推荐语

Meta最新发布的Llama 3.3模型，以更少的参数实现媲美更大模型的性能，提供高效、低成本的AI文本解决方案。

核心内容：
1. Llama 3.3模型参数及性能对比
2. 多语言支持及架构优化
3. 安全措施：Llama Guard 3、Prompt Guard、Code Shield

杨芳贤

53A创始人/腾讯云(TVP)最具价值专家

  Meta于20241206发布了Llama 3.3，共有 700 亿参数(70B)，性能方面媲美拥有4050亿参数的Llama 3.1的效果。多项测试效果及表现接近GPT-4o

目标：

• Llama 3.3 模型效率更高、成本更低，可以在标准工作站上运行，降低运营成本的同时，提供高质量文本 AI 解决方案。

• Llama 3.3 模型重点优化了多语言支持，支持英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语 8 种语言。

  
  

模型：

  在架构方面，Llama 3.3 是一款自回归(auto-regressive)语言模型，使用优化的transformer decoder架构，其微调版本使用了监督式微调(SFT)和基于人类反馈的强化学习(RLHF)，让其与人类对有用性和安全性的偏好保持一致。

  安全方面，Meta 采用数据过滤、模型微调和系统级安全防护等措施，以降低模型滥用的风险；此外 Meta 鼓励开发者在部署 Llama 3.3 时采取必要的安全措施，例如：

• Llama Guard 3：

• 功能：监控和过滤输入输出，防止生成有害或不适当的内容。

• 作用：确保模型输出符合安全和道德标准。

• Prompt Guard：

• 功能：检测并阻止恶意或不当的输入提示。

• 作用：防止用户通过特定提示诱导模型生成有害内容。

• Code Shield：

• 功能：防止模型生成恶意代码或执行不安全操作。

• 作用：确保生成的代码安全，避免被用于攻击或漏洞利用。

• 训练数据量：15万亿(T,Trillion)公开数据

• 知识截止日期：2023.12

• 训练开销：3930w GPU小时(H100-80G)

  
  

  Llama 3.3采用了全新的对齐过程(New Alignment Process)和改进的在线强化学习(online RL)技术，使之在70B参数的情况下达到与Llama 3.1 405B相当的性能水平。

• 全新的对齐过程(New Alignment Process)：确保模型输出与人类意图和价值观一致，提升安全性和可控性。

• 对齐(Alignment)：指让模型的行为与人类意图、价值观或特定目标保持一致的过程。

• 优化点：

• 更精细的指令微调：通过更高质量的人类反馈数据（如人类偏好数据）对模型进行微调，使其输出更符合人类期望。

• 多目标优化：同时优化多个目标（如准确性、安全性、公平性），而不仅仅是单一的性能指标。

• 动态对齐：在模型部署后持续监控和调整，确保其行为始终符合预期。

• 作用：提升模型的有用性、安全性和可控性，减少有害或不符合预期的输出。

• 改进的在线强化学习(Online Reinforcement Learning, Online RL)：通过实时用户反馈优化模型，使其在部署后持续改进，同时保持高性能。

• 强化学习(Reinforcement Learning, RL)：一种机器学习方法，模型通过与环境交互，根据奖励信号优化行为。

• 在线强化学习(Online RL)：在模型部署后，实时从用户交互中学习并改进。

• 优化点：

• 实时反馈：通过用户交互数据（如点赞、纠正、反馈）动态调整模型，使其输出更符合用户需求。

• 高效学习：采用更高效的算法，减少对大量数据的依赖，同时避免模型性能下降。

• 安全约束：在强化学习过程中加入安全约束，防止模型学习到有害行为。

• 作用：使模型能够持续改进，适应多样化的用户需求，同时保持高性能和安全性。

  
  

 总之，Llama 3.3在参数更少的情况下达到与更大模型相当的性能，同时更具安全性和适应性。

参考：

https://github.com/meta-llama/llama-models/blob/main/models/llama3_3/MODEL_CARD.md

https://huggingface.co/meta-llama/Llama-3.3-70B-Instruct

https://ai.meta.com/blog/future-of-ai-built-with-llama/