LLaMA
此條目介紹的是Meta发布的大语言模型（LLM）。关于英语名为llama的生物，请见「大羊駝」。 | 此條目可参照英語維基百科相應條目来扩充。 (2024年6月1日) |
| 開發者 | Meta AI |
|---|---|
| 首次发布 | 2023年2月24日 |
| 当前版本 |
|
| 源代码库 | github |
| 编程语言 | Python |
| 类型 | |
| 许可协议 | Meta Llama 3.2 Community License[2] |
| 网站 | llama |
LLaMA（英語：Large Language Model Meta AI）是Meta於2023年2月發布的大型语言模型。它訓練了各種模型，這些模型的參數從70億到650億不等。LLaMA的開發人員報告說，LLaMA運行的130億參數模型在大多數NLP基準測試中的性能超過了更大的、具有1750億參數的GPT-3提供的模型，且LLaMA的模型可以與PaLM和Chinchilla等最先進的模型競爭[3]。雖然其他強大的大語言模型通常只能通過有限的API訪問，但Meta在非商業許可的情況下發布了LLaMA的模型權重，供研究人員參考和使用[4][5][6]。2023年7月，Meta推出LLaMA 2，这是一种可用于商业应用的开源AI模型[7]。
LLaMA 2
[编辑]2023年7月，Facebook母公司Meta推出了LLaMA2，LLaMA2是一种开源大型语言模型（LLM），旨在挑战大型科技竞争对手的限制性做法。Meta免费发布LLaMA2背后的代码和数据，使世界各地的研究人员能够利用和改进该技术。 Meta的首席执行官马克·扎克伯格一直直言不讳地强调开源软件对于刺激创新的重要性。[8][7]
Meta训练并发布了三种模型大小的LLaMA2：70、130和700亿个参数。模型架构与LLaMA1模型基本保持不变，但用于训练基础模型的数据增加了 40%。随附的预印本还提到了一个具有34B参数的模型，该模型可能在未来满足安全目标后发布。
LLaMA2包括基础模型和针对对话进行微调的模型，称为 Llama 2 - 聊天。与LLaMA1进一步不同的是，所有模型都附带权重，并且对于许多商业用例都是免费的。然而，由于一些剩余的限制，Llama开源的描述受到了开源倡议组织（以维护开源定义而闻名）的争议。[9]
Code Llama
[编辑]2023年8月，Meta继发布用于生成文本、翻译语言和创建音频的人工智能模型之后，开源了 Code Llama。这是一个机器学习系统，可以用自然语言（特别是英语）生成和解释代码。 可以免费商用和研究。[10]
Code Llama是从Llama-2基础模型微调而来，共有三个版本：基础版、Python版、以及指令遵循。 类似于 GitHub Copilot 和 Amazon CodeWhisperer，以及 StarCoder、StableCode 和 PolyCoder 等开源人工智能代码生成器，Code Llama 可以跨多种编程语言完成代码并调试现有代码，包括 Python、C、Java、PHP、 Typescript、C# 和 Bash。[11]
在训练 Code Llama 时，Meta 使用了与训练 Llama 2 相同的数据集——来自网络的公开可用资源的混合。但可以说，它的模型“强调”了包含代码的训练数据的子集。从本质上讲，Code Llama 比它的“父”模型 Llama 2 有更多的时间来学习代码和自然语言之间的关系。每个 Code Llama 模型的大小从 70 亿个参数到 340 亿个参数不等，均使用 5000 亿个代码标记以及与代码相关的数据进行训练。多个 Code Llama 模型可以将代码插入到现有代码中，并且所有模型都可以接受大约 100,000 个代码标记作为输入，而至少一个（70 亿个参数模型）可以在单个 GPU 上运行。（其他模型则需要更强大的硬件。）Meta 声称，340 亿个参数的模型是迄今为止所有开源代码生成器中性能最好的，也是参数数量最多的。[11]
Llama 3
[编辑]2024年4月18日，Meta发布了Llama-3，有两种模型大小尺寸：8B和70B参数。[12]这些模型已经根据从“公开可用来源”收集的大约 15 万亿个文本标记进行了预训练，并且指导模型根据“公开可用的指令数据集以及超过 1000 万个人工注释的示例”进行了微调。 计划发布多模式模型、能够以多种语言进行对话的模型以及具有更大上下文窗口的模型。
于2024年7月23日增量更新至Llama-3.1。具有8B、70B、405B参数三种模型大小尺寸。[12]
Meta AI 的测试表明，Llama 3 70B 在大多数基准测试中都击败了Gemini和Claude。[13][14]
Llama 4
[编辑]Llama-4系列于2025年4月5日发布。其架构已更改为混合专家模型。它们具备多模态（文本和图像输入，文本输出）和多语言（12种语言）特性，[15] 包括基础版本和指令调整版本：[16]
- Scout：170 亿个活跃参数模型，包含 16 位专家，上下文窗口为 1000 万个，总共包含 1090 亿个参数。
- Maverick：170 亿个活跃参数模型，包含 128 位专家，上下文窗口为 100 万个，总共包含 4000 亿个参数。
- Behemoth（尚未发布）：2880 亿个活跃参数模型，包含 16 位专家，总共包含约2万亿个参数。
当时 Behemoth 版本仍在训练中。Scout 是从零开始训练的。Maverick 是从 Behemoth 中“共同提炼”而来的。需要注意的是，Scout 的训练时间比 Maverick 更长，上下文长度也更长。
训练数据包括公开数据、授权数据以及 Meta 专有数据，例如Instagram和Facebook上公开分享的帖子以及人们与Meta AI的互动。数据截止日期为2024年8月。[17]
Meta 在其发布公告中声称，Llama 4 在 LMArena AI 基准测试中的得分超过了GPT-4o。[18] 该公司还表示，Llama 4的基准测试得分是使用未发布的“实验性聊天版本”模型获得的，该版本“针对对话性进行了优化”，与公开发布的 Llama 4 版本有所不同。[19] LMArena 表示将调整政策，以防止此类事件再次发生，并回应称：“Meta对我们政策的解读与我们对模型提供商的期望不符。Meta 应该更清楚地说明，‘Llama-4-Maverick-03-26-Experimental’ 是一个定制模型，旨在根据人类偏好进行优化。”[20] 一些用户在社交媒体上批评 Meta 使用专门为基准测试而定制的模型版本，还有一些用户指责 Meta 在测试集上训练 Llama 4 以进一步提高其基准测试分数——Meta 对此予以否认。[21]
模型比较
[编辑]对于训练成本列，只写出最大模型的成本。例如，“21,000”是 Llama 2 69B 的训练成本，单位为 petaFLOP-day。另外，1 petaFLOP-day = 1 petaFLOP/秒 × 1 天 = 8.64×1019 FLOP。
| 名称 | 发布日期 | 参数 | 训练成本 (petaFLOP-day) | 上下文长度 | 语料库大小 | 商业可行性？ |
|---|---|---|---|---|---|---|
| LLaMA | 2023-02-24 |
|
6,300[22] | 2048 | 1–1.4T | 否 |
| Llama 2 | 2023-07-18 |
|
21,000[23] | 4096 | 2T | 是 |
| Code Llama | 2023-08-24 |
|
||||
| Llama 3 | 2024-04-18 |
|
100,000[24][25] | 8192 | 15T | |
| Llama 3.1 | 2024-07-23 |
|
440,000[26][27] | 128,000 | ||
| Llama 3.2 | 2024-09-25 |
|
128,000 | |||
| Llama 4 | 2025-04-05 |
架构与训练
[编辑]数据集
[编辑]2023年4月17日，GitHub的Together启动了一个名为RedPajama的项目，以复制和分发LLaMA数据集的开源版本。[28][29]
反响
[编辑]《连线》 (Wired) 杂志称Llama 3的 8B 参数版本“能力出奇地强”，考虑到它的大小。[30]
Meta将Llama整合到Facebook后，人们的反应褒贬不一，一些用户在Meta AI告诉家长群它有一个孩子后感到困惑。[31]
根据2023年第四季度的收益记录，Meta采用了开放权重的策略来提高模型安全性、迭代速度，增加开发人员和研究人员的采用率，并成为行业标准。未来计划推出 Llama 5、6 和 7。[32]
参见
[编辑]
参考资料
[编辑]- ^ meta-llama/Llama-3.3-70B-Instruct · Hugging Face. 2024年12月6日 [2025年2月20日] （英語）.
- ^ llama3/LICENSE at main · meta-llama/llama3. GitHub. [2024-05-25]. （原始内容存档于2024-05-24） （英语）.
- ^ Touvron, Hugo; Lavril, Thibaut; Izacard, Gautier; Martinet, Xavier; Lachaux, Marie-Anne; Lacroix, Timothée; Rozière, Baptiste; Goyal, Naman; Hambro, Eric; Azhar, Faisal; Rodriguez, Aurelien; Joulin, Armand; Grave, Edouard; Lample, Guillaume. LLaMA: Open and Efficient Foundation Language Models. 2023. arXiv:2302.13971
[cs.CL].
- ^ Introducing LLaMA: A foundational, 65-billion-parameter large language model. Meta AI. 2023-02-24 [2023-06-14]. （原始内容存档于2023-03-03）.
- ^ Vincent, James. Meta's powerful AI language model has leaked online — what happens now?. The Verge. 2023-03-08 [2023-06-14]. （原始内容存档于2023-11-03）.
- ^ 差一步称霸AI：历史进程中的扎克伯格, 远川研究所, 澎湃. [2023-06-28]. （原始内容存档于2023-06-28）.
- ^ 7.0 7.1 Meta launches Llama 2, a source-available AI model that allows commercial applications. [2023-07-21]. （原始内容存档于2023-11-07）.
- ^ LLaMA 2: How to access and use Meta’s versatile open-source chatbot right now. [2023-07-20]. （原始内容存档于2023-11-03）.
- ^ Maffulli, Stefano. Meta’s LLaMa 2 license is not Open Source. Voices of Open Source. 2023-07-20 [2023-08-29]. （原始内容存档于2023-10-10） （美国英语）.
- ^ Code Llama: Open Foundation Models for Code. AI at Meta. [2025-01-14]. （原始内容存档于2023-11-01）.
- ^ 11.0 11.1 Wiggers, Kyle. Meta releases Code Llama, a code-generating AI model. TechCrunch. 2023-08-24 [2025-01-14]. （原始内容存档于2023-11-11） （美国英语）.
- ^ 12.0 12.1 Introducing Meta Llama 3: The most capable openly available LLM to date. ai.meta.com. 2024-04-18 [2024-04-21]. （原始内容存档于2024-05-15） （英语）.
- ^ Wiggers, Kyle. Meta releases Llama 3, claims it's among the best open models available. TechCrunch. 2024-04-18 [2024-04-19]. （原始内容存档于2024-09-18）.
- ^ Mann, Tobias. Meta debuts third-generation Llama large language model. www.theregister.com. [2024-07-25]. （原始内容存档于2024-08-25） （英语）.
- ^ meta-llama/Llama-4-Maverick-17B-128E · Hugging Face. huggingface.co. 2025-04-05 [2025-04-06].
- ^ The Llama 4 herd: The beginning of a new era of natively multimodal AI innovation. ai.meta.com. [2025-04-05]. （原始内容存档于2025-04-05） （英语）.
- ^ meta-llama/Llama-4-Maverick-17B-128E · Hugging Face. huggingface.co. 2025-04-05 [2025-04-06].
- ^ Robison, Kylie. Meta got caught gaming AI benchmarks. The Verge. 2025-04-08 [2025-04-08].
- ^ Wiggers, Kyle. Meta's benchmarks for its new AI models are a bit misleading. TechCrunch. 2025-04-06 [2025-04-08].
- ^ Robison, Kylie. Meta got caught gaming AI benchmarks. The Verge. 2025-04-08 [2025-04-08].
- ^ Franzen, Carl. Meta defends Llama 4 release against ‘reports of mixed quality,’ blames bugs. VentureBeat. 2025-04-08 [2025-04-08].
- ^ The Falcon has landed in the Hugging Face ecosystem. huggingface.co. [2023-06-20]. （原始内容存档于2023-06-20）.
- ^ llama/MODEL_CARD.md at main · meta-llama/llama. GitHub. [2024-05-28]. （原始内容存档于2024-05-28） （英语）.
- ^ Andrej Karpathy (@karpathy) on X. X (formerly Twitter). [2025-01-14]. （原始内容存档于2024-08-17） （英语）.
- ^ llama3/MODEL_CARD.md at main · meta-llama/llama3. GitHub. [2024-05-28]. （原始内容存档于2024-05-21） （英语）.
- ^ The Llama 3 Herd of Models. AI at Meta. [2025-01-14]. （原始内容存档于2024-07-24） （英语）.
- ^ llama-models/models/llama3_1/MODEL_CARD.md at main · meta-llama/llama-models. GitHub. [2024-07-23]. （原始内容存档于2024-07-23） （英语）.
- ^ RedPajama-Data: An Open Source Recipe to Reproduce LLaMA training dataset. GitHub. Together. [2023-05-04]. （原始内容存档于2023-11-07）.
- ^ RedPajama-Data-1T. Hugging Face. Together. [2023-05-04]. （原始内容存档于2023-11-03）.
- ^ Knight, Will. Meta’s Open Source Llama 3 Is Already Nipping at OpenAI’s Heels. Wired. [2024-07-25]. ISSN 1059-1028. （原始内容存档于2024-09-27） （美国英语）.
- ^ Meta's amped-up AI agents confusing Facebook users. ABC News. 2024-04-19 [2024-07-25]. （原始内容存档于2024-09-17） （澳大利亚英语）.
- ^ META Q4 2023 Earnings Call Transcript (PDF). [2024-07-25]. （原始内容存档 (PDF)于2024-09-17）.
