอันดับที่ 6 ในการจัดอันดับรวมของ LMSYS Chatbot Arena (Elo 1287) อันดับที่ 2 ในภาษาจีน และอันดับที่ 3–4 ในด้านคณิตศาสตร์และการเขียนโค้ด รายงานทางเทคนิคเผยแพร่ในเดือนธันวาคม 2024 (arXiv:2412.01253)<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-LightningReport-8)</sup>

### การเปลี่ยนแปลงกลยุทธ์ (2025)

ในเดือนมีนาคม 2025 บริษัท 01.AI ประกาศยุติการ pre-training โมเดลภาษาขนาดใหญ่รายการใหม่ และหันมามุ่งเน้นที่แอปพลิเคชันองค์กร ระบบหลายตัวแทน และแพลตฟอร์ม WorldWise LLM Platform 2.5 ที่ใช้โมเดลจากภายนอก (รวมถึง DeepSeek)<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Wikipedia-4)</sup>

### ลำดับเวลาโดยสรุป

| วันที่           | เหตุการณ์                                                       |
|---------------|---------------------------------------------------------------|
| พฤศจิกายน 2023 | เปิดตัว Yi-6B และ Yi-34B (base, chat, ตัวแปร 200K)               |
| มกราคม 2024   | Yi-VL-6B และ Yi-VL-34B แบบหลายรูปแบบ                           |
| มีนาคม 2024    | Yi-9B (depth-upscaled); เผยแพร่รายงานทางเทคนิค arXiv:2403.04652 |
| พฤษภาคม 2024  | Yi-1.5 (6B/9B/34B); Yi-Large (ปิด, API)                        |
| กันยายน 2024   | Yi-Coder-1.5B/9B (เชี่ยวชาญด้านโค้ด, context 128K)                |
| ตุลาคม 2024    | Yi-Lightning (สถาปัตยกรรม MoE, โมเดลเรือธง)                     |
| ธันวาคม 2024   | เผยแพร่รายงานทางเทคนิค Yi-Lightning (arXiv:2412.01253)          |
| มีนาคม 2025    | ยุติการ pre-training LLM ใหม่; มุ่งเน้นโซลูชันองค์กร                   |

## รากฐานทางทฤษฎีและสถาปัตยกรรม

### สถาปัตยกรรมพื้นฐาน

โมเดลทั้งหมดในตระกูล Yi อิงบนสถาปัตยกรรม decoder-only Transformer ตามที่อธิบายในงานของ Vaswani et al.<sup>[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Vaswani-9)</sup> โมเดลได้รับการฝึกจากศูนย์และไม่ได้เป็นอนุพันธ์จาก LLaMA แม้จะมีความคล้ายคลึงในการนำไปใช้งาน<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)</sup>

กลไก Multi-Head Self-Attention พื้นฐานอธิบายด้วยสูตร:

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

โดยที่ $Q$, $K$, $V$ คือเมทริกซ์ queries, keys และ values ตามลำดับ และ $d_{k}$ คือมิติของ keys<sup>[\[9\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Vaswani-9)</sup>

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

- **Grouped-Query Attention (GQA)** — การแบ่ง query-heads ออกเป็นกลุ่มที่ใช้ key/value-heads ร่วมกัน ซึ่งช่วยลดการใช้หน่วยความจำโดยไม่สูญเสียคุณภาพ
- **การกระตุ้น SwiGLU** — แทนที่ ReLU/GELU มาตรฐาน ช่วยลดขนาดของ activation เหลือ 8/3 ของ hidden size
- **Rotary Position Embedding (RoPE)** ที่มีการปรับความถี่ฐาน (adjusted base frequency, ABF) เพื่อขยาย context โดยไม่ต้องเปลี่ยนสถาปัตยกรรม
- **พจนานุกรม** (vocabulary): 64,000 token บน BPE (SentencePiece) พร้อมการแยกตัวเลขเป็นหลักและ unicode-byte fallback สำหรับอักขระที่หายาก

### การกำหนดค่าของโมเดลพื้นฐาน

พารามิเตอร์สถาปัตยกรรมจากรายงานทางเทคนิค arXiv:2403.04652:<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)</sup>

| พารามิเตอร์                                | Yi-6B  | Yi-34B   |
|------------------------------------------|--------|----------|
| Hidden Size                              | 4096   | 7168     |
| Query-heads                              | 32     | 56       |
| KV-heads                                 | 4      | 8        |
| จำนวนชั้น                                  | 32     | 60       |
| ความยาว pre-training (Pretrain Seq. Len) | 4096   | 4096     |
| อัตราการเรียนรู้สูงสุด (Max LR)                | 3×10⁻⁴ | 1.5×10⁻⁴ |

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

### สถาปัตยกรรม Yi-Lightning (MoE)

Yi-Lightning (2024) ใช้สถาปัตยกรรม Mixture-of-Experts (MoE) ที่ได้รับการปรับปรุงพร้อมคุณลักษณะดังต่อไปนี้:<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-LightningReport-8)</sup>

- **Fine-grained expert segmentation** — การแบ่ง FFN-blocks ออกเป็น expert อย่างละเอียดเพื่อเพิ่มความเชี่ยวชาญ
- **การปรับสมดุลโหลดหลายระดับ** — ผสมผสาน Switch-Transformer (ST), Expert Parallel (EP) และ Partitioned EP (PEP) losses เพื่อกระจาย token ระหว่าง expert อย่างสม่ำเสมอ
- **Hybrid attention** — สลับกัน 3 ชั้นที่มี sliding window และ 1 ชั้นที่มี full attention พร้อมการนำ KV-cache กลับมาใช้ซ้ำระหว่างชั้น
- **การลดหน่วยความจำ KV-cache** ลง 82.8% เมื่อเทียบกับแนวทางมาตรฐานในการประมวลผลลำดับยาว
- **หน้าต่าง context** ขยายเป็น 64,000 token

จำนวน expert ที่แน่นอนและพารามิเตอร์รวมทั้งหมดของ Yi-Lightning ยังไม่ได้รับการเปิดเผยในแหล่งข้อมูลสาธารณะ<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-LightningReport-8)</sup>

### ตัวแปรหลายรูปแบบ (Yi-VL)

ในโมเดลหลายรูปแบบ Yi-VL โมเดลภาษาจะเชื่อมต่อกับตัวเข้ารหัสภาพ CLIP ViT-H/14 ผ่าน MLP projection ภาพ $I$ ถูกแปลงโดยตัวเข้ารหัสภาพเป็นลำดับ embedding $\{ v_{1},\ldots,v_{K}\}$ ซึ่งป้อนเข้าสู่โมเดลภาษาร่วมกับ token ข้อความ การฝึกดำเนินการในสามขั้นตอนพร้อมการเพิ่มความละเอียด: 224×224 → 448×448 พิกเซล<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)</sup>

## Pipeline การฝึกและการปรับแนว

### การฝึกเบื้องต้น (Pre-training)

โมเดลพื้นฐาน Yi-6B และ Yi-34B ได้รับการ pre-train บนคลังข้อมูลสองภาษาขนาด 3.1 ล้านล้าน token ข้อมูลผ่าน pipeline การกรองและการลบซ้ำแบบต่อเนื่อง ได้แก่ ตัวกรองแบบ heuristic, scorer ที่ผ่านการฝึก (perplexity, quality, coherence, safety), การจัดกลุ่ม และการลบซ้ำด้วย MinHash แหล่งข้อมูล ได้แก่ Common Crawl, หนังสือ และบทความวิทยาศาสตร์<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)</sup>

สำหรับ Yi-1.5 มีการดำเนินการ pre-training ต่อเนื่อง (continued pre-training) บน token คุณภาพสูงเพิ่มเติม 500 พันล้านรายการ<sup>[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Yi15GitHub-7)</sup>

### การ fine-tuning แบบมีผู้ดูแล (Supervised Fine-Tuning, SFT)

ตัวแปรแชทของรุ่นแรกได้รับการ fine-tune บนชุดข้อมูลขนาดเล็กแต่ผ่านการตรวจสอบอย่างละเอียด — น้อยกว่า 10,000 ตัวอย่างแบบหลายรอบ (multi-turn) โดยแต่ละรายการได้รับการตรวจสอบและแก้ไขด้วยตนเองโดยวิศวกร ML สำหรับ Yi-1.5 ปริมาณข้อมูล SFT เพิ่มขึ้นเป็น 3 ล้านตัวอย่าง<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)[\[7\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Yi15GitHub-7)</sup>

### การปรับแนวด้วย Reinforcement Learning

สำหรับ Yi-Lightning มีการใช้กระบวนการปรับแนวหลายขั้นตอน: SFT ตามด้วย RLHF/DPO ข้อมูลสังเคราะห์สร้างขึ้นโดยใช้ Monte Carlo Tree Search (MCTS) กรอบความปลอดภัย RAISE ใช้การป้องกันสี่ระดับ: การกรองข้อมูล pre-training, safety fine-tuning, การควบคุม prompt ขาเข้า และการควบคุมการตอบสนองขาออก<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-LightningReport-8)</sup>

### การขยาย context

การขยายหน้าต่าง context เป็น 200,000 token ดำเนินการผ่าน pre-training ต่อเนื่องแบบเบาบางบน 5 พันล้าน token (หนังสือ + คำถาม-คำตอบสังเคราะห์) โดยใช้เทคนิค RoPE ABF หลังการปรับแต่ง ความแม่นยำในงาน Needle-in-a-Haystack (การค้นหาส่วนข้อความเป้าหมายในข้อความยาว) ถึง 99.8%<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-GitHub-2)</sup>

### Depth Upscaling

Yi-9B ได้มาจากการทำซ้ำชั้นที่ 12–28 ของโมเดลพื้นฐาน Yi-6B แล้วดำเนินการ pre-train บน 800 พันล้าน token วิธีนี้ช่วยเพิ่มความจุของโมเดลโดยไม่ต้องฝึกจากศูนย์<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)</sup>

## ส่วนประกอบของตระกูลโมเดล

### โมเดลภาษาหลัก

| โมเดล                    | พารามิเตอร์                                | ประเภท      | Context           | วันที่เปิดตัว      | ลิขสิทธิ์      | หมายเหตุ                                   |
|--------------------------|------------------------------------------|-------------|-------------------|---------------|------------|-------------------------------------------|
| Yi-6B / Yi-34B           | 6 พันล้าน / 34 พันล้าน                       | Base / Chat | 4K (ขยายเป็น 32K)  | พฤศจิกายน 2023 | Apache 2.0 | โมเดลพื้นฐานที่ฝึกจากศูนย์                       |
| Yi-6B-200K / Yi-34B-200K | 6 พันล้าน / 34 พันล้าน                       | Base        | 200K              | พฤศจิกายน 2023 | Apache 2.0 | Pre-training ต่อเนื่องบนลำดับยาว              |
| Yi-9B                    | 9 พันล้าน                                  | Base        | 4K (ขยายเป็น 200K) | มีนาคม 2024    | Apache 2.0 | Depth-upscale จาก Yi-6B + 800 พันล้าน token |
| Yi-1.5-6B/9B/34B         | 6 / 9 / 34 พันล้าน                         | Base / Chat | 4K / 16K / 32K    | พฤษภาคม 2024  | Apache 2.0 | +500 พันล้าน token + ตัวอย่าง SFT 3 ล้านรายการ |
| Yi-Large                 | ~1 ล้านล้าน (MoE, จำนวน active ไม่ได้เปิดเผย) | LLM         | ไม่ได้เปิดเผย        | พฤษภาคม 2024  | ปิด (API)   | วางตำแหน่งเป็น SOTA                         |
| Yi-Lightning             | MoE (จำนวน expert ไม่ได้เปิดเผย)            | LLM         | 64K               | ตุลาคม 2024    | API        | อันดับที่ 6 ของ LMSYS Chatbot Arena           |

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

### โมเดลเฉพาะทาง

| โมเดล                       | พารามิเตอร์     | รูปแบบข้อมูล              | Context       | วันที่เปิดตัว    | หมายเหตุ                                     |
|-----------------------------|---------------|------------------------|---------------|-------------|---------------------------------------------|
| Yi-VL-6B / Yi-VL-34B        | 6 / 34 พันล้าน  | ข้อความ + ภาพ (448×448) | ตามโมเดลพื้นฐาน | มกราคม 2024 | ตัวเข้ารหัส ViT (CLIP ViT-H/14), การฝึกสามขั้นตอน |
| Yi-Coder-1.5B / Yi-Coder-9B | 1.5 / 9 พันล้าน | ข้อความ (โค้ด)           | 128K          | กันยายน 2024 | รองรับ 52 ภาษาโปรแกรม                        |

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

### ตัวระบุ API

ตัวอย่างบนแพลตฟอร์ม 01.AI และผู้ให้บริการภายนอก: `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)_(TH)#cite_note-HFOrg-6)[\[10\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Fireworks-10)[\[11\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Replicate-11)</sup>

## การประเมินและ benchmark

### ผลลัพธ์ของโมเดลพื้นฐาน

ข้อมูลจากรายงานทางเทคนิค arXiv:2403.04652 (เงื่อนไข: 0-shot / 5-shot ขึ้นอยู่กับ benchmark):<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#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    |

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

Yi-34B แสดงผลลัพธ์ที่เหนือกว่า Llama 2-70B (ขณะที่มีขนาดเล็กกว่าสองเท่า) ในส่วนใหญ่ของ benchmark และเป็นผู้นำในกลุ่มโมเดลแบบเปิดบน C-Eval และ CMMLU ณ เวลาที่เปิดตัว<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-OpenLab-12)</sup>

### ผลลัพธ์ของ Yi-Lightning

ข้อมูลจากรายงานทางเทคนิค arXiv:2412.01253 (เงื่อนไข: 0-shot เว้นแต่จะระบุไว้เป็นอย่างอื่น):<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#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          |

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

### การจัดอันดับโดยผู้ใช้

Yi-34B-Chat ครองอันดับที่ 2 บน AlpacaEval (94.08% รองจาก GPT-4 Turbo) ในช่วงเดือนธันวาคม 2023 – มกราคม 2024 โดยมีคะแนน Elo ~1110 บน LMSYS Chatbot Arena Yi-34B เป็นผู้นำในกลุ่มโมเดลแบบเปิดบน Hugging Face Open LLM Leaderboard และ C-Eval ณ เวลาที่เปิดตัว<sup>[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-GitHub-2)[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)</sup>

Yi-Lightning ครองอันดับที่ 6 โดยรวมบน LMSYS Chatbot Arena (คะแนน 1287) อันดับที่ 2 ในภาษาจีน และอันดับที่ 3–4 ในหมวดย่อย "คณิตศาสตร์", "การเขียนโค้ด", "hard prompts" และ "multi-turn" ณ เวลาที่เผยแพร่รายงาน<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-LightningReport-8)</sup>

**หมายเหตุ:** การเปรียบเทียบโดยตรงระหว่างโมเดลจากการเปิดตัวและการกำหนดค่าที่แตกต่างกันต้องการเงื่อนไขการทดสอบที่สอดคล้องกัน (เวอร์ชัน benchmark เดียวกัน, พารามิเตอร์การสร้างที่เหมือนกัน) การประเมินแบบอัตวิสัยบนแพลตฟอร์ม crowdsourcing ขึ้นอยู่กับองค์ประกอบของผู้เข้าร่วมและชุดโมเดลปัจจุบันในระบบ<sup>[\[12\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-OpenLab-12)</sup>

## การประยุกต์ใช้งาน

ตระกูล Yi ถูกนำไปใช้งานในงานประมวลผลภาษาธรรมชาติและการวิเคราะห์หลายรูปแบบที่หลากหลาย:<sup>[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Official-3)[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Lablab-13)</sup>

- **ผู้ช่วยแชทและระบบสนทนา** — บนพื้นฐานของตัวแปรแชท Yi-34B-Chat และ Yi-1.5
- **การสร้างและวิเคราะห์โค้ด** — Yi-Coder รองรับ 52 ภาษาโปรแกรม
- **การวิเคราะห์เอกสารยาว** — ตัวแปรที่มี context 200K สำหรับงานด้านกฎหมาย เทคนิค และการวิเคราะห์
- **การวิเคราะห์หลายรูปแบบ** — การอธิบายภาพและการตอบคำถามด้วยภาพผ่าน Yi-VL
- **ตัวแทนองค์กร** — ระบบ RAG, การค้นหาความรู้ และการจำแนกข้อมูลผ่านแพลตฟอร์ม 01.AI
- **การนำไปใช้งานในเครื่อง** — ผ่าน vLLM, llama.cpp, Hugging Face Transformers; เวอร์ชัน quantize (AWQ/GPTQ 4/8-bit) พร้อมใช้งานสำหรับการนำไปใช้บน GPU สำหรับผู้บริโภค (เช่น RTX 4090 สำหรับ Yi-34B-4bit)

ตัวแปร API (Yi-Large, Yi-Lightning) ใช้สำหรับ chatbot, บริการหลายภาษา และ low-cost inference ต้นทุน inference ของ Yi-Lightning อยู่ที่ 14 เซนต์ต่อล้าน token ณ ปี 2024<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-LightningReport-8)</sup>

## ข้อจำกัดและปัญหาที่ยังเปิดอยู่

- **การสร้างข้อมูลเท็จ (Hallucination)** โมเดลมีแนวโน้มเกิดข้อผิดพลาดทางข้อเท็จจริงในการตอบสนองที่สร้างขึ้น ซึ่งเป็นลักษณะทั่วไปของ LLM โดยเฉพาะในการให้เหตุผลที่ซับซ้อนและห่วงโซ่การอนุมานยาว<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)</sup>
- **คณิตศาสตร์และโค้ดในเวอร์ชันแรก** โมเดลพื้นฐาน Yi-34B แสดงผลลัพธ์ที่อ่อนแอกว่าในด้านการเขียนโค้ดที่ซับซ้อนและคณิตศาสตร์เมื่อเทียบกับโมเดล frontier เฉพาะทาง (เช่น MATH Yi-34B แบบ 4-shot — 14.4) ปัญหานี้ได้รับการแก้ไขบางส่วนใน Yi-1.5 และ Yi-Lightning<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-LightningReport-8)</sup>
- **Context ยาว** การขยายเป็น 200K ต้องการ pre-training เพิ่มเติมและทรัพยากรการคำนวณ อาจเกิดการลดประสิทธิภาพเล็กน้อยบน context สั้น<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)</sup>
- **โมเดลแบบปิด** Yi-Large และ Yi-Lightning ไม่ให้น้ำหนักสำหรับดาวน์โหลด ซึ่งจำกัดการตรวจสอบสถาปัตยกรรมและข้อมูลโดยอิสระ<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-LightningReport-8)</sup>
- **ช่องว่างระหว่าง Arena และ benchmark** Yi-Lightning แสดงผลลัพธ์ที่แข็งแกร่งในการประเมินโดยผู้ใช้ (Chatbot Arena) แต่ล้าหลังคู่แข่งบางรายใน benchmark วิชาการแบบคงที่ — สะท้อนปัญหาทั่วไปของความไม่สอดคล้องของเมตริก<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-LightningReport-8)</sup>
- **ความสามารถในการทำซ้ำ** รายละเอียดการฝึกทั้งหมด (องค์ประกอบ dataset ที่แน่นอน, การกระจายโดเมน, hyperparameter) ยังไม่ได้รับการเปิดเผยอย่างครบถ้วน<sup>[\[13\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Lablab-13)</sup>
- **ความไวต่อ prompt** เช่นเดียวกับ LLM อื่นๆ โมเดล Yi มีความไวต่อการกำหนดสูตรของ prompt ซึ่งส่งผลต่อความเสถียรของผลลัพธ์<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)</sup>

ไม่มีการบันทึกการถดถอยที่รุนแรงที่ทราบหลังการเปิดตัว ชุมชนสังเกตเห็นความเสถียรของเวอร์ชัน quantize<sup>[\[2\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-GitHub-2)</sup>

## ด้านจริยธรรมและกฎระเบียบ

Yi-Lightning ได้นำกรอบความปลอดภัย RAISE มาใช้ ซึ่งมีการป้องกันสี่ระดับ:<sup>[\[8\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-LightningReport-8)</sup>

- การกรองเนื้อหาที่เป็นพิษ, PII และวัสดุที่เป็นอันตรายในขั้นตอน pre-training
- Safety fine-tuning พร้อมตัวอย่างการจัดการคำขอที่ละเอียดอ่อนอย่างถูกต้อง
- การควบคุมขาเข้า (การจำแนก prompt)
- การควบคุมขาออก (การกรองการตอบสนอง)

ลิขสิทธิ์ Apache 2.0 สำหรับโมเดลแบบเปิดอนุญาตให้ใช้งานเชิงพาณิชย์ ผู้ให้บริการโฮสต์แต่ละรายอาจมีข้อกำหนดเพิ่มเติม โมเดลเป็นไปตามกฎระเบียบด้าน AI ของจีน (การรับรอง CAICT สำหรับโซลูชันองค์กร)<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)[\[3\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Official-3)</sup>

## แนวโน้มและทิศทางการวิจัย

ซีรีส์ Yi แสดงให้เห็นถึงประสิทธิภาพของแนวทางที่ให้ความสำคัญกับคุณภาพข้อมูลมากกว่าจำนวนพารามิเตอร์ รวมถึงการขยายขนาดแบบเบา (continual pretraining, depth upscaling, การปรับแต่ง MoE)<sup>[\[1\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-YiReport-1)</sup>

หลังปี 2025 บริษัท 01.AI ได้เปลี่ยนความสนใจไปที่โซลูชันประยุกต์:<sup>[\[4\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-Wikipedia-4)</sup>

- ระบบหลายตัวแทนและแพลตฟอร์มองค์กร WorldWise LLM Platform 2.5
- การผสานรวมโมเดลจากภายนอก (รวมถึง DeepSeek) เข้าสู่ workflow องค์กร
- การปรับแต่ง inference (การ quantize, FP8) เพื่อลดต้นทุนการนำไปใช้งาน

โมเดลแบบเปิดยังคงถูกใช้โดยชุมชนเพื่อการวิจัย, fine-tuning และ distillation<sup>[\[6\]](https://systems-analysis.info/int/Yi_(01.AI)_(TH)#cite_note-HFOrg-6)</sup>

## เอกสารอ้างอิง

- 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>

## ลิงก์ภายนอก

- <a href="https://github.com/01-ai/Yi" class="external free" rel="nofollow">https://github.com/01-ai/Yi</a> — คลัง GitHub อย่างเป็นทางการของ 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> — คลัง Yi-1.5
- <a href="https://www.01.ai/yi-models" class="external free" rel="nofollow">https://www.01.ai/yi-models</a> — หน้าโมเดล Yi อย่างเป็นทางการ
- <a href="https://huggingface.co/01-ai" class="external free" rel="nofollow">https://huggingface.co/01-ai</a> — องค์กร 01-ai บน Hugging Face
- <a href="https://en.wikipedia.org/wiki/01.AI" class="external free" rel="nofollow">https://en.wikipedia.org/wiki/01.AI</a> — บทความ Wikipedia เกี่ยวกับบริษัท 01.AI

## หมายเหตุ

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