Llama3.3 是 Llama 系列中的第 3 个模型系列，继 Llama3.1 和 Llama3.2 之后
因此，Meta 在今年的最后一次发布中推出了 Llama3.3，这是一个 700 亿参数的生成式 AI 模型，已经展示了一些非常出色的结果，并在基准数据集上击败了一些最先进的大语言模型。正如 Meta 所承诺的，该模型是开源的，因此可以免费使用。
如果你不知道的话，Llama3.3 是 Llama 系列中的第 3 个版本，前两个版本分别是 Llama3.1（80 亿、700 亿、4050 亿参数），Llama3.2（4 个变体，多模态），而现在是 Llama3.3（700 亿参数，纯文本）。
模型架构
Llama 3.3 采用自回归方式运行，这意味着它通过预测序列中的下一个词来生成文本，预测的依据是前面的词。这种方法使得生成的文本连贯且上下文相关，使其适用于自然语言处理中的各种任务。Llama 3.3 的架构基于经过性能优化的变压器设计。
关键特性包括：
•分组查询注意力 (GQA)：这种机制通过允许模型同时处理多个查询来提高推理过程中的效率，这在处理更大数据集和更长序列时特别有益。 •128K 词汇量的分词器：该模型使用一个能够处理庞大词汇量的分词器，提高了其高效且有效地编码语言的能力。
训练方法
Llama 3.3 采用两种主要的训练方法来提升其性能：
1.有监督微调 (SFT)：此过程涉及在标记数据集上训练模型，其中使用人工反馈来指导学习过程。 2.基于人类反馈的强化学习 (RLHF)：RLHF 通过在训练过程中结合人类评估者的反馈进一步优化模型的能力。
训练数据： 基于多种公开的在线资源混合构建。
上下文长度： 可处理长达 128k 个标记的输入。
标记数量： 在超过 15 万亿个标记上进行训练。
知识截止日期： 更新至 2023 年 12 月。
支持的语言： 英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语。
性能和指标
如上表所示
Llama3.3 在几乎所有基准测试中都优于 Llama3.1 70B
在 GPQA Diamond、MATH、IFEval 等指标上也超过了 Llama3.1 405B
甚至成本也仅为 Llama3.1 405B 的约 1/5。
总体而言，指标表现良好，考虑到模型的大小，性能非常出色。
如何使用 Llama3.3？
该模型可在 HuggingFace 上使用。首先你需要
• 访问受限制的仓库（填写简短的表单）
• 更新 transformers
pip install --upgrade transformers
• 生成一个 HuggingFace READ 令牌（免费创建）。 • 按照以下代码
import transformers
import torch
model_id = "meta-llama/Llama-3.3-70B-Instruct"
pipeline = transformers.pipeline(
"text-generation",
model=model_id,
model_kwargs={"torch_dtype": torch.bfloat16},
device_map="auto",
)
messages = [
{"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},
{"role": "user", "content": "Who are you?"},
]
outputs = pipeline(
messages,
max_new_tokens=256,
)
print(outputs[0]["generated_text"][-1])总之，Llama 3.3 作为 Llama 3.1 405B 等大型模型的强大且经济实惠的替代品，在关键基准测试中表现出色，同时保持开源和易访问性。其优化的架构、先进的训练方法和对多种语言的支持使其成为广泛 NLP 应用的理想选择。无论你是在探索文本生成、推理任务还是编程挑战，Llama 3.3 都能以较低的成本提供强大的解决方案，使其成为开发人员和研究人员的宝贵工具。
