Llama家族再添新成员，多模态能力终于到来！
Meta刚刚发布了Llama 3.2模型系列，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。
这次更新不仅带来了期待已久的视觉能力，还为移动设备和边缘计算提供了更多选择。
多模态Llama：视觉能力终于解锁
Llama 3.2 Vision模型终于为Llama家族带来了多模态能力。它提供了两种尺寸：
11B版本：适合在消费级GPU上高效部署和开发
90B版本：适用于大规模应用
90B版本中，其中18B用于新视觉功能。
并且，模型在视觉能力上超越了所有闭源模型。
这两个版本都有基础模型和指令微调变体。除此之外，Meta还发布了支持视觉的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。
小而强大：1B和3B文本模型登场
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。这些模型具有强大的能力：
支持多语言：英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语
长上下文：支持128k token的长上下文
性能出色：3B模型在IFEval基准测试上的表现与8B模型相当
这些小型模型非常适合提示重写、多语言知识检索、摘要任务、工具使用和本地运行的助手等应用场景。
技术细节：模型架构与训练
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
90B Vision模型使用Llama 3.1 70B作为文本模型
据了解，在训练视觉模型时，文本模型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。
超强性能
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：
MMMU（验证集）：11B模型达到50.7%，90B模型达到60.3%
VQAv2（测试集）：11B模型达到75.2%，90B模型达到78.1%
DocVQA（测试集）：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。特别是在IFEval基准测试中，3B指令模型与8B指令模型表现相当，这使其非常适合需要严格遵循指令的应用场景。
许可变更：欧盟用户受限
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：便捷使用与部署
Hugging Face生态系统为Llama 3.2提供了全面支持：
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
提供了在单个GPU上微调Llama 3.2 11B Vision的示例
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。
?
?
?
?
