AI知识库

53AI知识库

学习大模型的前沿技术与行业应用场景


Meta发布Llama 3.2,Llama 终于能看见了!
发布日期:2024-09-26 07:59:03 浏览次数: 1900 来源:AGI Hunt


Llama家族再添新成员,多模态能力终于到来!

Meta刚刚发布了Llama 3.2模型系列,包括多模态视觉模型和小型文本模型,共计10个开放权重模型。

这次更新不仅带来了期待已久的视觉能力,还为移动设备和边缘计算提供了更多选择。

多模态Llama:视觉能力终于解锁

Llama 3.2 Vision模型终于为Llama家族带来了多模态能力。它提供了两种尺寸:

  • 11B版本:适合在消费级GPU上高效部署和开发

  • 90B版本:适用于大规模应用

90B版本中,其中18B用于新视觉功能。

并且,模型在视觉能力上超越了所有闭源模型。

这两个版本都有基础模型和指令微调变体。除此之外,Meta还发布了支持视觉的Llama Guard 3新版本,可以对模型输入和输出进行分类,包括检测有害的多模态提示或助手回复。

小而强大:1B和3B文本模型登场

Llama 3.2还推出了可在设备上运行的小型文本语言模型,包括1B和3B两种新尺寸,每种都有基础和指令变体。这些模型具有强大的能力:

  • 支持多语言:英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语

  • 长上下文:支持128k token的长上下文

  • 性能出色:3B模型在IFEval基准测试上的表现与8B模型相当

这些小型模型非常适合提示重写、多语言知识检索、摘要任务、工具使用和本地运行的助手等应用场景。

技术细节:模型架构与训练

Llama 3.2 Vision模型的架构基于Llama 3.1 LLM与视觉塔和图像适配器的组合:

  • 11B Vision模型使用Llama 3.1 8B作为文本模型

  • 90B Vision模型使用Llama 3.1 70B作为文本模型

据了解,在训练视觉模型时,文本模型被冻结以保持文本性能。这些模型在包含60亿图像-文本对的大规模数据集上进行了训练。

小型文本模型遵循与Llama 3.1相同的架构,使用高达9万亿token进行训练,同样支持128k token的长上下文。

超强性能

Meta公布的基准测试结果显示,Llama 3.2 Vision模型在多个任务上表现出色:

  • MMMU(验证集):11B模型达到50.7%,90B模型达到60.3%

  • VQAv2(测试集):11B模型达到75.2%,90B模型达到78.1%

  • DocVQA(测试集):11B模型达到88.4%,90B模型达到90.1%

小型文本模型的性能同样令人惊喜。在Open LLM Leaderboard评估中,3B模型在某些任务上甚至接近8B模型的表现。特别是在IFEval基准测试中,3B指令模型与8B指令模型表现相当,这使其非常适合需要严格遵循指令的应用场景。

许可变更:欧盟用户受限

值得注意的是,Llama 3.2的许可条款有一项重要变更:欧盟境内的个人或公司不被授予使用Llama 3.2多模态模型的许可权利。这一限制不适用于最终用户,因此开发者仍可使用这些模型构建面向全球的产品。

生态系统支持:便捷使用与部署

Hugging Face生态系统为Llama 3.2提供了全面支持:

  • 模型权重已上传至Hub

  • Transformers和TGI集成了Vision模型

  • 支持通过Inference Endpoints、Google Cloud、Amazon SageMaker和DELL Enterprise Hub进行推理和部署

  • 提供了在单个GPU上微调Llama 3.2 11B Vision的示例

此外,还可以使用TRL对文本模型进行聊天和微调,Vision模型的微调支持也已添加到TRL中。

Llama家族的重要里程碑

Llama 3.2的发布标志着Meta在大语言模型领域又迈出了重要一步。多模态能力的加入和小型高效模型的推出,为研究人员和开发者提供了更多可能性。

?

?

?

?



53AI,企业落地应用大模型首选服务商

产品:大模型应用平台+智能体定制开发+落地咨询服务

承诺:先做场景POC验证,看到效果再签署服务协议。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

与创始人交个朋友

回到顶部

 
扫码咨询