Llama系列上新多模态！3.2版本开源超闭源，还和Arm联手搞了手机优化版

量子位 | 公众号 QbitAI

在多模态领域，开源模型也超闭源了！

就在刚刚结束的Meta开发者大会上，Llama 3.2闪亮登场：

这回不仅具备了多模态能力，还和Arm等联手，推出了专门为高通和联发科硬件优化的“移动”版本。

具体来说，此次Meta一共发布了Llama 3.2的4个型号：

• 110亿和900亿参数的多模态版本

• 10亿参数和30亿参数的轻量级纯文本模型

官方数据显示，与同等规模的“中小型”大模型相比，Llama 3.2 11B和90B表现出了超越闭源模型的性能。

尤其是在图像理解任务方面，Llama 3.2 11B超过了Claude 3 Haiku，而90B版本更是能跟GPT-4o-mini掰掰手腕了。

而专为端侧打造的3B版本，在性能测试中表现也优于谷歌的Gemma 2 2.6B和微软的Phi 3.5-mini。

如此表现，着实吸引了不少网友的关注。

有人兴奋地认为，Llama 3.2的推出可能再次“改变游戏规则”：

端侧AI正在变得越来越重要。

Meta AI官方对此回复道：

其中一些模型参数量很小，但这个时刻意义重大。

首个视觉🦙

有关Llama 3.2具体能做什么，这次官方也释出了不少demo。

先看个汇总：Llama 3.2 11B和90B支持一系列多模态视觉任务，包括为图像添加字幕、根据自然语言指令完成数据可视化等等。

举个🌰，丢给Llama 3.2一张图片，它能把图片中的元素一一拆解，告诉你详细的图片信息：

同样，也可以反过来根据文字指令找出符合用户需求的图片。

Llama 3.2 11B和90B也是首批支持多模态任务的Llama系列模型，为此，Meta的研究人员打造了一个新的模型架构。

在Llama 3.1的基础之上，研究人员在不更新语言模型参数的情况下训练了一组适配器权重，将预训练的图像编码器集成到了预训练的语言模型中。

这样，Llama 3.2既能保持纯文本功能的完整性，也能get视觉能力。

训练过程中，Llama 3.2采用图像-文本对数据进行训练。训练分为多个阶段，包括在大规模有噪声数据上的预训练，和更进一步在中等规模高质量领域内和知识增强数据上的训练。

在后训练（post-training）中，研究人员通过监督微调（SFT）、拒绝采样（RS）和直接偏好优化（DPO）进行了几轮对齐。

专为端侧打造的“小”模型

至于1B和3B这两个轻量级模型，目的更加清晰：

随着苹果Apple Intelligence的推出，对于电子消费市场而言，手机等终端上的生成式AI已经成为标配。

而脱离云端独立运行在终端上的模型，无论是从功能还是从安全的角度，都是终端AIGC落地的关键。

△端侧写作助手

Llama 3.2 1B和3B模型由Llama 3.1的8B和70B模型剪枝、蒸馏得到。

可以简单理解为，这俩“小”模型是Llama 3.1教出来的“学生”。

Llama 3.2 1B和3B仅支持文本任务，上下文长度为128K。来自Meta合作方Arm的客户业务线总经理Chris Bergey认为：

明年初甚至今年年底，开发人员就会在应用程序中落地这两个型号的Llama 3.2。

它们拥有更好的效率，能在1W功率下或在8毫秒以内提供答案。

不少网友也为此点赞：

Llama 3.2的轻量级模型能真正改变AI在手机和其他设备上的应用。

还有网友已经第一时间实践上了：

我惊叹于这个1B模型的能力。

这位网友用Llama 3.2 1B运行了一个完整的代码库，并要求它总结代码，结果是酱婶的：

“不完美，但远超预期。”

前有OpenAI「Her」全量开放、谷歌Gemini 1.5迎来重大升级，Llama这边也紧锣密鼓跟上新动作，AI圈的这一周，依旧是开源闭源激情碰撞，充满话题度的一周。

那么，你怎么看Llama这波新发布？

对了，如果你对Llama 3.2感兴趣，大模型竞技场已经可以试玩了。

Ollama、Groq等也已第一时间更新支持。

参考链接：

[1]https://ai.meta.com/blog/llama-3-2-connect-2024-vision-edge-mobile-devices/

[2]https://www.cnet.com/tech/mobile/meta-and-arm-want-to-bring-more-ai-to-phones-and-beyond/#google_vignette

[3]https://news.ycombinator.com/item?id=41649763

（声明：本文仅代表作者观点，不代表新浪网立场。）