今天分享主题，Meta 发布的Llama3.2大模型与之前Llama3.1有什么亮点
Llama 3.2 没有太多新功能，主要集中在模型的优化和适应性上，特别是在小型模型的高效性和性能恢复方面，同时也是为解决 Llama 3.1 大模型构建时需要大量计算资源，使得开发人员或小型企业都很难满足所需资源来使用。
虽然没有显著的新功能，但在上下文长度支持和合成数据生成的质量提升方面有所增强。
Llama 3.2 介绍
这次的发布 Llama 3.2 系列中，主要划分为最大模型和轻量两级模型。其中最大的两个模型 11B 和 90B 支持图像推理，比如文档级别理解图表和图形、图像字幕以及视觉基础任务。
轻量级 1B 和 3B模型，提供强大的多语言文本生成和工具调用功能，适合于总结、指令跟踪和在边缘本地运行的设备。
本地运行大模型优势，使得开发人员能够构建个性化设备代理应用程序时，具有较强隐私性，数据永远不会离开设备，安全进一步得到保障。
Llama 3.2 模型的优势
官方评估表明，Llama 3.2 视觉模型在图像识别和视觉理解任务上已经领先其他基础模型了，比如 Claude 3 Haiku 和 GPT-4o-mini。3B 模型在遵循指令、总结、快速重写和工具使用等任务上的表现优于 Gemma 2 2.6B 和 Phi 3.5-mini 模型，而 1B 模型与 Gemma 相媲美。
Llama 3.2 视觉模型
Llama 3.2 作为首批支持视觉任务的 Llama 模型，在Llama系列中两个大模型11B 和 90B 版本中引入了新的架构以支持图像输入。
这次为了添加图像输入支持，训练了一组适配器权重，将图像编码器与预训练的语言模型结合起来。这些适配器使用交叉注意层来输入图像信息，同时保留语言模型的文本处理能力。
训练过程分为几个阶段：
首先，在预训练的 Llama 3.1 模型基础上，加入图像适配器和编码器，在大量的图像和文本数据上进行预训练，之后又在高质量的数据集上进行微调。
在微调阶段，采用了多种方法来优化模型，包括生成合成数据和使用奖励模型来提升答案质量。而且，还加入了安全缓解措施，以确保模型在保持实用性的同时具备较高的安全性。
可以看到，这次Meta发布的 Llama 3.2 能够同时处理图像和文本输入，深入地理解和推理两者的结合，也表明了Llama模型向更丰富的智能能力迈进了一步。
轻量级模型
Llama 3.2 本次也带来了高效适应设备的小型模型，主要有 1B 和 3B 两种，采用了修剪和知识蒸馏两种方法。
修剪通过系统性移除网络部分，减小模型大小并恢复性能；
知识蒸馏则利用较大模型（如 Llama 3.1 8B 和 70B）的输出，帮助小模型获得更好的性能。
