01.AISprachmodell
Yi-34B
Für Yi-34B gibt es noch keinen Wert im Gesamtindex, weil zu wenige unabhängige Benchmark-Ergebnisse vorliegen.
BeliebtheitPlatz 431 von 785
34von 100-2 zum Vormonat
beruht auf Suche, Nutzung und Aufmerksamkeit
Zusammenfassung
Yi-34B ist 01.AIs früherer 34B-Basiskern. Die offizielle Modellkarte trennt den Base-Checkpoint vom separat instruktionsoptimierten Chat-Checkpoint. Die Base-Variante ist als vielseitige Grundlage für eigene Feinabstimmung gedacht, während die Chat-Version auf Gespräche abgestimmt wird. Yi-34B ist deshalb kein fertiger Assistent.
Yi-34B hat 4.096 Token Kontext. Yi-1.5 34B aktualisiert dieselbe Modellfamilie mit weiterem Vortraining und Nachtraining, ist aber ein anderer Checkpoint. Base- und Chat-Gewichte bleiben bei Yi-34B getrennt.
Alle Benchmark-Werte
Jeder veröffentlichte Messwert mit Quelle, Testbedingungen und Vergleichsmodellen.
Alle 33 veröffentlichten Benchmark-Werte anzeigen
Seite 1 von 3
Messungen ohne passende Vergleichswerte
Für diese Messungen fehlen passende Vergleichswerte unter gleichen Testbedingungen. Die Originalwerte und Quellen bleiben hier nachlesbar.
OpenMedLM study MedQA (4 options) (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 58.4
- Bewertung
- 58.4
- Messgröße
- accuracy
- Einheit
- %
- Benchmark-Version
- OpenMedLM study, Table 1
- Kategorie
- medical-qa
- Richtung
- Mehr ist besser
- Stichprobe
- 1273
- Quellentyp
- independent-evaluator
- Auswertung
- OpenMedLM paper, Table 1 and Methods
- Status
- active
- Abrufdatum
- 2026-10-17
- Methodik
- Unabhängige Evaluation. Exaktes offenes Yi-34B-Grundmodell, Zero-Shot-Baseline (ohne OpenMedLM-Prompt-Engineering). Accuracy auf der in der Studie genannten Datensatz-Teilmenge. English test subset, 1,273 questions.
- Einordnung
- Die Quelle veröffentlicht kein Konfidenzintervall und pinnt keine unveränderliche Yi-Checkpoint-Revision.
OpenMedLM study MedMCQA (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 55.9
- Bewertung
- 55.9
- Messgröße
- accuracy
- Einheit
- %
- Benchmark-Version
- OpenMedLM study, Table 1
- Kategorie
- medical-qa
- Richtung
- Mehr ist besser
- Stichprobe
- 4183
- Quellentyp
- independent-evaluator
- Auswertung
- OpenMedLM paper, Table 1 and Methods
- Status
- active
- Abrufdatum
- 2026-10-17
- Methodik
- Unabhängige Evaluation. Exaktes offenes Yi-34B-Grundmodell, Zero-Shot-Baseline (ohne OpenMedLM-Prompt-Engineering). Accuracy auf der in der Studie genannten Datensatz-Teilmenge. dev subset, 4,183 questions.
- Einordnung
- Die Quelle veröffentlicht kein Konfidenzintervall und pinnt keine unveränderliche Yi-Checkpoint-Revision.
OpenMedLM study PubMedQA (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 53.4
- Bewertung
- 53.4
- Messgröße
- accuracy
- Einheit
- %
- Benchmark-Version
- OpenMedLM study, Table 1
- Kategorie
- medical-qa
- Richtung
- Mehr ist besser
- Stichprobe
- 500
- Quellentyp
- independent-evaluator
- Auswertung
- OpenMedLM paper, Table 1 and Methods
- Status
- active
- Abrufdatum
- 2026-10-17
- Methodik
- Unabhängige Evaluation. Exaktes offenes Yi-34B-Grundmodell, Zero-Shot-Baseline (ohne OpenMedLM-Prompt-Engineering). Accuracy auf der in der Studie genannten Datensatz-Teilmenge. reasoning-required test subset, 500 questions.
- Einordnung
- Die Quelle veröffentlicht kein Konfidenzintervall und pinnt keine unveränderliche Yi-Checkpoint-Revision.
OpenMedLM study MMLU Medical subset (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 72.6
- Bewertung
- 72.6
- Messgröße
- accuracy
- Einheit
- %
- Benchmark-Version
- OpenMedLM study, Table 1
- Kategorie
- medical-qa
- Richtung
- Mehr ist besser
- Stichprobe
- 1785
- Quellentyp
- independent-evaluator
- Auswertung
- OpenMedLM paper, Table 1 and Methods
- Status
- active
- Abrufdatum
- 2026-10-17
- Methodik
- Unabhängige Evaluation. Exaktes offenes Yi-34B-Grundmodell, Zero-Shot-Baseline (ohne OpenMedLM-Prompt-Engineering). Accuracy auf der in der Studie genannten Datensatz-Teilmenge. nine medical/clinical topics, 1,785 unique questions.
- Einordnung
- Die Quelle veröffentlicht kein Konfidenzintervall und pinnt keine unveränderliche Yi-Checkpoint-Revision.
SpAMCQA Single-choice accuracy (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 79.38
- Bewertung
- 79.38
- Messgröße
- Single-choice accuracy
- Einheit
- %
- Benchmark-Version
- SpAMCQA, 2026 paper Table 4
- Kategorie
- medical-qa
- Richtung
- Mehr ist besser
- Stichprobe
- 194
- Quellentyp
- independent-evaluator
- Auswertung
- SpAMCQA paper, Table 4
- Status
- active
- Abrufdatum
- 2026-10-17
- Methodik
- Unabhängige Evaluation. Exaktes öffentliches Yi-34B-Basismodell, Zero-Shot vor Fine-Tuning. SpAMCQA verwendet für die Evaluation eine Zero-Shot-Chain-of-Thought-Strategie; Single-Choice-, Multi-Choice- und Gesamt-Accuracy sind getrennt berichtet. Nenner: 194 Single-Choice-Fragen.
- Einordnung
- Es werden weder Konfidenzintervall noch unveränderliche Gewichtsrevision berichtet. Für Multi-Choice gilt die Teilpunktbewertung der Studie.
SpAMCQA Multi-choice accuracy (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 49.29
- Bewertung
- 49.29
- Messgröße
- Multi-choice accuracy
- Einheit
- %
- Benchmark-Version
- SpAMCQA, 2026 paper Table 4
- Kategorie
- medical-qa
- Richtung
- Mehr ist besser
- Stichprobe
- 28
- Quellentyp
- independent-evaluator
- Auswertung
- SpAMCQA paper, Table 4
- Status
- active
- Abrufdatum
- 2026-10-17
- Methodik
- Unabhängige Evaluation. Exaktes öffentliches Yi-34B-Basismodell, Zero-Shot vor Fine-Tuning. SpAMCQA verwendet für die Evaluation eine Zero-Shot-Chain-of-Thought-Strategie; Single-Choice-, Multi-Choice- und Gesamt-Accuracy sind getrennt berichtet. Nenner: 28 Multi-Choice-Fragen.
- Einordnung
- Es werden weder Konfidenzintervall noch unveränderliche Gewichtsrevision berichtet. Für Multi-Choice gilt die Teilpunktbewertung der Studie.
SpAMCQA Overall accuracy (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 75.59
- Bewertung
- 75.59
- Messgröße
- Overall accuracy
- Einheit
- %
- Benchmark-Version
- SpAMCQA, 2026 paper Table 4
- Kategorie
- medical-qa
- Richtung
- Mehr ist besser
- Stichprobe
- 222
- Quellentyp
- independent-evaluator
- Auswertung
- SpAMCQA paper, Table 4
- Status
- active
- Abrufdatum
- 2026-10-17
- Methodik
- Unabhängige Evaluation. Exaktes öffentliches Yi-34B-Basismodell, Zero-Shot vor Fine-Tuning. SpAMCQA verwendet für die Evaluation eine Zero-Shot-Chain-of-Thought-Strategie; Single-Choice-, Multi-Choice- und Gesamt-Accuracy sind getrennt berichtet. Nenner: 222 Fragen insgesamt.
- Einordnung
- Es werden weder Konfidenzintervall noch unveränderliche Gewichtsrevision berichtet. Für Multi-Choice gilt die Teilpunktbewertung der Studie.
Synthetic EHR generation EPS (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 96.8
- Bewertung
- 96.8
- Messgröße
- Electronic health record performance score (EPS), the percentage of fully complete and accurate generated EHRs among all generated records.
- Einheit
- %
- Benchmark-Version
- JMIR comparative synthetic-EHR study, Table 2
- Richtung
- Mehr ist besser
- Stichprobe
- 20000
- Quellentyp
- independent-evaluator
- Auswertung
- Evaluation and Bias Analysis of Large Language Models in Generating Synthetic Electronic Health Records: Comparative Study
- Status
- active
- Abrufdatum
- 2026-10-18
- Methodik
- Unabhängige Evaluation. Exakte Modellzeile der Studie: „Yi-34B“ (34 Milliarden Parameter; als Herausgeber nennt die Quelle 01.AI). Die Studie nutzte je Krankheit zehn Prompts und je Prompt 100 Fälle über 20 Krankheiten hinweg, also 20.000 synthetische EHRs pro Modell. Laut Studie wurden Python sowie studienweit vier NVIDIA-3090- und zwei A800-GPUs eingesetzt. Die Quelle nennt jedoch weder die Inferenzroute dieses Modells (lokale Gewichte, API oder anderer Weg) noch eine unveränderliche Gewichtsrevision, Decoding-Einstellungen oder das genaue Datum des Modelllaufs.
- Einordnung
- Die Quelle nennt kein Konfidenzintervall. Die 20.000 je Modell generierten EHRs sind der von der Quelle angegebene EPS-Nenner; gültige Ausgaben werden nicht separat gezählt. Tabelle 1 nennt für Yi-34B beim MMLU 79,4, Tabelle 2 dagegen 74,9. Diese Hintergrundwerte für MMLU/C-Eval werden nicht als neue Messungen übernommen.
Synthetic EHR race-attribute EPS (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 96.84
- Bewertung
- 96.84
- Messgröße
- Race-specific electronic health record performance score (EPS_race), the percentage of records containing the specified attribute and otherwise fully accurate.
- Einheit
- %
- Benchmark-Version
- JMIR comparative synthetic-EHR study, Table 2
- Richtung
- Mehr ist besser
- Stichprobe
- 20000
- Quellentyp
- independent-evaluator
- Auswertung
- Evaluation and Bias Analysis of Large Language Models in Generating Synthetic Electronic Health Records: Comparative Study
- Status
- active
- Abrufdatum
- 2026-10-18
- Methodik
- Unabhängige Evaluation. Exakte Modellzeile der Studie: „Yi-34B“ (34 Milliarden Parameter; als Herausgeber nennt die Quelle 01.AI). Die Studie nutzte je Krankheit zehn Prompts und je Prompt 100 Fälle über 20 Krankheiten hinweg, also 20.000 synthetische EHRs pro Modell. Laut Studie wurden Python sowie studienweit vier NVIDIA-3090- und zwei A800-GPUs eingesetzt. Die Quelle nennt jedoch weder die Inferenzroute dieses Modells (lokale Gewichte, API oder anderer Weg) noch eine unveränderliche Gewichtsrevision, Decoding-Einstellungen oder das genaue Datum des Modelllaufs.
- Einordnung
- Die Quelle nennt kein Konfidenzintervall. Die 20.000 je Modell generierten EHRs sind der von der Quelle angegebene EPS-Nenner; gültige Ausgaben werden nicht separat gezählt. Tabelle 1 nennt für Yi-34B beim MMLU 79,4, Tabelle 2 dagegen 74,9. Diese Hintergrundwerte für MMLU/C-Eval werden nicht als neue Messungen übernommen.
Synthetic EHR gender-attribute EPS (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 98.82
- Bewertung
- 98.82
- Messgröße
- Gender-specific electronic health record performance score (EPS_gender), the percentage of records containing the specified attribute and otherwise fully accurate.
- Einheit
- %
- Benchmark-Version
- JMIR comparative synthetic-EHR study, Table 2
- Richtung
- Mehr ist besser
- Stichprobe
- 20000
- Quellentyp
- independent-evaluator
- Auswertung
- Evaluation and Bias Analysis of Large Language Models in Generating Synthetic Electronic Health Records: Comparative Study
- Status
- active
- Abrufdatum
- 2026-10-18
- Methodik
- Unabhängige Evaluation. Exakte Modellzeile der Studie: „Yi-34B“ (34 Milliarden Parameter; als Herausgeber nennt die Quelle 01.AI). Die Studie nutzte je Krankheit zehn Prompts und je Prompt 100 Fälle über 20 Krankheiten hinweg, also 20.000 synthetische EHRs pro Modell. Laut Studie wurden Python sowie studienweit vier NVIDIA-3090- und zwei A800-GPUs eingesetzt. Die Quelle nennt jedoch weder die Inferenzroute dieses Modells (lokale Gewichte, API oder anderer Weg) noch eine unveränderliche Gewichtsrevision, Decoding-Einstellungen oder das genaue Datum des Modelllaufs.
- Einordnung
- Die Quelle nennt kein Konfidenzintervall. Die 20.000 je Modell generierten EHRs sind der von der Quelle angegebene EPS-Nenner; gültige Ausgaben werden nicht separat gezählt. Tabelle 1 nennt für Yi-34B beim MMLU 79,4, Tabelle 2 dagegen 74,9. Diese Hintergrundwerte für MMLU/C-Eval werden nicht als neue Messungen übernommen.
MMLU-Pro (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 43.03
- Bewertung
- 43.03
- Messgröße
- score
- Einheit
- Keine Einheit angegeben
- Benchmark-Version
- TIGER-Lab MMLU-Pro leaderboard result
- Richtung
- Mehr ist besser
- Quellentyp
- official-leaderboard
- Auswertung
- TIGER-Lab MMLU-Pro official leaderboard
- Status
- active
- Abrufdatum
- 2026-10-15
- Methodik
- Offizielle Benchmark-Rangliste. Exaktes Ergebnis für 01-ai/Yi-34B, das die Modellkarte mit dem MMLU-Pro-Leaderboard verknüpft. Prompt, Shot-Anzahl, Quantisierung und Ausführungsdatum sind nicht angegeben. Benchmark-Prompt, Sampling-/Decoding-Einstellungen, Reasoning-Aufwand, Quantisierung und Ausführungsdatum sind im zitierten Ergebnis nicht angegeben; dazu werden keine Annahmen getroffen.
- Einordnung
- Die Quelle nennt weder Einheit noch Skala. Der veröffentlichte Rohwert bleibt erhalten und wird nicht in Prozent umgerechnet.
H6 (Messwert, Testbedingungen und Quelle anzeigen)
- Originalwert
- 69.42
- Bewertung
- 69.42
- Messgröße
- six-task aggregate
- Einheit
- Keine Einheit angegeben
- Benchmark-Version
- Open LLM Leaderboard snapshot in SOLAR technical report Table 2
- Richtung
- Mehr ist besser
- Quellentyp
- vendor-reported
- Auswertung
- SOLAR technical report
- Status
- active
- Abrufdatum
- 2026-10-16
- Methodik
- Vom Anbieter veröffentlichter Wert. Yi-34B pretrained (not 34B-200K and not Chat); exakte Zeile in Tabelle 2; Rohwert, Einheit nicht angegeben.
- Einordnung
- Die Quelle nennt für diesen Wert keine Stichprobengröße und kein Konfidenzintervall.
Seite 1 von 3
Beliebtheit im Vergleich
Wie oft das Modell gesucht, genutzt und erwähnt wird, im Vergleich mit allen Modellen dieser Kategorie.
Beliebtheitsindex
Die 100 beliebtesten Modelle dieser Kategorie, 0 bis 100, höher ist beliebter
20 von 101 Modellen
Stand November 2026 · Quelle: gradually.ai Beliebtheitsindex
Zeitlicher Verlauf
Wochenwerte vom 18. Oktober 2026 bis 7. November 2026
Yi-34BMiMo-V2-Flash 35Tiny Aya Global 34GPT-4.1 nano 34Grok Build 0.1 34
Methodenwechsel im Verlauf, ein Sprung an dieser Stelle ist kein Marktereignis:
- 11. November 2026: Wert nur mit Such- oder Nutzungsdaten, 30-Tage-Aufmerksamkeit
Was gerade an Beliebtheit gewinnt, steht für Modelle, Anbieter, Harnesses und KI-Abos gesammelt in Alle KI-Trends.
Ähnliche Modelle
Weitere Modelle derselben Art wie Yi-34B, ausgewählt nach Modellreihe, Anbieter, Größe, Preis und Erscheinungsdatum.
- Yi-1.5 34B01.AI · gleicher Anbieter
- Granite Code 34BIBM · ähnliche Größe
- Mixtral 8x7BMistral AI · ähnliche Größe
- Qwen2.5-32B-InstructAlibaba · ähnliche Größe
- Qwen 2.5 Coder 32BAlibaba · ähnliche Größe
- InternLM2-Chat-20BShanghai AI Lab · ähnliche Größe
- DeepSeek LLM 67BDeepSeek · ähnliche Größe
- Qwen 3 32BAlibaba · ähnliche Größe
Alle technischen Daten
Architektur
Ein- und Ausgabe
Wasserzeichen und Herkunft
KI-Wasserzeichen meint unsichtbare Signale in der Ausgabe. Sichtbare Zeichen und Herkunftsmetadaten sind getrennt aufgeführt. Unbekannt bedeutet, dass für die jeweilige Angabe kein ausreichender Beleg vorliegt.
- KI-Wasserzeichen
- Unbekannt
- ohne Quelle
- Wasserzeichen-Technik
- Nicht bekannt
- ohne Quelle
Lizenz und Zugang
Häufige Fragen zu Yi-34B
Wie groß ist das Kontextfenster von Yi-34B?
4.096 Token. So viel Text liest Yi-34B auf einmal, das sind rund 10 A4-Seiten.
Seitenzahl als Faustregel nach Artificial Analysis
GLM-5.1200 Tsd.
DeepSeek-V3 0324164 Tsd.
GLM-4.5131 Tsd.
GPT OSS 120B131 Tsd.
DeepSeek-V3.2128 Tsd.
DeepSeek-R1128 Tsd.
Yi-34BPlatz 103 von 1034 Tsd.
Kann ich Yi-34B lokal nutzen?
Ja, die Gewichte sind offen.
Angaben von 01.AI
- Offene Gewichte
- ja
- Lizenz
- Apache 2.0
- Parameter
- 34 Mrd.
- davon aktiv je Token
- k. A.
Quellen und Datenstand
Alle 15 Quellen anzeigen
Benchmarkquellen im Überblick
Welche unabhängigen Auswerter dieses Modell getestet haben. Das ist Abdeckung, keine Qualitätsrangliste.
Für dieses Modell ist derzeit kein aktives Ergebnis der geprüften externen Auswerter zugeordnet. Weitere Quellenbelege stehen darunter.
Ohne Herstellerangaben sowie historische oder strittige Ergebnisse; diese stehen gekennzeichnet bei den Einzelwerten.