相信很多大家對Meta首款多模態(tài)Llama 3.2開源！1B羊駝寶寶，跑在手機上了還不知道吧，今天菲菲就帶你們一起去了解一下~.~！

【新智元導讀】Meta首個理解圖文的多模態(tài)Llama3.2來了!這次，除了11B和90B兩個基礎(chǔ)版本，Meta還推出了僅有1B和3B輕量級版本，適配了Arm處理器，手機、AR眼鏡邊緣設(shè)備皆可用。

Llama3.1超大杯405B剛過去兩個月，全新升級后的Llama3.2來了!

這次，最大的亮點在于，Llama3.2成為羊駝家族中，首個支持多模態(tài)能力的模型。

Connect大會上，新出爐的Llama3.2包含了小型（11B）和中型(90B)兩種版本的主要視覺模型。

正如Meta所說，這兩款模型能夠直接替代，相對應(yīng)的文本模型，而且在圖像理解任務(wù)上擊敗了閉源Claude3Haiku。

甚至，90B版本擊敗了GPT-4o mini。

就連英偉達高級科學家Jim Fan都不禁夸贊，在輕量級模型中，開源社區(qū)整體上并不落后!

同時，為了適配邊緣計算和終端設(shè)備，Meta還推出了1B和3B兩個輕量級純文本的版本，可支持128K上下文。

別看參數(shù)少，1B/3B在總結(jié)摘要、指令遵循、重寫等任務(wù)上，表現(xiàn)非常出色，而且專為Arm處理器做了優(yōu)化。

LeCun激動地表示，「可愛的大羊駝寶寶來了」!

Meta首席技術(shù)官對Llama3.2的發(fā)布，做了兩大亮點總結(jié):

首個既能識別圖像，又能理解文本的多模態(tài)模型。最重要的是，能夠媲美閉源模型

超輕量1B/3B模型，解鎖更多終端設(shè)備可能性

有網(wǎng)友對此點評道，這可能是改變游戲規(guī)則的進步，邊緣設(shè)備AI正在壯大。

能力一覽

11B和90B這兩款模型，不僅支持圖像推理場景，包括圖表和圖形在內(nèi)的文檔級理解、圖像描述以及視覺定位任務(wù)，而且還能基于現(xiàn)有圖表進行推理并快速給出回答。

比如，你可以問「去年哪個月銷售業(yè)績最好?」，Llama3.2就會根據(jù)現(xiàn)有圖表進行推理，并迅速給出答案。

輕量級的1B和3B模型則可以幫助不僅在多語言文本生成和工具調(diào)用能力方面表現(xiàn)出色，而且具有強大的隱私保護，數(shù)據(jù)永遠不會離開設(shè)備。

之所以在本地運行模型備受大家的青睞，主要在于以下兩個主要優(yōu)勢:

提示詞和響應(yīng)能夠給人瞬間完成的感覺

應(yīng)用程序可以清晰地控制哪些查詢留在設(shè)備上，哪些可能需要由云端的更大模型處理

性能評估

結(jié)果顯示，Llama3.2視覺模型在圖像識別等任務(wù)上，與Claude3Haiku和GPT-4o mini不相上下。

3B模型在遵循指令、總結(jié)、提示詞重寫和工具使用等任務(wù)上，表現(xiàn)優(yōu)于Gemma22B和Phi3.5mini;而1B模型則與Gemma旗鼓相當。

視覺模型

作為首批支持視覺任務(wù)的Llama模型，Meta為11B和90B型打造了一個全新的模型架構(gòu)。

在圖像輸入方面，訓練了一組適配器權(quán)重，將預訓練的圖像編碼器集成到預訓練的大語言模型中。

具體來說，該適配器:

由一系列交叉注意力層組成，負責將圖像編碼器的表示輸入進大語言模型

通過在文本-圖像對上的訓練，實現(xiàn)圖像表示與語言表征的對齊

在適配器訓練期間，Meta會對圖像編碼器的參數(shù)進行更新，但不會更新大語言模型參數(shù)。

也就是說，模型的純文本能力便不會受到任何影響，而開發(fā)者也可以將之前部署的Llama3.1無縫替換成Llama3.2。

具體的訓練流程如下:

首先，為預訓練的Llama3.1文本模型添加圖像適配器和編碼器，并在大規(guī)模噪聲圖像-文本對數(shù)據(jù)上進行預訓練。

然后，在中等規(guī)模的高質(zhì)量領(lǐng)域內(nèi)和知識增強的圖像-文本對數(shù)據(jù)上，再次進行訓練。

接著，在后訓練階段采用與文本模型類似的方法，通過監(jiān)督微調(diào)、拒絕采樣和直接偏好優(yōu)化進行多輪對齊。并加入安全緩解數(shù)據(jù)，保障模型的輸出既安全又實用。

這在期間，模型所使用的高質(zhì)量微調(diào)數(shù)據(jù)，正是來自合成數(shù)據(jù)生成技術(shù)——使用Llama3.1模型在領(lǐng)域內(nèi)圖像的基礎(chǔ)上過濾和增強問題答案，并使用獎勵模型對所有候選答案進行排序。

最終，我們就能得到一系列可以同時接受圖像和文本提示詞的模型，并能夠深入理解和對其組合進行推理。

對此，Meta自豪地表示表示:「這是Llama模型向更豐富的AI智能體能力邁進的又一步」。

得到全新Llama3.2加持的助手Meta AI，在視覺理解力上非常強。

比如，上傳一張切開的生日蛋糕圖片，并問它制作配方。

Meta AI便會給出手把手教程，從配料到加工方式，一應(yīng)俱全。

又或者你發(fā)給它一張小羊的照片，并要求將其放在沖浪板上。

不一會兒功夫，一只站在沖浪板上的山羊圖畫好了。

輕量模型

通過利用剪枝（pruning）和蒸餾(distillation)這兩種方法，Meta讓全新的1B和3B模型，成為了首批能夠高效地適應(yīng)設(shè)備的、具有高能力的輕量級Llama模型。

剪枝能夠減小Llama的規(guī)模，并盡可能地保留知識和性能

在此，Meta采用了從Llama3.180億參數(shù)模型進行單次結(jié)構(gòu)化剪枝的方法。也就是，系統(tǒng)地移除網(wǎng)絡(luò)的部分內(nèi)容，并調(diào)整權(quán)重和梯度的幅度，從而創(chuàng)建一個更小、更高效的大語言模型，同時保留原始網(wǎng)絡(luò)的性能。

完成剪枝之后，則需要使用知識蒸餾來恢復模型的性能。

知識蒸餾是讓一個更大的網(wǎng)絡(luò)給更小的網(wǎng)絡(luò)傳授知識

也就是，較小的模型可以借助教師模型的指導，獲得比從頭開始訓練更好的性能。為此，Meta在預訓練階段融入了來自Llama3.18B和70B模型的logits（模型輸出的原始預測值），并將這些較大模型的輸出則用作token級的目標。

后訓練階段，Meta采用了與Llama3.1類似的方法——通過在預訓練大語言模型基礎(chǔ)上進行多輪對齊來生成最終的聊天模型。

其中，每一輪都包括監(jiān)督微調(diào)（SFT，Supervised Fine-Tuning）、拒絕采樣(RS，Rejection Sampling)和直接偏好優(yōu)化(DPO，Direct Preference Optimization)。

在這期間，Meta不僅將模型的上下文長度擴展到了128K token，而且還利用經(jīng)過仔細篩選的合成數(shù)據(jù)和高質(zhì)量的混合數(shù)據(jù)，對諸如總結(jié)、重寫、指令跟隨、語言推理和工具使用等多項能力進行了優(yōu)化。

為了便于開源社區(qū)更好地基于Llama進行創(chuàng)新，Meta還與高通（Qualcomm）、聯(lián)發(fā)科(Mediatek)和Arm展開了密切合作。

值得一提的是，Meta這次發(fā)布的權(quán)重為BFloat16格式。

Llama Stack發(fā)行版

Llama Stack API是一個標準化接口，用于規(guī)范工具鏈組件（如微調(diào)、合成數(shù)據(jù)生成等）以定制Llama大語言模型并構(gòu)建AI智能體應(yīng)用。

自從今年7月Meta提出了相關(guān)的意見征求之后，社區(qū)反響非常熱烈。

如今，Meta正式推出Llama Stack發(fā)行版——可將多個能夠良好協(xié)同工作的API提供者打包在一起，為開發(fā)者提供單一接入點。

這種簡化且一致的使用體驗，讓開發(fā)者能夠在多種環(huán)境中使用Llama大語言模型，包括本地環(huán)境、云端、單節(jié)點服務(wù)器和終端設(shè)備。

完整的發(fā)布內(nèi)容包括:

Llama CLI:用于構(gòu)建、配置和運行Llama Stack發(fā)行版

多種語言的客戶端代碼:包括Python、Node.js、Kotlin和Swift

Docker容器:用于Llama Stack發(fā)行版服務(wù)器和AI智能體API供應(yīng)商

多種發(fā)行版:

單節(jié)點Llama Stack發(fā)行版:通過Meta內(nèi)部實現(xiàn)和Ollama提供

云端Llama Stack發(fā)行版:通過AWS、Databricks、Fireworks和Together提供

設(shè)備端Llama Stack發(fā)行版:通過PyTorch ExecuTorch在iOS上實現(xiàn)

本地部署Llama Stack發(fā)行版:由Dell提供支持

系統(tǒng)安全

這次，Meta在模型安全方面主要進行了兩個更新:

1.Llama Guard311B Vision

它支持Llama3.2的全新圖像理解能力，并能過濾文本+圖像輸入提示詞或?qū)@些提示詞的文本輸出響應(yīng)。

2. Llama Guard31B

它基于Llama3.21B，并在剪枝和量化處理之后，將模型大小從2，858MB縮減至438MB，使部署效率達到前所未有的高度。

目前，這些新解決方案已經(jīng)集成到了Meta的參考實現(xiàn)、演示和應(yīng)用程序中，開源社區(qū)可以立即開始使用。

參考資料:

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

以上就是關(guān)于【Meta首款多模態(tài)Llama 3.2開源！1B羊駝寶寶，跑在手機上了】的相關(guān)內(nèi)容，希望對大家有幫助！