Meta发布Llama 3.2系列：多模态与小型文本模型引领AI新纪元
2024年9月26日，Meta公司今日宣布推出Llama 3.2模型系列，这是其在人工智能领域的又一重大突破。Llama 3.2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，旨在为移动设备和边缘计算提供更多选择，同时解锁了期待已久的视觉能力。
多模态能力的突破
Llama 3.2 Vision模型为Llama家族带来了多模态能力，提供了11B和90B两种尺寸的模型。11B版本适合在消费级GPU上高效部署和开发，而90B版本则适用于大规模应用。90B版本中，有18B专门用于新的视觉功能，并且在视觉能力上超越了所有闭源模型。这些模型都有基础模型和指令微调变体，以及支持视觉的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。
加粗样式
小型文本模型的登场
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。这些模型支持多语言，包括英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语，支持128k token的长上下文，并且在IFEval基准测试上，3B模型的表现与8B模型相当。
技术细节
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，而90B Vision模型使用Llama 3.1 70B作为文本模型。文本模型在训练视觉模型时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。
性能卓越
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。在MMMU（验证集）中，11B模型达到50.7%，90B模型达到60.3%。在VQAv2（测试集）中，11B模型达到75.2%，90B模型达到78.1%。在DocVQA（测试集）中，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。
许可变更
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
Hugging Face生态系统为Llama 3.2提供了全面支持，包括模型权重已上传至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。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。
关于Meta
Meta是一家全球性的技术公司，致力于通过创新的技术和产品连接人们，并推动人工智能技术的发展。公司不断探索新的计算平台，以提供更丰富的交互体验。
