🤗 Hugging Face • 🤖 ModelScope • ✡️ WiseModel

👩‍🚀 在 GitHub 上提问或交流想法

👋 加入我们的 👾 Discord 或 💬 微信

📝 查阅 Yi 技术报告

📚 在 Yi 学习中心 共同成长

什么是 Yi？

简介

• 🤖 Yi 系列模型是由 01.AI 从零开始训练的下一代开源大型语言模型。

• 🙌 作为一款双语语言模型，Yi 系列模型在 3T 多语言语料上进行训练，已跻身全球最强大的大型语言模型之列，在语言理解、常识推理、阅读理解等方面展现出巨大潜力。例如：

  • Yi-34B-Chat 模型在 AlpacaEval 排行榜上位列第二（仅次于 GPT-4 Turbo），性能超过其他大型语言模型（如 GPT-4、Mixtral、Claude）（基于截至 2024 年 1 月的数据）。

  • Yi-34B 模型在各种基准测试中，包括 Hugging Face Open LLM 排行榜（预训练模型）和 C-Eval，在英语和中文方面均位居所有现有开源模型（如 Falcon-180B、Llama-70B、Claude）之首（基于截至 2023 年 11 月的数据）。

  • 🙏（致谢 Llama）感谢 Transformer 和 Llama 开源社区，他们减少了从零开始构建模型的工作量，并使 AI 生态系统内的工具得以通用。

  如果您对 Yi 采用 Llama 架构及许可使用政策感兴趣，请参阅 Yi 与 Llama 的关系。 ⬇️

  
  

  💡 核心要点

  Yi 系列模型采用与 Llama 相同的模型架构，但并非 Llama 的衍生产品。

  • Yi 和 Llama 均基于 Transformer 结构，自 2018 年以来，Transformer 一直是大型语言模型的标准架构。

  • 基于 Transformer 架构，Llama 凭借其出色的稳定性、可靠的收敛性和强大的兼容性，已成为大多数最先进开源模型的新基石。这使得 Llama 成为包括 Yi 在内的众多模型公认的基础框架。

  • 得益于 Transformer 和 Llama 架构，其他模型能够借助它们的优势，减少从零开始构建的工作量，并能利用其生态系统中的工具。

  • 然而，Yi 系列模型并非 Llama 的衍生产品，因为它们并未使用 Llama 的权重。

    • 由于 Llama 的结构被大多数开源模型所采用，因此决定模型性能的关键因素在于训练数据集、训练流程和训练基础设施。

    • Yi 通过独特且专有的方式，完全从零开始独立构建了自己的高质量训练数据集、高效的训练流程和稳健的训练基础设施。这一努力使得 Yi 系列模型取得了优异的性能，在 2023 年 12 月的 Alpaca 排行榜 上仅次于 GPT4，并超越了 Llama。

[ 返回顶部 ⬆️ ]

新闻

[ 返回顶部 ⬆️ ]

模型

Yi 模型提供多种尺寸，可满足不同的使用场景。您也可以对 Yi 模型进行微调，以满足特定需求。

如果您想部署 Yi 模型，请确保满足软硬件要求。

对话模型

<sub><sup>- 4-bit 系列模型采用 AWQ 量化。
- 8-bit 系列模型采用 GPTQ 量化。
- 所有量化模型使用门槛较低，可部署在消费级 GPU 上（如 3090、4090）。</sup></sub>

基础模型

<sub><sup>- 200k 大致相当于 40 万个汉字。
- 若需使用 Yi-34B-200K 的历史版本（2023 年 11 月 5 日发布），请运行 git checkout 069cd341d60f4ce4b07ec394e82b79e94f656cf 下载权重。</sup></sub>

模型信息

• 适用于聊天模型和基础模型

• 针对聊天模型

  关于聊天模型的局限性，请参见以下说明。⬇️

  
  已发布的聊天模型经过了专门的监督微调（SFT）训练。与其他标准聊天模型相比，我们的模型能生成更多样化的回复，使其适用于各种下游任务，例如创意场景。此外，这种多样性有望提高生成更高质量回复的可能性，这将有利于后续的强化学习（RL）训练。

  
  然而，这种更高的多样性可能会放大某些现有问题，包括：

  • 幻觉：指模型生成与事实不符或无意义的信息。由于模型的回复更加多样，基于不准确数据或逻辑推理的幻觉出现的几率更高。
  • 再生的非确定性：在尝试重新生成或采样回复时，结果可能会出现不一致。即使在相似的输入条件下，增加的多样性也可能导致不同的结果。
  • 累积误差：指模型回复中的错误随着时间推移而累积。当模型生成更多样化的回复时，小的不准确之处在复杂任务（如扩展推理、数学问题解决等）中演变成更大错误的可能性增加。
  • 为获得更连贯和一致的回复，建议调整生成配置参数，如 temperature、top_p 或 top_k。这些调整有助于平衡模型输出的创造性和连贯性。

[ 返回顶部 ⬆️ ]

如何使用 Yi？

• 快速开始
  • 选择使用方式
  • pip
  • docker
  • conda-lock
  • llama.cpp
  • Web 演示
• 微调
• 量化
• 部署
• 常见问题
• 学习中心

快速开始

💡 提示：如果您想开始使用 Yi 模型并探索不同的推理方法，请查看 Yi 实践指南。

选择使用方式

选择以下任意一种方式开始您的 Yi 使用之旅！

🎯 本地部署 Yi

如果您希望在本地部署 Yi 模型，

• 🙋‍♀️ 且您拥有充足的资源（例如，NVIDIA A800 80GB），您可以选择以下任一方法：

  • pip

  • Docker

  • conda-lock

  • 🙋‍♀️ 且您的资源有限（例如，MacBook Pro），您可以使用 llama.cpp。

🎯 非本地部署 Yi

如果您不希望在本地部署 Yi 模型，您可以通过以下任一选项探索 Yi 的功能。

🙋‍♀️ 通过 API 运行 Yi

如果您想探索 Yi 的更多功能，可以采用以下方法之一：

• Yi API（Yi 官方）

  • 部分申请者已获得早期访问权限。敬请关注下一轮访问！

• Yi API（Replicate）

🙋‍♀️ 在实验平台运行 Yi

如果您想通过更多自定义选项（如系统提示、温度参数、重复惩罚等）与 Yi 对话，您可以尝试以下任一选项：

• Yi-34B-Chat-Playground（Yi 官方）

  • 需通过白名单访问。欢迎申请（填写英文或中文表单）。

  • Yi-34B-Chat-Playground（Replicate）

🙋‍♀️ 与 Yi 对话

如果您想与 Yi 对话，您可以使用以下在线服务，它们提供类似的用户体验：

• Yi-34B-Chat（Hugging Face 上的 Yi 官方空间）

  • 无需注册。

• Yi-34B-Chat（Yi 官方测试版）

  • 需通过白名单访问。欢迎申请（填写英文或中文表单）。

[ 返回顶部 ⬆️ ]

快速开始 - pip 方式

本教程将引导您完成在 A800（80G）本地运行 Yi-34B-Chat 并进行推理的每一步操作。

步骤 0：前提条件

• 确保已安装 Python 3.10 或更高版本。

• 如需运行其他 Yi 模型，请参见软硬件要求。

步骤 1：准备环境

要设置环境并安装所需软件包，请执行以下命令。

git clone https://github.com/01-ai/Yi.git
cd yi
pip install -r requirements.txt

步骤 2：下载 Yi 模型

您可以通过以下渠道下载 Yi 模型的权重和分词器：

• Hugging Face
• ModelScope
• WiseModel

步骤 3：进行推理

您可以按照以下方式使用 Yi 对话模型或基础模型进行推理。

使用 Yi 对话模型进行推理

1. 创建一个名为 quick_start.py 的文件，并将以下内容复制到文件中。

   from transformers import AutoModelForCausalLM, AutoTokenizer
   
   model_path = '<your-model-path>'
   
   tokenizer = AutoTokenizer.from_pretrained(model_path, use_fast=False)
   
   # 从 transformers 4.35.0 版本开始，可以使用 AutoModelForCausalLM 加载 GPT-Q/AWQ 模型。
   model = AutoModelForCausalLM.from_pretrained(
       model_path,
       device_map="auto",
       torch_dtype='auto'
   ).eval()
   
   # 提示内容："hi"
   messages = [
       {"role": "user", "content": "hi"}
   ]
   
   input_ids = tokenizer.apply_chat_template(conversation=messages, tokenize=True, add_generation_prompt=True, return_tensors='pt')
   output_ids = model.generate(input_ids.to('cuda'))
   response = tokenizer.decode(output_ids[0][input_ids.shape[1]:], skip_special_tokens=True)
   
   # 模型响应："Hello! How can I assist you today?"
   print(response)

2. 运行 quick_start.py。

   python quick_start.py

   之后，您将看到类似以下的输出。🥳

   Hello! How can I assist you today?

使用 Yi 基础模型进行推理

• Yi-34B

  步骤与 pip - 使用 Yi 对话模型进行推理 类似。

  您可以使用现有的文件 text_generation.py。

  python demo/text_generation.py  --model <your-model-path>

  之后，您将看到类似以下的输出。🥳

  输出结果。⬇️

  
  

  提示：Let me tell you an interesting story about cat Tom and mouse Jerry,

  生成内容：Let me tell you an interesting story about cat Tom and mouse Jerry, which happened in my childhood. My father had a big house with two cats living inside it to kill mice. One day when I was playing at home alone, I found one of the tomcats lying on his back near our kitchen door, looking very much like he wanted something from us but couldn’t get up because there were too many people around him! He kept trying for several minutes before finally giving up...

• Yi-9B

  输入

  from transformers import AutoModelForCausalLM, AutoTokenizer
  
  MODEL_DIR = "01-ai/Yi-9B"
  model = AutoModelForCausalLM.from_pretrained(MODEL_DIR, torch_dtype="auto")
  tokenizer = AutoTokenizer.from_pretrained(MODEL_DIR, use_fast=False)
  
  input_text = "# write the quick sort algorithm"
  inputs = tokenizer(input_text, return_tensors="pt").to(model.device)
  outputs = model.generate(**inputs, max_length=256)
  print(tokenizer.decode(outputs[0], skip_special_tokens=True))

  输出

  # write the quick sort algorithm
  def quick_sort(arr):
      if len(arr) <= 1:
          return arr
      pivot = arr[len(arr) // 2]
      left = [x for x in arr if x < pivot]
      middle = [x for x in arr if x == pivot]
      right = [x for x in arr if x > pivot]
      return quick_sort(left) + middle + quick_sort(right)
  
  # test the quick sort algorithm
  print(quick_sort([3, 6, 8, 10, 1, 2, 1]))

[ 返回顶部 ⬆️ ]

快速开始 - Docker

docker run -it --gpus all \
-v <your-model-path>: /models
ghcr.io/01-ai/yi:latest

快速开始 - conda-lock

快速开始 - llama.cpp

以下教程将引导您完成在本地运行量化模型（Yi-chat-6B-2bits）并进行推理的每一步。

git clone git@github.com:ggerganov/llama.cpp.git

GIT_LFS_SKIP_SMUDGE=1 git clone https://huggingface.co/XeIaso/yi-chat-6B-GGUF

git-lfs pull --include yi-chat-6b.Q2_K.gguf

make -j4 && ./main -m /Users/yu/yi-chat-6B-GGUF/yi-chat-6b.Q2_K.gguf -p "How do you feed your pet fox? Please answer this question in 6 simple steps:\nStep 1:" -n 384 -e

...

How do you feed your pet fox? Please answer this question in 6 simple steps:

Step 1: Select the appropriate food for your pet fox. You should choose high-quality, balanced prey items that are suitable for their unique dietary needs. These could include live or frozen mice, rats, pigeons, or other small mammals, as well as fresh fruits and vegetables.

Step 2: Feed your pet fox once or twice a day, depending on the species and its individual preferences. Always ensure that they have access to fresh water throughout the day.

Step 3: Provide an appropriate environment for your pet fox. Ensure it has a comfortable place to rest, plenty of space to move around, and opportunities to play and exercise.

Step 4: Socialize your pet with other animals if possible. Interactions with other creatures can help them develop social skills and prevent boredom or stress.

Step 5: Regularly check for signs of illness or discomfort in your fox. Be prepared to provide veterinary care as needed, especially for common issues such as parasites, dental health problems, or infections.

Step 6: Educate yourself about the needs of your pet fox and be aware of any potential risks or concerns that could affect their well-being. Regularly consult with a veterinarian to ensure you are providing the best care.

...

[ 返回顶部 ⬆️ ]

Web 演示

您可以为 Yi chat 模型构建 Web UI 演示（请注意，Yi 基础模型在此场景下不支持）。

步骤 1：准备环境。

步骤 2：下载 Yi 模型。

步骤 3. 要在本地启动 Web 服务，请运行以下命令。

python demo/web_demo.py -c <your-model-path>

您可以通过在浏览器中输入控制台提供的地址来访问 Web UI。

[ 返回顶部 ⬆️ ]

微调

bash finetune/scripts/run_sft_Yi_6b.sh

完成后，您可以使用以下命令比较微调模型和基础模型：

bash finetune/scripts/run_eval.sh

{ "prompt": "Human: Who are you? Assistant:", "chosen": "I'm Yi." }

然后将它们挂载到容器中，以替换默认的文件：

docker run -it \
    -v /path/to/save/finetuned/model/:/finetuned-model \
    -v /path/to/train.jsonl:/yi/finetune/data/train.json \
    -v /path/to/eval.jsonl:/yi/finetune/data/eval.json \
    ghcr.io/01-ai/yi:latest \
    bash finetune/scripts/run_sft_Yi_6b.sh

从本地服务器出发

请确保您已安装 conda。如果尚未安装，请使用

mkdir -p ~/miniconda3
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh -O ~/miniconda3/miniconda.sh
bash ~/miniconda3/miniconda.sh -b -u -p ~/miniconda3
rm -rf ~/miniconda3/miniconda.sh
~/miniconda3/bin/conda init bash
source ~/.bashrc

然后，创建一个 conda 环境：

conda create -n dev_env python=3.10 -y
conda activate dev_env
pip install torch==2.0.1 deepspeed==0.10 tensorboard transformers datasets sentencepiece accelerate ray==2.7

硬件设置

对于 Yi-6B 模型，建议使用配备 4 块 GPU 的节点，每块 GPU 显存需大于 60GB。

对于 Yi-34B 模型，由于 zero-offload 技术的使用会消耗大量 CPU 内存，因此在 34B 模型的微调训练中，请务必注意限制 GPU 的数量。请使用 CUDA_VISIBLE_DEVICES 来限制 GPU 数量（如 scripts/run_sft_Yi_34b.sh 所示）。

微调 34B 模型的典型硬件配置为：一个节点配备 8 块 GPU（运行时通过 CUDA_VISIBLE_DEVICES=0,1,2,3 限制为 4 块），每块 GPU 显存大于 80GB，且总 CPU 内存大于 900GB。

快速开始

下载一个 LLM 基础模型到 MODEL_PATH（6B 和 34B）。模型的典型文件夹结构如下：

|-- $MODEL_PATH
|   |-- config.json
|   |-- pytorch_model-00001-of-00002.bin
|   |-- pytorch_model-00002-of-00002.bin
|   |-- pytorch_model.bin.index.json
|   |-- tokenizer_config.json
|   |-- tokenizer.model
|   |-- ...

从 huggingface 将数据集下载到本地存储路径 DATA_PATH，例如 Dahoas/rm-static。

|-- $DATA_PATH
|   |-- data
|   |   |-- train-00000-of-00001-2a1df75c6bce91ab.parquet
|   |   |-- test-00000-of-00001-8c7c51afc6d45980.parquet
|   |-- dataset_infos.json
|   |-- README.md

finetune/yi_example_dataset 包含示例数据集，这些数据集基于 BAAI/COIG 修改而成。

|-- $DATA_PATH
    |--data
        |-- train.jsonl
        |-- eval.jsonl

cd 进入 scripts 文件夹，复制粘贴脚本并运行。例如：

cd finetune/scripts

bash run_sft_Yi_6b.sh

对于 Yi-6B 基础模型，设置 training_debug_steps=20 和 num_train_epochs=4 即可输出一个对话模型，耗时约 20 分钟。

对于 Yi-34B 基础模型，初始化过程所需时间相对较长，请耐心等待。

评估

cd finetune/scripts

bash run_eval.sh

然后你将看到基础模型和微调模型的答案。

[ 返回顶部 ⬆️ ]

量化

GPT-Q

python quantization/gptq/quant_autogptq.py \
  --model /base_model                      \
  --output_dir /quantized_model            \
  --trust_remote_code

完成后，你可以按以下方式评估生成的模型：

python quantization/gptq/eval_quantized_model.py \
  --model /quantized_model                       \
  --trust_remote_code

python quant_autogptq.py --model /base_model \
    --output_dir /quantized_model --bits 4 --group_size 128 --trust_remote_code

运行量化模型

您可以使用 eval_quantized_model.py 运行量化模型：

python eval_quantized_model.py --model /quantized_model --trust_remote_code

AWQ

python quantization/awq/quant_autoawq.py \
  --model /base_model                      \
  --output_dir /quantized_model            \
  --trust_remote_code

完成后，你可以按以下方式评估生成的模型：

python quantization/awq/eval_quantized_model.py \
  --model /quantized_model                       \
  --trust_remote_code

python quant_autoawq.py --model /base_model \
    --output_dir /quantized_model --bits 4 --group_size 128 --trust_remote_code

运行量化模型

您可以使用 eval_quantized_model.py 运行量化模型：

python eval_quantized_model.py --model /quantized_model --trust_remote_code

[ 返回顶部 ⬆️ ]

部署

若要部署 Yi 模型，请确保满足以下软硬件要求。

软件要求

使用 Yi 量化模型前，请确保已安装以下指定软件。

硬件要求

在环境中部署 Yi 模型前，请确保硬件满足以下要求。

对话模型

以下是不同批量使用场景下的详细最低显存要求。

基础模型

[ 返回顶部 ⬆️ ]

常见问题

学习中心

为何选择 Yi？

• 生态系统
  • 上游
  • 下游
    • 部署服务
    • 量化
    • 微调
    • API
  • 基准测试
    • 对话模型性能
    • 基础模型性能
      • Yi-34B 与 Yi-34B-200K
      • Yi-9B

生态系统

Yi 拥有全面的生态系统，提供一系列工具、服务和模型，旨在丰富您的使用体验并提升工作效率。

• 上游
• 下游
  • 部署服务
  • 量化
  • 微调
  • API

上游

Yi 系列模型采用与 Llama 相同的模型架构。选择 Yi，您可以直接利用 Llama 生态系统中现有的工具、库和资源，无需重新开发新工具，从而提高开发效率。

例如，Yi 系列模型以 Llama 模型格式保存。您可以直接使用 LlamaForCausalLM 和 LlamaTokenizer 加载模型。更多信息，请参见使用对话模型。

from transformers import AutoModelForCausalLM, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("01-ai/Yi-34b", use_fast=False)

model = AutoModelForCausalLM.from_pretrained("01-ai/Yi-34b", device_map="auto")

[ 返回顶部 ⬆️ ]

下游应用

💡 提示

• 欢迎创建 PR，分享您使用 Yi 系列模型构建的出色成果。

• 为帮助他人快速了解您的工作，建议使用 <model-name>: <model-intro> + <model-highlights> 的格式。

模型部署

如果您希望在几分钟内开始使用 Yi，可借助以下基于 Yi 构建的服务。

• Yi-34B-Chat：您可以通过以下平台与 Yi 进行对话：

  • Yi-34B-Chat | Hugging Face
  • Yi-34B-Chat | Yi 平台：注意 目前该平台仅对白名单用户开放。欢迎申请（填写 英文 或 中文 表单）并亲身体验！

• Yi-6B-Chat (Replicate)：您可以通过设置额外参数和调用 API，使用更多选项来运行此模型。

• ScaleLLM：您可以使用此服务在本地运行 Yi 模型，具有更高的灵活性和可定制性。

量化

如果您的计算资源有限，可以按以下方式使用 Yi 的量化模型。

这些量化模型降低了精度，但提高了效率，例如更快的推理速度和更低的内存占用。

• TheBloke/Yi-34B-GPTQ
• TheBloke/Yi-34B-GGUF
• TheBloke/Yi-34B-AWQ

微调

如果您希望探索 Yi 繁荣生态中的多样化能力，可以深入了解以下 Yi 的微调模型。

• TheBloke Models：该网站托管了众多基于包括 Yi 在内的各种 LLM 微调的模型。

  这并非 Yi 的完整列表，以下是部分按下载量排序的模型：

  • TheBloke/dolphin-2_2-yi-34b-AWQ
  • TheBloke/Yi-34B-Chat-AWQ
  • TheBloke/Yi-34B-Chat-GPTQ

• SUSTech/SUS-Chat-34B：该模型在所有 70B 以下模型中排名第一，性能优于 twice larger 的 deepseek-llm-67b-chat。您可以在 Open LLM Leaderboard 上查看结果。

• OrionStarAI/OrionStar-Yi-34B-Chat-Llama：在 OpenCompass LLM Leaderboard 的 C-Eval 和 CMMLU 评估中，该模型表现优于其他模型（如 GPT-4、Qwen-14B-Chat、Baichuan2-13B-Chat）。

• NousResearch/Nous-Capybara-34B：该模型在 Capybara 数据集上以 200K 上下文长度和 3 个 epoch 进行训练。

API

• amazing-openai-api：此工具可将 Yi 模型 API 直接转换为 OpenAI API 格式。
• LlamaEdge：此工具利用 Rust 技术，通过可移植的 Wasm（WebAssembly）文件为 Yi-34B-Chat 构建兼容 OpenAI 的 API 服务器。

[ 返回顶部 ⬆️ ]

技术报告

有关 Yi 系列模型的详细能力，请参见 Yi: Open Foundation Models by 01.AI。

引用

@misc{ai2024yi,
    title={Yi: Open Foundation Models by 01.AI},
    author={01. AI and : and Alex Young and Bei Chen and Chao Li and Chengen Huang and Ge Zhang and Guanwei Zhang and Heng Li and Jiangcheng Zhu and Jianqun Chen and Jing Chang and Kaidong Yu and Peng Liu and Qiang Liu and Shawn Yue and Senbin Yang and Shiming Yang and Tao Yu and Wen Xie and Wenhao Huang and Xiaohui Hu and Xiaoyi Ren and Xinyao Niu and Pengcheng Nie and Yuchi Xu and Yudong Liu and Yue Wang and Yuxuan Cai and Zhenyu Gu and Zhiyuan Liu and Zonghong Dai},
    year={2024},
    eprint={2403.04652},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

基准测试

• 对话模型性能
• 基础模型性能

对话模型性能

Yi-34B-Chat模型表现出卓越性能，在MMLU、CMMLU、BBH、GSM8k等多项基准测试中，均位列所有现有开源模型之首。

基础模型性能

Yi-34B 与 Yi-34B-200K

Yi-34B和Yi-34B-200K模型在开源模型中表现突出，尤其在MMLU、CMMLU、常识推理、阅读理解等方面表现卓越。

Yi-9B

Yi-9B在一系列同规模开源模型（包括Mistral-7B、SOLAR-10.7B、Gemma-7B、DeepSeek-Coder-7B-Base-v1.5等）中几乎表现最佳，尤其在代码、数学、常识推理和阅读理解方面表现突出。

• 在整体能力（Mean-All）方面，Yi-9B在同规模开源模型中表现最佳，超过了DeepSeek-Coder、DeepSeek-Math、Mistral-7B、SOLAR-10.7B和Gemma-7B。

  

• 在编码能力（Mean-Code）方面，Yi-9B的性能仅次于DeepSeek-Coder-7B，超过了Yi-34B、SOLAR-10.7B、Mistral-7B和Gemma-7B。

  

• 在数学能力（Mean-Math）方面，Yi-9B的性能仅次于DeepSeek-Math-7B，超过了SOLAR-10.7B、Mistral-7B和Gemma-7B。

  

• 在常识与推理能力（Mean-Text）方面，Yi-9B的性能与Mistral-7B、SOLAR-10.7B和Gemma-7B相当。

  

[ 返回顶部 ⬆️ ]

谁可以使用 Yi？

所有人都可以！🙌 ✅

Yi 系列模型的代码和权重遵循 Apache 2.0 许可证 进行分发，这意味着 Yi 系列模型可免费用于个人用途、学术研究以及商业应用。

[ 返回顶部 ⬆️ ]

其他

致谢

衷心感谢每一位为 Yi 社区做出贡献的人！是你们的努力让 Yi 不仅仅是一个项目，更成为了一个充满活力、不断成长的创新家园。

[ 返回顶部 ⬆️ ]

免责声明

在训练过程中，我们使用数据合规性检查算法，尽最大努力确保训练后模型的合规性。由于数据的复杂性以及语言模型使用场景的多样性，我们无法保证模型在所有场景下都能生成正确且合理的输出。请注意，模型仍存在产生问题输出的风险。对于因误用、误导、非法使用、相关错误信息以及任何相关数据安全问题所导致的任何风险和问题，我们不承担责任。

[ 返回顶部 ⬆️ ]

许可证

Yi-1.5 系列模型的代码和权重遵循 Apache 2.0 许可证 进行分发。

如果您基于此模型创建衍生作品，请在您的衍生作品中包含以下归属声明：

本作品是基于 01.AI 的 [您所基于的 Yi 系列模型] 创作的衍生作品，使用遵循 Apache 2.0 许可证。

[ 返回顶部 ⬆️ ]