LLaMA

File:Disambig gray.svg此條目介紹的是Meta發布的大語言模型（LLM）。關於英語名為llama的生物，請見「大羊駝」。

Llama

開發者	Meta AI
首次發布	2023年2月24日​（2023-02-24）
目前版本
原始碼庫	{{URL|example.com|可选的显示文本}}
程式語言	Python
引擎
類型	大型語言模型 GPT 基礎模型
許可協定	Meta Llama 3.2 Community License

LLaMA（英語：Large Language Model Meta AI）是Meta於2023年2月發布的大型語言模型。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基準測試中的效能超過了更大的、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。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。2023年7月，Meta推出LLaMA 2，這是一種可用於商業應用的開源AI模型。

LLaMA 2

2023年7月，Facebook母公司Meta推出了LLaMA2，LLaMA2是一種開源大型語言模型（LLM），旨在挑戰大型科技競爭對手的限制性做法。Meta免費發布LLaMA2背後的代碼和資料，使世界各地的研究人員能夠利用和改進該技術。 Meta的執行長馬克·祖克柏一直直言不諱地強調開源軟體對於刺激創新的重要性。

Meta訓練並發布了三種模型大小的LLaMA2：70、130和700億個參數。模型架構與LLaMA1模型基本保持不變，但用於訓練基礎模型的資料增加了 40%。隨附的預印本還提到了一個具有34B參數的模型，該模型可能在未來滿足安全目標後發布。

LLaMA2包括基礎模型和針對對話進行微調的模型，稱為 Llama 2 - 聊天。與LLaMA1進一步不同的是，所有模型都附帶權重，並且對於許多商業用例都是免費的。然而，由於一些剩餘的限制，Llama開源的描述受到了開源倡議組織（以維護開源定義而聞名）的爭議。

Code Llama

2023年8月，Meta繼發布用於生成文字、翻譯語言和建立音訊的人工智慧模型之後，開源了 Code Llama。這是一個機器學習系統，可以用自然語言（特別是英語）生成和解釋代碼。 可以免費商用和研究。

Code Llama是從Llama-2基礎模型微調而來，共有三個版本：基礎版、Python版、以及指令遵循。 類似於 GitHub Copilot 和 Amazon CodeWhisperer，以及 StarCoder、StableCode 和 PolyCoder 等開源人工智慧碼產生器，Code Llama 可以跨多種程式語言完成代碼並除錯現有代碼，包括 Python、C、Java、PHP、 Typescript、C# 和 Bash。

在訓練 Code Llama 時，Meta 使用了與訓練 Llama 2 相同的資料集——來自網路的公開可用資源的混合。但可以說，它的模型「強調」了包含代碼的訓練資料的子集。從本質上講，Code Llama 比它的「父」模型 Llama 2 有更多的時間來學習代碼和自然語言之間的關係。每個 Code Llama 模型的大小從 70 億個參數到 340 億個參數不等，均使用 5000 億個代碼標記以及與代碼相關的資料進行訓練。多個 Code Llama 模型可以將代碼插入到現有代碼中，並且所有模型都可以接受大約 100,000 個代碼標記作為輸入，而至少一個（70 億個參數模型）可以在單個 GPU 上執行。（其他模型則需要更強大的硬體。）Meta 聲稱，340 億個參數的模型是迄今為止所有開原始碼生成器中效能最好的，也是參數數量最多的。

Llama 3

2024年4月18日，Meta發布了Llama-3，有兩種模型大小尺寸：8B和70B參數。這些模型已經根據從「公開可用來源」收集的大約 15 萬億個文字標記進行了預訓練，並且指導模型根據「公開可用的指令資料集以及超過 1000 萬個人工注釋的範例」進行了微調。 計劃發布多模式模型、能夠以多種語言進行對話的模型以及具有更大上下文窗口的模型。

於2024年7月23日增量更新至Llama-3.1。具有8B、70B、405B參數三種模型大小尺寸。

Meta AI 的測試表明，Llama 3 70B 在大多數基準測試中都擊敗了Gemini和Claude。

Llama 4

Llama-4系列於2025年4月5日發布。其架構已更改為混合專家模型。它們具備多模態（文字和圖像輸入，文字輸出）和多語言（12種語言）特性， 包括基礎版本和指令調整版本：

• Scout：170 億個活躍參數模型，包含 16 位專家，上下文窗口為 1000 萬個，總共包含 1090 億個參數。
• Maverick：170 億個活躍參數模型，包含 128 位專家，上下文窗口為 100 萬個，總共包含 4000 億個參數。
• Behemoth（尚未發布）：2880 億個活躍參數模型，包含 16 位專家，總共包含約2兆個參數。

當時 Behemoth 版本仍在訓練中。Scout 是從零開始訓練的。Maverick 是從 Behemoth 中「共同提煉」而來的。需要注意的是，Scout 的訓練時間比 Maverick 更長，上下文長度也更長。

訓練資料包括公開資料、授權資料以及 Meta 專有資料，例如Instagram和Facebook上公開分享的貼文以及人們與Meta AI的互動。資料截止日期為2024年8月。

Meta 在其發布公告中聲稱，Llama 4 在 LMArena AI 基準測試中的得分超過了GPT-4o。 該公司還表示，Llama 4的基準測試得分是使用未發布的「實驗性聊天版本」模型獲得的，該版本「針對對話性進行了最佳化」，與公開發布的 Llama 4 版本有所不同。 LMArena 表示將調整政策，以防止此類事件再次發生，並回應稱：「Meta對我們政策的解讀與我們對模型提供商的期望不符。Meta 應該更清楚地說明，『Llama-4-Maverick-03-26-Experimental』 是一個客製化模型，旨在根據人類偏好進行最佳化。」 一些使用者在社群媒體上批評 Meta 使用專門為基準測試而客製化的模型版本，還有一些使用者指責 Meta 在測試集上訓練 Llama 4 以進一步提高其基準測試分數——Meta 對此予以否認。

模型比較

對於訓練成本列，唯寫出最大模型的成本。例如，「21,000」是 Llama 2 69B 的訓練成本，單位為 petaFLOP-day。另外，1 petaFLOP-day = 1 petaFLOP/秒 × 1 天 = 8.64×10¹⁹ FLOP。

名稱	發布日期	參數	訓練成本 (petaFLOP-day)	上下文長度	語料庫大小	商業可行性？
LLaMA	2023-02-24	6.7B 13B 32.5B 65.2B	6,300	2048	1–1.4T	否
Llama 2	2023-07-18	6.7B 13B 69B	21,000	4096	2T	是
Code Llama	2023-08-24	6.7B 13B 33.7B 69B
Llama 3	2024-04-18	8B 70.6B	100,000	8192	15T
Llama 3.1	2024-07-23	8B 70.6B 405B	440,000	128,000
Llama 3.2	2024-09-25	1B 3B 11B 90B		128,000
Llama 4	2025-04-05

架構與訓練

資料集

2023年4月17日，GitHub的Together啟動了一個名為RedPajama的專案，以複製和分發LLaMA資料集的開源版本。

反響

《連線》 (Wired) 雜誌稱Llama 3的 8B 參數版本「能力出奇地強」，考慮到它的大小。

Meta將Llama整合到Facebook後，人們的反應褒貶不一，一些使用者在Meta AI告訴家長群它有一個孩子後感到困惑。

根據2023年第四季度的收益記錄，Meta採用了開放權重的策略來提高模型安全性、迭代速度，增加開發人員和研究人員的採用率，並成為行業標準。未來計劃推出 Llama 5、6 和 7。

自我審查

LLaMA會拒絕的話題包括：操縱、圖形暴力、自我傷害、自殺、成人與露骨內容、仇恨言論、非法或有害活動、人身攻擊等。

參見

• 大型語言模型
• ChatGPT
• 聊天機器人
• 通用人工智慧
• 生成式人工智慧
• 生成對抗網路
• LaMDA（對話語言模型）
• 深度求索