當地時間 7 月 23 日早上，Meta 開源了外界期待已久的大參數模型——Llama 3 405B。

Meta 發文稱，該模型在多項基準測試中優於 GPT-4o 和 Anthropic 的 Claude 3.5 Sonnet。並且，扎克伯格預計，由 Llama3 支援的 Meta AI（Meta 的人工智慧助手）使用量將在未來幾個月內超過 ChatGPT。

比肩世界上最強大模型的 Llama3.1 開源，社交平台 X 上，很多人將這一事件視為歷史、拐點、史詩級時刻，這意味開源、閉源之間的差距進一步縮小乃至反超，還意味著開發者從此有了一個免費的最強基座模型在手。

在扎克伯格看來，這個拐點時刻則意味著「Llama 有機會成為開源 AI 的行業標準」，就像 Linux 之於移動網際網路一樣。

但與之相反，不少從業者指出一個問題，4000 億參數量級的密集模型，即便開源，很多人可能也用不起來，尤其是考慮到運行如此規模模型的算力叢集的複雜程度，再加上比較高的運行、推理成本，真正能用得上、用得轉的開發者並不多。

去年 Llama2 開源時，外界原本期待 Meta 逐漸開源最強模型後，難望項背的 GPT-4 能力的可以瞬間免費地加持所有人，直接拿來探索 AI 應用。但現在似乎不同，從最強模型中蒸餾小模型，成為了 Llama 3 405B 新的產業意義嗎？

01 Llama3.1：

比肩 GPT-4o，非 MOE 架構，

但多模態能力仍是期貨

早在今年四月，Meta 先開源了 Llama3 系列的兩個小參數版本的模型，8B 和 70B。比起幾個月前的 Llama 3，現在推出的 Llama 3.1 升級了先前的 8B 和 70B 模型，還發佈了迄今為止最大的開源模型 Llama 3 405B——後者擁有 4050 億個模型參數，採用了密集 Transformer 架構，具有 128K 的上下文窗口。

相比 Meta 去年 7 月發佈的 Llama2，迄今為止最大、最好的開源模型 Llama3.1 在眾多方面做了升級。

• 資料：使用了約 15T 的多語言 token，相較於 Llama 2 的 1.8T 有顯著提升。
• 規模：Llama 3 的訓練規模是 Llama 2 的 50 倍，模型參數和訓練計算量均大幅增加。
• 複雜性管理：選擇標準的密集 Transformer 架構，而非混合專家模型，以確保訓練的穩定性。

截圖來源：Meet Llama 3.1

與行業水平相比，Llama 3 在多項任務上有著與領先模型（如 GPT-4）相當的性能，其在多個基準測試中表現優異，包括：

• 通用：在 MMLU、GSM8K 等基準上表現突出。
• 程式設計能力：在 HumanEval 和 MBPP 等程式設計基準上取得高分。
• 多語言能力：支援多種語言，尤其在德語、法語等語言上表現良好。

值得注意的是，去年 3 月 OpenAI 推出的 GPT-4 是擁有 1.8 兆參數的 MOE 架構（混合專家模型），自那以來，海內外大模型廠商大都採用或者遷移至這一架構，但今天發佈的 Llama3.1 並沒有採用這一架構。

在目前火熱的技術路線——多模態融合上，Llama3 目前也並不支援。官方論文介紹稱，Llama 3.1 支援多語言、程式設計、推理和工具使用，但目前還無法處理圖像、視訊或語音。論文中提到，Meta 正在致力於為該模型新增圖像識別、視訊識別和語音理解功能，但具有這些功能的版本「仍在積極開發中，尚未準備好發佈」。

02 Meta 的星辰大海是 AI 生態系統

今年 4 月的一檔播客訪談節目中，扎克伯格透露今年年末才會推出 Llama 3 405B，並且這個模型開源與否要視情況而定。顯然，這個時間表被提前了，在其尚不支援多模態、模型能力也尚不完美時，現在就開源可獲得。這是為什麼？

在 Meta 官網，扎克伯格寫了一封「開源 AI 是未來之路」（Open Source AI Is the Path Forward）的信，或許可以回答這個問題。

在他看來，人工智慧會以類似 Linux 的方式發展，而 Meta 有機會做大模型時代的 Linux，成為開源 AI 的行業標準。

在高性能計算早期，主要科技公司都投入巨資開發自己的 Unix 閉源版本，當時也很難想像任何其他方法來開發軟體。但最終，開源 Linux 獲得了普及——最初是因為它允許開發人員隨心所欲地修改其程式碼，而且價格更便宜，隨著時間的推移，它變得更先進、更安全，並且擁有比任何封閉式 Unix 更廣泛的生態系統，支援更多功能。如今，Linux 已成為雲端運算和運行大多數移動裝置的作業系統的行業標準基礎。

扎克伯格認為，儘管多家公司正在開發領先的閉源模型，但開源正在迅速縮小差距。以 Meta 為例，去年 Llama 2 隻能與第一梯隊玩家的舊版模型相媲美，今年，Llama 3 與最先進的模型競爭，並在某些方面處於領先地位。Meta 預計，未來的幾代 Llama 將成為業內最先進的模型。

從這一代模型開始，Meta 還將通過建立廣泛、開放的生態系統，致力於使開源 AI 成為行業標準，使 Llama 成為行業標準。比如像這次伴隨 Llama3.1 的發佈，與生態夥伴的「嵌合」也更加緊密：Amazon、Databricks 和輝達推出全套服務來支援開發人員微調和「蒸餾」自己的模型。

像 Groq 這樣的創新者已經為所有新模型建構了低延遲、低成本的推理。雲廠商已經準備好雲上部署 Llama3.1，包括 AWS、Azure、Google、Oracle 等。Scale.AI、戴爾、德勤等公司已準備好幫助企業採用 Llama 並使用自己的資料訓練自訂模型。

Meta 大力投資開放原始碼的根本原因，當然是希望確保其可以獲得領先的模型。

但扎克伯格稱，在 Llama-3.1 之前，他本能地認為，如果 Llama 開源，就會有一個社區自發地圍繞它成長。或許是考慮到模型的部署不同於其他開放原始碼專案，還需要很多動手操作的環節、也需要很多資源支援，扎克伯格決定在擴展生態系統上更積極。

「我相信 Llama 3.1 版本將成為行業的一個轉折點，大多數開發人員開始主要使用開源，並且我預計這種方法只會從這裡開始發展。」

OpenAI 的願景是建構一個大 AI，Anthropic 和Google也有類似的願景。但 Meta 的願景是有很多不同的模型。每個創業公司、每個企業、每個政府都希望擁有自己的定製模型。而當閉源生態系統比開源系統好得多時，使用現成的閉源模型是更好的選擇，但現在不同了。

現在，開源基本上彌合了這一差距，人們現在有動力去定製和建構並訓練適合他們需求的模型，將他們的資料訓練到模型中。

03 誰能用上 Llama 3.1？

官方報告指出，Llama 3.1 使用了超過 1.6 萬個輝達 H100 GPU 訓練而來，The Verge 根據其所用輝達晶片的成本估計，其訓練成本為數億美元。

能省去這麼一大筆錢，還有一個最強的基座模型，這是對開源最強模型的本能期待。但把模型落地到場景裡，還有一個迫在眉睫的現實問題——到底有多少開發者有能力把 4050 億參數的密集模型用起來。

深度學習框架 PyTorch 的聯合創始人、Facebook AI Research (FAIR) 的研究員 Soumith Chintala 發推稱 Meta 調度 1.6 萬 H100 GPU 算力叢集的有效訓練時間達到 90%。｜圖片來源：X.com

Llama3 論文中，有很長的篇幅在講基礎設施，1.6 萬張 H100 叢集在訓練過程中會如何失敗，包括如何平行化、保持叢集可靠等。對此，輝達高級科學家 Jim Fan 轉發點評，「基礎設施工作是人工智慧領域最被低估的工作，我能從這張表中的數字感受到內臟的疼痛和折磨」。

就運行 Llama 的開源模型而言，The Information 此前報導，應用程式開發者已經能夠使用一組八個連接的 AI 伺服器晶片（稱為節點）來運行開源模型。Llama 3 的較小版本可以正常運行，但較大的模型可能無法適應單個節點，而是需要多個節點。

幫助開發人員運行開源模型的推理提供商表示，這會帶來很多複雜性。為大模型提供支援的節點必須能夠協同工作，或者相互「交談」，而這並不容易設定。在某些情況下，這意味著節點在物理上必須彼此靠近。

通常，對於較小的模型，推理提供商可以使用相同的節點來處理不同客戶的請求，只要他們使用相同的 LLM。然而，對於較大的模型變得更加困難，因為它們需要同時協調多個節點（多節點推理）。

有推理供應商稱，可能需要幾周甚至幾個月的時間來重新設計他們的系統，以便能夠處理來自 Meta 的 4050 億個參數模型。在一日千里的大模型領域，這是很多時間。

同時，這些多節點組態也會提高運行模型的成本，儘管模型是免費提供的，但運行成本有時已經高於閉源模型。

Meta 當然意識到這個問題，與最大開源模型一同推出的，還有生態夥伴的合作方案，可以幫助任何開發者部署 Llama3.1 和各種工程化調優任務。但它仍然可能成為開發者使用 Llama3「超大杯」的一個挑戰。

04 扎克伯格：樂於看到人們

拿 Llama3.1 蒸餾小模型

在 Meta 看來，Llama 開源「除了相對於閉源模型具有明顯更好的性價比之外，405B 模型的開放性這一事實將使其成為微調和蒸餾較小模型的最佳選擇」。

此前，OpenAI 發現字節跳動通過大量與 GPT-4 對話、蒸餾其高品質資料後，第一時間封號、禁止了這種做法。現在，Meta 卻主動提出讓大家蒸餾。更值得玩味的是，開源一個最強模型後的使用場景不是免費拿它去做 AI 應用，而是蒸餾自己的小模型。

ChatGPT 發佈一年半以來，真實的市場需求下，很多企業並不會大規模使用大模型 API，而是基於開源模型做微調、從最強模型中蒸餾出企業自己可用的小模型，因為使用者和企業都非常關心他們的私人資料，以及關鍵模型的「自主可控」。

其中，微調（Fine-tuning）指的是利用已有的預訓練模型，在新的資料集上繼續訓練，對模型的參數進行少量的調整和最佳化，以使其適應特定的任務或領域。

蒸餾（Distillation）則是一種將大型複雜模型的知識壓縮並傳遞給較小、較簡單模型的技術。能在保持一定性能的前提下，降低模型的計算量和參數規模，提高模型的部署效率和運行速度。

扎克伯格在一檔採訪節目中重申了這一點，「我最感興趣的是看到人們用它來蒸餾和微調自己的模型。我非常期待看到人們如何使用它，特別是現在我們制定了社區政策，允許人們將其用作教師模型來進行蒸餾和微調，基本上可以建立他們想要的任何其他模型」。

他認為，人們會希望直接在 4050 億參數的模型上進行推理，因為據 Meta 估計，這樣做的成本將比 GPT-4 低 50% 左右。人們可以將模型蒸餾到任何他們想要的大小，用於合成資料生成，作為教師模型使用。

05 「Meta AI 將超過 ChatGPT」

在大模型上，擁有最多 Super App 的 Meta，必須確保始終能夠獲得最好的 AI 技術。為了實現這一目標，開源是 Meta 的手段之一，策略則是建立一個強大的、開放的 AI 生態系統。

但這也帶來一個質疑，Meta 沒有像亞馬遜、Google和微軟那樣擁有能夠利用大模型推動業務的雲端運算，這就意味著 Meta 將其如此巨大的投入轉化為收入的能力更加有限。

扎克伯格反而將這一質疑視為優勢，他稱，「出售大模型的存取權不是我們的商業模式。這意味著公開發佈 Llama 不會像閉源模型廠商那樣削弱收入、可持續性或研究、投資能力。」

Meta 的 AI 商業化，目前仍是改進其廣告業務、使其新的 AI 助手（Meta AI）成為殺手級 AI 用例。

Llama 3.1 現在為 Meta AI 提供支援，Meta AI 是 Meta 應用程式和雷朋智能眼鏡中提供的 AI 助手，它被定位為像 ChatGPT 這樣的通用聊天機器人，幾乎可以在 Instagram、Facebook 和 WhatsApp 的任何地方找到。

從本周開始，Llama 3.1 將首先通過美國的 WhatsApp 和 Meta AI 網站存取，隨後在接下來的幾周內通過 Instagram 和 Facebook 訪問。它正在更新以支援新語言，包括法語、德語、印地語、義大利語和西班牙語。

伴隨 Llama 3.1 的發佈，Meta AI 新增了一項新的「想像我」功能，可以根據使用者的特定肖像生成圖像的功能。通過以這種方式而不是通過個人資料中的照片捕捉使用者肖像，Meta 有望避免建立深度偽造（Deepfake）機器。

Meta AI 也將在未來幾周內出現在 Quest 耳機中，取代其語音命令介面。就像它在 Meta Ray-Ban 眼鏡中的實現一樣，使用者能夠在 Quest 上使用 Meta AI 來識別和瞭解耳機直通模式下正在查看的內容，該模式通過螢幕顯示現實世界。

扎克伯格在 Instagram 上發帖稱，數億人已經使用了 Meta AI。他預測，到今年年底，Meta AI 將超過 ChatGPT（ChatGPT 擁有超過 1 億使用者），成為使用最廣泛被使用的 AI 助手。

對於未來的 AI 應用圖景，扎克伯格稱，Meta 的願景是，應該有許多不同的 AI 及其 AI 服務，而不僅僅是單一的 AI，這一看法也影響了 Meta 的開源方法和產品路線圖。

「我們的重點是讓每個創作者和每個小企業都能建立自己的 AI Agent，使每個人都能在我們的平台上建立他們想要的 AI Agent，這些都是巨大的市場。世界上有數億的小企業，一個企業可以通過幾次點選就能建立一個 AI Agent 來進行客戶支援、銷售，並與所有客戶溝通。未來每個企業都會像現在有電子郵件地址、網站和社交媒體一樣，擁有一個他們的客戶可以交流的 AI Agent。我們將生活在一個擁有數億甚至數十億不同 AI Agent 的世界裡，可能最終 AI Agent 的數量會超過世界上的人口，人們將以各種不同的方式與它們互動。這是產品願景的一部分，其中有很多商業機會，這是我們希望賺錢的地方。」

最後，他還劇透，Llama-4 已經在路上了，甚至不止 Llama4。「規劃計算叢集和資料軌跡不僅僅是針對 Llama-4，而是未來四五個版本的 Llama，這確實是件有趣的事情，因為這些都是需要長期投資的事情，建設資料中心、配套的電力、晶片架構和網路架構等」。 (極客公園)