---
title: "Yi (01.AI)"
source: "https://systems-analysis.info/wiki/Yi_(01.AI)"
wiki: "systems-analysis.info/wiki"
article: "Yi_(01.AI)"
language: "ru"
categories:
- "Категория:Russian"
- "Категория:Большие языковые модели"
- "Категория:Машинное обучение"
revision_id: 203
wiki_created_at: 2026-09-06T22:05:21Z
wiki_modified_at: 2026-09-06T22:05:21Z
downloaded_at: 2026-09-07T22:18:18Z
---
# Yi (01.AI)
**Yi** — семейство [больших языковых моделей](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели") (Large Language Model, LLM) и визуально-языковых моделей (Vision-Language Model, VLM), разработанное компанией 01.AI (零一万物) под руководством Кай-Фу Ли (Kai-Fu Lee). Модели обучены с нуля на высококачественном билингвальном корпусе (английский и китайский языки) объёмом 3,1 трлн [токенов](https://systems-analysis.info/wiki/%D0%A2%D0%BE%D0%BA%D0%B5%D0%BD "Токен") и включают варианты для генерации текста, обработки длинного контекста (до 200 тыс. токенов), мультимодального ввода (текст + изображения), кодогенерации и эффективного вывода на основе архитектуры Mixture-of-Experts (MoE). Открытые варианты распространяются под лицензией Apache 2.0 с разрешением коммерческого использования; закрытые флагманские модели (Yi-Large, Yi-Lightning) доступны через API.[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-GitHub-2)[\[3\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Official-3)
## История и хронология развития
Компания 01.AI основана в марте 2023 года Кай-Фу Ли, бывшим руководителем Microsoft Research Asia и Google China, со штаб-квартирой в Пекине. Фокус компании — разработка эффективных LLM с акцентом на качество данных и инженерную оптимизацию инфраструктуры. К ноябрю 2023 года 01.AI достигла статуса «единорога» (оценка свыше 1 млрд долларов) после раунда финансирования с участием Alibaba.[\[4\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Wikipedia-4)[\[5\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Bloomberg-5)
### Первое поколение (2023–2024)
Первые открытые модели Yi-6B и Yi-34B были представлены 2 ноября 2023 года. В течение последующих недель линейка была дополнена вариантами с контекстом 200 тыс. токенов (5 ноября 2023), чат-вариантами и квантованными моделями (23 ноября 2023). В январе 2024 года вышли мультимодальные Yi-VL-6B и Yi-VL-34B. В марте 2024 года представлена модель Yi-9B, полученная методом глубинного масштабирования (depth upscaling) из Yi-6B, и опубликован технический отчёт arXiv:2403.04652.[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-GitHub-2)
### Yi-1.5 и специализированные модели (2024)
13 мая 2024 года выпущена серия Yi-1.5 (6B/9B/34B) — результат непрерывного предобучения на дополнительных 500 млрд токенов и дообучения на 3 млн примеров инструкций. В мае–июне 2024 года представлена закрытая проприетарная модель Yi-Large с API-доступом, позиционируемая как SOTA. В сентябре 2024 года вышла специализированная серия Yi-Coder (1.5B/9B) для кодогенерации с контекстом 128 тыс. токенов и поддержкой 52 языков программирования.[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)[\[6\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-HFOrg-6)[\[7\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Yi15GitHub-7)
### Yi-Lightning (2024)
В октябре 2024 года представлена флагманская модель Yi-Lightning на основе архитектуры Mixture-of-Experts (MoE), оптимизированная для скорости и эффективности вывода. Yi-Lightning заняла 6-е место в общем рейтинге LMSYS Chatbot Arena (Elo 1287), 2-е место по китайскому языку и 3–4-е место по математике и кодированию. Технический отчёт опубликован в декабре 2024 года (arXiv:2412.01253).[\[8\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-LightningReport-8)
### Смена стратегии (2025)
В марте 2025 года компания 01.AI объявила о прекращении [предобучения](https://systems-analysis.info/wiki/%D0%9F%D1%80%D0%B5%D0%B4%D0%BE%D0%B1%D1%83%D1%87%D0%B5%D0%BD%D0%B8%D0%B5 "Предобучение") новых крупных языковых моделей и сосредоточилась на корпоративных приложениях, многоагентных системах и платформе WorldWise LLM Platform 2.5 на базе сторонних моделей (включая [DeepSeek](https://systems-analysis.info/wiki/DeepSeek "DeepSeek")).[\[4\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Wikipedia-4)
### Сводная хронология
| Дата | Событие |
|---------------|-------------------------------------------------------------------------|
| Ноябрь 2023 | Релиз Yi-6B и Yi-34B (base, chat, 200K-варианты) |
| Январь 2024 | Мультимодальные Yi-VL-6B и Yi-VL-34B |
| Март 2024 | Yi-9B (depth-upscaled); публикация технического отчёта arXiv:2403.04652 |
| Май 2024 | Yi-1.5 (6B/9B/34B); Yi-Large (закрытая, API) |
| Сентябрь 2024 | Yi-Coder-1.5B/9B (специализация на коде, контекст 128K) |
| Октябрь 2024 | Yi-Lightning (MoE-архитектура, флагманская модель) |
| Декабрь 2024 | Публикация технического отчёта Yi-Lightning (arXiv:2412.01253) |
| Март 2025 | Прекращение предобучения новых LLM; фокус на корпоративных решениях |
## Теоретические основы и архитектура
### Базовая архитектура
Все модели семейства Yi основаны на архитектуре декодерного [трансформера](https://systems-analysis.info/wiki/%D0%90%D1%80%D1%85%D0%B8%D1%82%D0%B5%D0%BA%D1%82%D1%83%D1%80%D0%B0_Transformer "Архитектура Transformer") (decoder-only Transformer), описанной в работе Vaswani et al.[\[9\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Vaswani-9) Модели обучены с нуля и не являются производными от [LLaMA](https://systems-analysis.info/wiki/LLaMA "LLaMA"), несмотря на сходство реализации.[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)
Базовый механизм многоголового самовнимания (Multi-Head Self-Attention) описывается формулой:
$\operatorname{Attention}(Q,K,V) = \operatorname{softmax}\!\left( \frac{QK^{\top}}{\sqrt{d_{k}}} \right)V$
где $Q$, $K$, $V$ — матрицы запросов (queries), ключей (keys) и значений (values) соответственно, $d_{k}$ — размерность ключей.[\[9\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Vaswani-9)
Ключевые архитектурные модификации Yi:[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)
- **Grouped-Query Attention (GQA)** — разделение query-голов на группы с общими key/value-головами, что снижает потребление памяти при сохранении качества.
- **SwiGLU-активация** — замена стандартной ReLU/GELU; уменьшает размер активаций до 8/3 от размерности скрытого слоя (hidden size).
- **Rotary Position Embedding (RoPE)** с адаптированной базовой частотой (adjusted base frequency, ABF), обеспечивающей расширение контекста без архитектурных изменений.
- **Словарь** (vocabulary): 64 000 токенов на основе BPE (SentencePiece) с разделением чисел на цифры и unicode-byte fallback для редких символов.
### Конфигурации базовых моделей
Параметры архитектуры из технического отчёта arXiv:2403.04652:[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)
| Параметр | Yi-6B | Yi-34B |
|----------------------------------------|--------|----------|
| Hidden Size | 4096 | 7168 |
| Query-heads | 32 | 56 |
| KV-heads | 4 | 8 |
| Число слоёв | 32 | 60 |
| Длина предобучения (Pretrain Seq. Len) | 4096 | 4096 |
| Макс. скорость обучения (Max LR) | 3×10⁻⁴ | 1,5×10⁻⁴ |
*Источник: arXiv:2403.04652, таблица параметров.*[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)
### Архитектура Yi-Lightning (MoE)
Yi-Lightning (2024) использует улучшенную архитектуру [Mixture-of-Experts](https://systems-analysis.info/wiki/Mixture-of-Experts_(MoE) "Mixture-of-Experts (MoE)") (MoE) со следующими особенностями:[\[8\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-LightningReport-8)
- **Fine-grained expert segmentation** — мелкогранулярное разделение FFN-блоков на экспертов для повышения специализации.
- **Многоуровневая балансировка нагрузки** — комбинация Switch-Transformer (ST), Expert Parallel (EP) и Partitioned EP (PEP) losses для равномерного распределения токенов между экспертами.
- **Гибридное внимание** — чередование 3 слоёв со скользящим окном (sliding window) и 1 слоя с полным вниманием (full attention), с повторным использованием KV-кэша между слоями.
- **Снижение памяти KV-кэша** на 82,8 % по сравнению со стандартным подходом при обработке длинных последовательностей.
- **Контекстное окно** расширено до 64 тыс. токенов.
Точное число экспертов и общее количество параметров Yi-Lightning в публичных источниках не раскрыто.[\[8\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-LightningReport-8)
### Мультимодальные варианты (Yi-VL)
В мультимодальных моделях Yi-VL языковая модель соединяется с визуальным энкодером CLIP ViT-H/14 через MLP-проекцию. Изображение $I$ преобразуется визуальным энкодером в последовательность эмбеддингов $\{ v_{1},\ldots,v_{K}\}$, которые подаются в языковую модель совместно с текстовыми токенами. Обучение проходит в три стадии с увеличением разрешения: 224×224 → 448×448 пикселей.[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)
## Пайплайн обучения и выравнивание
### Предварительное обучение (Pre-training)
Базовые модели Yi-6B и Yi-34B предобучены на билингвальном корпусе объёмом 3,1 трлн токенов. Данные проходят каскадный пайплайн фильтрации и дедупликации: эвристические фильтры, обученные скореры (perplexity, quality, coherence, safety), кластеризация и MinHash-дедупликация. Источники — Common Crawl, книги и научные статьи.[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)
Для Yi-1.5 выполнено непрерывное предобучение (continued pre-training) на дополнительных 500 млрд токенов высококачественного корпуса.[\[7\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Yi15GitHub-7)
### Контролируемое дообучение (Supervised Fine-Tuning, SFT)
Чат-варианты первого поколения дообучены на малом, но тщательно выверенном наборе — менее 10 тыс. многооборотных (multi-turn) примеров, каждый из которых вручную проверен и отредактирован инженерами машинного обучения. Для Yi-1.5 объём SFT-данных увеличен до 3 млн примеров.[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)[\[7\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Yi15GitHub-7)
### Выравнивание с помощью обучения с подкреплением
Для Yi-Lightning применяется многоэтапный процесс выравнивания: SFT с последующим RLHF/DPO. Синтетические данные генерируются с использованием Monte Carlo Tree Search (MCTS). Фреймворк безопасности RAISE реализует четырёхуровневую защиту: фильтрация данных предобучения, safety fine-tuning, входной контроль промптов и выходной контроль ответов.[\[8\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-LightningReport-8)
### Расширение контекста
Расширение контекстного окна до 200 тыс. токенов реализовано через лёгкое непрерывное предобучение на 5 млрд токенов (книги + синтетические вопрос-ответ) с использованием техники RoPE ABF. После доработки точность в задаче Needle-in-a-Haystack (поиск целевого фрагмента в длинном тексте) достигает 99,8 %.[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-GitHub-2)
### Глубинное масштабирование (Depth Upscaling)
Yi-9B получена путём дублирования слоёв 12–28 базовой модели Yi-6B с последующим предобучением на 800 млрд токенов. Метод обеспечивает увеличение ёмкости модели без обучения с нуля.[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)
## Состав семейства моделей
### Основные языковые модели
| Модель | Параметры | Тип | Контекст | Дата релиза | Лицензия | Примечание |
|--------------------------|-------------------------------------|-------------|--------------------|--------------|----------------|---------------------------------------------------------|
| Yi-6B / Yi-34B | 6 млрд / 34 млрд | Base / Chat | 4K (расш. до 32K) | Ноябрь 2023 | Apache 2.0 | Базовые модели, обученные с нуля |
| Yi-6B-200K / Yi-34B-200K | 6 млрд / 34 млрд | Base | 200K | Ноябрь 2023 | Apache 2.0 | Непрерывное предобучение на длинных последовательностях |
| Yi-9B | 9 млрд | Base | 4K (расш. до 200K) | Март 2024 | Apache 2.0 | Depth-upscale из Yi-6B + 800 млрд токенов |
| Yi-1.5-6B/9B/34B | 6 / 9 / 34 млрд | Base / Chat | 4K / 16K / 32K | Май 2024 | Apache 2.0 | +500 млрд токенов + 3 млн SFT-примеров |
| Yi-Large | ~1 трлн (MoE, активных не раскрыто) | LLM | Не раскрыт | Май 2024 | Закрытая (API) | Позиционируется как SOTA |
| Yi-Lightning | MoE (число экспертов не раскрыто) | LLM | 64K | Октябрь 2024 | API | 6-е место LMSYS Chatbot Arena |
*Источники: arXiv:2403.04652; arXiv:2412.01253; GitHub 01-ai/Yi.*[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-LightningReport-8)[\[2\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-GitHub-2)
### Специализированные модели
| Модель | Параметры | Модальности | Контекст | Дата релиза | Примечание |
|-----------------------------|--------------|-------------------------------|----------------------------|---------------|-----------------------------------------------------|
| Yi-VL-6B / Yi-VL-34B | 6 / 34 млрд | Текст + изображения (448×448) | Стандартный базовой модели | Январь 2024 | ViT-энкодер (CLIP ViT-H/14), трёхстадийное обучение |
| Yi-Coder-1.5B / Yi-Coder-9B | 1,5 / 9 млрд | Текст (код) | 128K | Сентябрь 2024 | 52 языка программирования |
*Источники: arXiv:2403.04652; GitHub 01-ai/Yi.*[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)[\[2\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-GitHub-2)
### Идентификаторы API
Примеры на платформе 01.AI и сторонних провайдерах: `yi-large`, `yi-lightning`, `yi-34b-chat`, `01-ai/Yi-1.5-34B-Chat` (Hugging Face), `yi-34b` (Fireworks AI, Replicate).[\[6\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-HFOrg-6)[\[10\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Fireworks-10)[\[11\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Replicate-11)
## Оценка и бенчмарки
### Результаты базовых моделей
Данные из технического отчёта arXiv:2403.04652 (условия: 0-shot / 5-shot, в зависимости от бенчмарка):[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)
| Бенчмарк | 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 |
*Источник: arXiv:2403.04652, таблицы результатов.*[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)
Yi-34B продемонстрировала результаты, превосходящие Llama 2-70B (при вдвое меньшем размере) на большинстве бенчмарков и лидирующие среди открытых моделей на C-Eval и CMMLU на момент релиза.[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)[\[12\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-OpenLab-12)
### Результаты Yi-Lightning
Данные из технического отчёта arXiv:2412.01253 (условия: 0-shot, где не указано иное):[\[8\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-LightningReport-8)
| Бенчмарк | 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 |
*Источник: arXiv:2412.01253.*[\[8\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-LightningReport-8)
### Пользовательские рейтинги
Yi-34B-Chat занимала 2-е место на AlpacaEval (94,08 %, после GPT-4 Turbo) в декабре 2023 — январе 2024 года, с рейтингом Elo ~1110 на LMSYS Chatbot Arena. Yi-34B лидировала среди открытых моделей на Hugging Face Open LLM Leaderboard и C-Eval на момент релиза.[\[2\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-GitHub-2)[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)
Yi-Lightning заняла 6-е общее место на LMSYS Chatbot Arena (score 1287), 2-е место по китайскому языку и 3–4-е места в подкатегориях «математика», «кодирование», «hard prompts» и «multi-turn» на момент публикации отчёта.[\[8\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-LightningReport-8)
**Примечание.** Прямое сравнение моделей из разных релизов и конфигураций требует единообразных условий тестирования (одни и те же версии бенчмарков, одинаковые параметры генерации). Субъективные оценки на краудсорсинговых платформах зависят от состава участников и текущего набора моделей в системе.[\[12\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-OpenLab-12)
## Применение
Семейство Yi применяется в широком диапазоне задач обработки естественного языка и мультимодального анализа:[\[3\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Official-3)[\[13\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Lablab-13)
- **Чат-ассистенты и диалоговые системы** — на базе чат-вариантов Yi-34B-Chat и Yi-1.5.
- **Генерация и анализ кода** — Yi-Coder поддерживает 52 языка программирования.
- **Анализ длинных документов** — варианты с контекстом 200K для юридических, технических и аналитических задач.
- **Мультимодальный анализ** — описание изображений и визуальный вопрос-ответ через Yi-VL.
- **Корпоративные агенты** — RAG-системы, поиск знаний и классификация данных через платформу 01.AI.
- **Локальное развёртывание** — через vLLM, llama.cpp, Hugging Face Transformers; квантованные версии (AWQ/GPTQ 4/8-bit) доступны для развёртывания на потребительских GPU (например, RTX 4090 для Yi-34B-4bit).
API-варианты (Yi-Large, Yi-Lightning) используются для чат-ботов, мультиязычных сервисов и low-cost inference. Стоимость инференса Yi-Lightning составляла 14 центов за миллион токенов по состоянию на 2024 год.[\[8\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-LightningReport-8)
## Ограничения и открытые проблемы
- **Галлюцинации.** Модели подвержены типичным для LLM фактическим ошибкам в генерируемых ответах, особенно в сложных рассуждениях и длинных цепочках вывода.[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)
- **Математика и код в ранних версиях.** Базовые модели Yi-34B показывают более слабые результаты в сложном кодировании и математике по сравнению со специализированными frontier-моделями (например, MATH Yi-34B в 4-shot — 14,4). Эта проблема частично решена в Yi-1.5 и Yi-Lightning.[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)[\[8\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-LightningReport-8)
- **Длинный контекст.** Расширение до 200K требует дополнительного предобучения и вычислительных ресурсов; возможна незначительная деградация производительности на коротком контексте.[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)
- **Закрытые модели.** Yi-Large и Yi-Lightning не предоставляют весов для скачивания, что ограничивает независимую верификацию архитектуры и данных.[\[8\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-LightningReport-8)
- **Разрыв между Arena и бенчмарками.** Yi-Lightning демонстрирует сильные результаты в пользовательских оценках (Chatbot Arena), но отстаёт от некоторых конкурентов на статических академических бенчмарках — отражение общей проблемы несоответствия метрик.[\[8\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-LightningReport-8)
- **Воспроизводимость.** Не все детали обучения (точный состав датасета, распределение доменов, гиперпараметры) полностью раскрыты.[\[13\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Lablab-13)
- **Чувствительность к промптам.** Как и другие LLM, модели Yi чувствительны к формулировке промпта, что влияет на стабильность выводов.[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)
Известных серьёзных регрессий после релизов не зафиксировано; сообщество отмечает стабильность квантованных версий.[\[2\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-GitHub-2)
## Этические и регуляторные аспекты
В Yi-Lightning внедрён фреймворк безопасности RAISE, реализующий четырёхуровневую защиту:[\[8\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-LightningReport-8)
- Фильтрация токсичного контента, PII и вредоносных материалов на этапе предобучения.
- Safety [fine-tuning](https://systems-analysis.info/wiki/Fine-tuning "Fine-tuning") с примерами корректной обработки чувствительных запросов.
- Входной контроль (классификация промптов).
- Выходной контроль (фильтрация ответов).
Лицензия Apache 2.0 для открытых моделей разрешает коммерческое использование; отдельные хостинги могут предъявлять дополнительные требования. Модели соответствуют китайским регуляторным нормам в области ИИ (сертификация CAICT для корпоративных решений).[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)[\[3\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Official-3)
## Перспективы и направления исследований
Серия Yi демонстрирует эффективность подхода, ставящего качество данных выше объёма параметров, а также лёгкого масштабирования (continual pretraining, depth upscaling, MoE-оптимизации).[\[1\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-YiReport-1)
После 2025 года акцент 01.AI сместился на прикладные решения:[\[4\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-Wikipedia-4)
- Многоагентные системы и enterprise-платформа WorldWise LLM Platform 2.5.
- Интеграция сторонних моделей (включая DeepSeek) в корпоративные workflow.
- Оптимизация инференса (квантование, FP8) для снижения стоимости развёртывания.
Открытые модели продолжают использоваться сообществом для исследований, fine-tuning и дистилляции.[\[6\]](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_note-HFOrg-6)
## См. также
- [Mixture-of-Experts (MoE)](https://systems-analysis.info/wiki/Mixture-of-Experts_(MoE) "Mixture-of-Experts (MoE)")
- [Архитектура Transformer](https://systems-analysis.info/wiki/%D0%90%D1%80%D1%85%D0%B8%D1%82%D0%B5%D0%BA%D1%82%D1%83%D1%80%D0%B0_Transformer "Архитектура Transformer")
- [GLM (Zhipu AI)](https://systems-analysis.info/wiki/GLM_(Zhipu_AI) "GLM (Zhipu AI)")
- [Kimi (Moonshot AI)](https://systems-analysis.info/wiki/Kimi_(Moonshot_AI) "Kimi (Moonshot AI)")
- [AI-агент](https://systems-analysis.info/wiki/AI-%D0%B0%D0%B3%D0%B5%D0%BD%D1%82 "AI-агент")
## Ссылки
- https://github.com/01-ai/Yi — Официальный GitHub-репозиторий Yi
- https://github.com/01-ai/Yi-1.5 — Репозиторий Yi-1.5
- https://www.01.ai/yi-models — Официальная страница моделей Yi
- https://huggingface.co/01-ai — Организация 01-ai на Hugging Face
- https://en.wikipedia.org/wiki/01.AI — Статья Wikipedia о компании 01.AI
## Литература
- Young A. et al. *Yi: Open Foundation Models by 01.AI*. arXiv:2403.04652, 2024. https://arxiv.org/abs/2403.04652
- 01.AI et al. *Yi-Lightning Technical Report*. arXiv:2412.01253, 2024. https://arxiv.org/abs/2412.01253
- Vaswani, A. et al. (2017). *Attention Is All You Need*. NeurIPS. https://arxiv.org/abs/1706.03762
## Примечания
1. ↑ [1,00](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-0) [1,01](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-1) [1,02](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-2) [1,03](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-3) [1,04](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-4) [1,05](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-5) [1,06](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-6) [1,07](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-7) [1,08](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-8) [1,09](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-9) [1,10](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-10) [1,11](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-11) [1,12](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-12) [1,13](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-13) [1,14](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-14) [1,15](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-15) [1,16](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-16) [1,17](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-17) [1,18](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-18) [1,19](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-19) [1,20](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-20) [1,21](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-21) [1,22](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-22) [1,23](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-YiReport_1-23) Young A. et al. *Yi: Open Foundation Models by 01.AI*. arXiv:2403.04652, 7 марта 2024. https://arxiv.org/abs/2403.04652
2. ↑ [2,0](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-GitHub_2-0) [2,1](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-GitHub_2-1) [2,2](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-GitHub_2-2) [2,3](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-GitHub_2-3) [2,4](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-GitHub_2-4) [2,5](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-GitHub_2-5) [2,6](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-GitHub_2-6) 01-ai. GitHub-репозиторий Yi. https://github.com/01-ai/Yi
3. ↑ [3,0](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Official_3-0) [3,1](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Official_3-1) [3,2](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Official_3-2) 01.AI. Yi Foundation Models. https://www.01.ai/yi-models
4. ↑ [4,0](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Wikipedia_4-0) [4,1](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Wikipedia_4-1) [4,2](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Wikipedia_4-2) Wikipedia. *01.AI*. https://en.wikipedia.org/wiki/01.AI
5. [↑](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Bloomberg_5-0) Bloomberg. *Kai-Fu Lee's Open-Source 01.AI Bests Llama 2 According to Hugging Face*. bloomberg.com, 5 ноября 2023. https://www.bloomberg.com/news/articles/2023-11-05/kai-fu-lee-s-open-source-01-ai-bests-llama-2-according-to-hugging-face
6. ↑ [6,0](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-HFOrg_6-0) [6,1](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-HFOrg_6-1) [6,2](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-HFOrg_6-2) Hugging Face. Организация 01-ai. https://huggingface.co/01-ai
7. ↑ [7,0](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Yi15GitHub_7-0) [7,1](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Yi15GitHub_7-1) [7,2](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Yi15GitHub_7-2) GitHub. 01-ai/Yi-1.5. https://github.com/01-ai/Yi-1.5
8. ↑ [8,00](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-LightningReport_8-0) [8,01](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-LightningReport_8-1) [8,02](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-LightningReport_8-2) [8,03](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-LightningReport_8-3) [8,04](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-LightningReport_8-4) [8,05](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-LightningReport_8-5) [8,06](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-LightningReport_8-6) [8,07](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-LightningReport_8-7) [8,08](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-LightningReport_8-8) [8,09](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-LightningReport_8-9) [8,10](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-LightningReport_8-10) [8,11](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-LightningReport_8-11) [8,12](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-LightningReport_8-12) 01.AI et al. *Yi-Lightning Technical Report*. arXiv:2412.01253, декабрь 2024. https://arxiv.org/abs/2412.01253
9. ↑ [9,0](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Vaswani_9-0) [9,1](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Vaswani_9-1) Vaswani, A. et al. (2017). *Attention Is All You Need*. NeurIPS. https://arxiv.org/abs/1706.03762
10. [↑](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Fireworks_10-0) Fireworks AI. *Yi 34B API*. https://fireworks.ai/models/yi-01-ai/yi-34b
11. [↑](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Replicate_11-0) Replicate. *01-ai/yi-34b*. https://replicate.com/01-ai/yi-34b
12. ↑ [12,0](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-OpenLab_12-0) [12,1](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-OpenLab_12-1) Open Laboratory. *Yi*. https://openlaboratory.ai/models/families/Yi
13. ↑ [13,0](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Lablab_13-0) [13,1](https://systems-analysis.info/wiki/Yi_(01.AI)#cite_ref-Lablab_13-1) Lablab.ai. *01.AI's Yi Series Large Language Models*. https://lablab.ai/tech/yi-llms