Meta Llama 3 70B Instruct AWQ

🚀 Meta-Llama-3-70B-Instruct AWQ量化版本

Meta-Llama-3-70B-Instruct模型的AWQ量化版本，Meta開發併發布了Meta Llama 3系列大語言模型，該系列模型在對話場景中表現出色，且在安全性和實用性上進行了優化，可用於商業和研究。

🚀 快速開始

本倉庫包含兩個版本的Meta-Llama-3-70B-Instruct，可配合transformers庫或原始的llama3代碼庫使用。

使用transformers庫

以下是使用transformers庫的代碼示例：

import transformers
import torch

model_id = "meta-llama/Meta-Llama-3-70B-Instruct"

pipeline = transformers.pipeline(
    "text-generation",
    model=model_id,
    model_kwargs={"torch_dtype": torch.bfloat16},
    device="auto",
)

messages = [
    {"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},
    {"role": "user", "content": "Who are you?"},
]

prompt = pipeline.tokenizer.apply_chat_template(
        messages, 
        tokenize=False, 
        add_generation_prompt=True
)

terminators = [
    pipeline.tokenizer.eos_token_id,
    pipeline.tokenizer.convert_tokens_to_ids("<|eot_id|>")
]

outputs = pipeline(
    prompt,
    max_new_tokens=256,
    eos_token_id=terminators,
    do_sample=True,
    temperature=0.6,
    top_p=0.9,
)
print(outputs[0]["generated_text"][len(prompt):])

使用原始llama3代碼庫

請遵循倉庫中的說明。 要下載原始檢查點，請參考以下使用huggingface-cli的示例命令：

huggingface-cli download meta-llama/Meta-Llama-3-70B-Instruct --include "original/*" --local-dir Meta-Llama-3-70B-Instruct

若需要Hugging Face支持，建議使用transformers或TGI，類似的命令同樣適用。

✨ 主要特性

• 高性能：在常見行業基準測試中，Llama 3指令微調模型的表現優於許多現有的開源聊天模型。
• 優化對話場景：針對對話用例進行了優化，更適合用於構建聊天機器人等應用。
• 注重安全與實用：在開發過程中，充分考慮了安全性和實用性，降低了模型產生有害輸出的風險。

📦 安裝指南

文檔中未提及具體安裝步驟，可參考上述快速開始部分的使用說明。

💻 使用示例

基礎用法

import transformers
import torch

model_id = "meta-llama/Meta-Llama-3-70B-Instruct"

pipeline = transformers.pipeline(
    "text-generation",
    model=model_id,
    model_kwargs={"torch_dtype": torch.bfloat16},
    device="auto",
)

messages = [
    {"role": "system", "content": "You are a pirate chatbot who always responds in pirate speak!"},
    {"role": "user", "content": "Who are you?"},
]

prompt = pipeline.tokenizer.apply_chat_template(
        messages, 
        tokenize=False, 
        add_generation_prompt=True
)

terminators = [
    pipeline.tokenizer.eos_token_id,
    pipeline.tokenizer.convert_tokens_to_ids("<|eot_id|>")
]

outputs = pipeline(
    prompt,
    max_new_tokens=256,
    eos_token_id=terminators,
    do_sample=True,
    temperature=0.6,
    top_p=0.9,
)
print(outputs[0]["generated_text"][len(prompt):])

高級用法

文檔中未提及高級用法的代碼示例，可根據實際需求對基礎用法的代碼進行擴展。

📚 詳細文檔

模型詳情

• 模型開發者：Meta
• 模型變體：Llama 3有8B和70B參數兩種規模，包括預訓練模型和指令微調模型。
• 輸入：僅接受文本輸入。
• 輸出：僅生成文本和代碼。
• 模型架構：Llama 3是一種自迴歸語言模型，採用了優化的Transformer架構。微調版本使用了監督微調（SFT）和基於人類反饋的強化學習（RLHF），以更好地符合人類對實用性和安全性的偏好。

屬性	詳情
模型類型	自迴歸語言模型，使用優化的Transformer架構
訓練數據	預訓練數據來自公開可用的在線數據，微調數據包括公開的指令數據集和超過1000萬個人工標註的示例
參數規模	8B和70B
上下文長度	8k
GQA	是
令牌數量	超過15萬億
知識截止日期	8B模型為2023年3月，70B模型為2023年12月

模型發佈日期：2024年4月18日。 狀態：這是一個基於離線數據集訓練的靜態模型。隨著我們根據社區反饋改進模型安全性，未來將發佈微調模型的新版本。 許可證：可在此處獲取自定義商業許可證。

預期用途

• 預期用例：Llama 3旨在用於英語的商業和研究用途。指令微調模型適用於類似助手的聊天場景，而預訓練模型可用於各種自然語言生成任務。
• 超出範圍的使用：禁止以任何違反適用法律法規（包括貿易合規法律）的方式使用。禁止以違反可接受使用政策和Llama 3社區許可證的任何其他方式使用。禁止在英語以外的語言中使用。

⚠️ 重要提示

開發者可以對Llama 3模型進行微調以支持英語以外的語言，但前提是必須遵守Llama 3社區許可證和可接受使用政策。

硬件和軟件

• 訓練因素：預訓練使用了自定義訓練庫、Meta的研究超級集群和生產集群。微調、標註和評估也在第三方雲計算平臺上進行。
• 碳足跡：預訓練累計使用了770萬個H100 - 80GB GPU小時（TDP為700W）的計算資源。估計總排放量為2290噸二氧化碳當量，其中100%由Meta的可持續發展計劃進行了抵消。

模型	時間（GPU小時）	功耗（W）	碳排放（tCO2eq）
Llama 3 8B	130萬	700	390
Llama 3 70B	640萬	700	1900
總計	770萬	-	2290

訓練數據

• 概述：Llama 3在超過15萬億個來自公開數據源的令牌上進行了預訓練。微調數據包括公開可用的指令數據集以及超過1000萬個人工標註的示例。預訓練和微調數據集均不包含Meta用戶數據。
• 數據新鮮度：8B模型的預訓練數據截止到2023年3月，70B模型的預訓練數據截止到2023年12月。

基準測試

在本節中，我們報告了Llama 3模型在標準自動基準測試中的結果。所有評估均使用我們的內部評估庫。有關方法的詳細信息，請參見此處。

基礎預訓練模型

類別	基準測試	Llama 3 8B	Llama2 7B	Llama2 13B	Llama 3 70B	Llama2 70B
通用	MMLU (5-shot)	66.6	45.7	53.8	79.5	69.7
通用	AGIEval English (3 - 5 shot)	45.9	28.8	38.7	63.0	54.8
通用	CommonSenseQA (7-shot)	72.6	57.6	67.6	83.8	78.7
通用	Winogrande (5-shot)	76.1	73.3	75.4	83.1	81.8
通用	BIG-Bench Hard (3-shot, CoT)	61.1	38.1	47.0	81.3	65.7
通用	ARC-Challenge (25-shot)	78.6	53.7	67.6	93.0	85.3
知識推理	TriviaQA-Wiki (5-shot)	78.5	72.1	79.6	89.7	87.5
閱讀理解	SQuAD (1-shot)	76.4	72.2	72.1	85.6	82.6
閱讀理解	QuAC (1-shot, F1)	44.4	39.6	44.9	51.1	49.4
閱讀理解	BoolQ (0-shot)	75.7	65.5	66.9	79.0	73.1
閱讀理解	DROP (3-shot, F1)	58.4	37.9	49.8	79.7	70.2

指令微調模型

基準測試	Llama 3 8B	Llama 2 7B	Llama 2 13B	Llama 3 70B	Llama 2 70B
MMLU (5-shot)	68.4	34.1	47.8	82.0	52.9
GPQA (0-shot)	34.2	21.7	22.3	39.5	21.0
HumanEval (0-shot)	62.2	7.9	14.0	81.7	25.6
GSM-8K (8-shot, CoT)	79.6	25.7	77.4	93.0	57.5
MATH (4-shot, CoT)	30.0	3.8	6.7	50.4	11.6

責任與安全

我們認為，開放的AI方法能夠帶來更好、更安全的產品，加速創新，並擴大整體市場。我們致力於負責任的AI開發，並採取了一系列措施來限制模型的濫用和危害，同時支持開源社區的發展。

基礎模型是一種功能強大的技術，可用於多種不同的應用場景。但它們並非旨在滿足所有開發者在所有用例中的安全偏好，因為不同應用的安全需求本質上會有所不同。

相反，負責任的大語言模型應用部署需要在應用開發的整個過程中實施一系列安全最佳實踐，包括模型預訓練、微調以及部署包含安全保障措施的系統，以根據具體用例和受眾量身定製安全需求。

作為Llama 3發佈的一部分，我們更新了負責任使用指南，概述了開發者為其應用實施模型和系統級安全的步驟和最佳實踐。我們還提供了一系列資源，包括Meta Llama Guard 2和Code Shield安全保障工具。這些工具已被證明能夠在保持高實用性的同時，大幅降低大語言模型系統的殘餘風險。我們鼓勵開發者根據自身需求調整和部署這些安全保障措施，並提供了一個參考實現供您參考。

Llama 3-Instruct

正如《負責任使用指南》中所述，模型實用性和模型對齊性之間可能不可避免地存在一些權衡。開發者應根據具體用例和受眾，謹慎權衡對齊性和實用性的好處。在使用Llama模型時，開發者應注意殘餘風險，並根據需要利用額外的安全工具，以達到適合其用例的安全標準。

安全性：對於我們的指令微調模型，我們進行了廣泛的紅隊測試、對抗性評估，並實施了安全緩解技術，以降低殘餘風險。與任何大語言模型一樣，殘餘風險可能仍然存在，我們建議開發者在具體用例的背景下評估這些風險。同時，我們正在與社區合作，使AI安全基準標準更加透明、嚴格和可解釋。

拒絕回答：除了殘餘風險，我們還非常重視模型對良性提示的拒絕回答情況。過度拒絕不僅會影響用戶體驗，在某些情況下甚至可能有害。我們聽取了開發者社區的反饋，並改進了微調過程，確保Llama 3比Llama 2更不可能錯誤地拒絕回答提示。

我們建立了內部基準測試，並開發了緩解措施，以限制錯誤拒絕回答的情況，使Llama 3成為我們迄今為止最實用的模型。

負責任的發佈

除了上述負責任使用的考慮因素外，我們還遵循了嚴格的流程，在發佈模型之前，採取了額外的措施來防止濫用和應對關鍵風險。

濫用：如果您訪問或使用Llama 3，即表示您同意《可接受使用政策》。該政策的最新版本可在此處查看。

關鍵風險

• CBRNE（化學、生物、放射性、核和高當量爆炸物）：我們對模型在這一領域的安全性進行了兩方面的評估：
  • 在模型訓練過程中進行迭代測試，以評估與CBRNE威脅和其他對抗性風險相關的響應安全性。
  • 邀請外部CBRNE專家進行提升測試，評估模型準確提供專家知識的能力，並參考使用網絡搜索（不使用模型）所能達到的效果，降低潛在CBRNE濫用的風險。
• 網絡安全：我們使用Meta的網絡安全評估套件CyberSecEval對Llama 3進行了評估，測量了Llama 3作為編碼助手時建議不安全代碼的傾向，以及Llama 3響應協助進行網絡攻擊請求的傾向，其中攻擊由行業標準的MITRE ATT&CK網絡攻擊本體定義。在不安全編碼和協助網絡攻擊的測試中，Llama 3的表現與具有同等編碼能力的模型相當或更安全。
• 兒童安全：我們使用專家團隊進行了兒童安全風險評估，以評估模型產生可能導致兒童安全風險輸出的能力，並通過微調提供必要和適當的風險緩解建議。在Llama 3模型開發過程中，我們利用這些專家紅隊測試擴展了評估基準的覆蓋範圍。對於Llama 3，我們使用基於目標的方法進行了新的深入測試，以評估模型在多個攻擊向量上的風險。我們還與內容專家合作進行紅隊測試，評估可能違反規定的內容，同時考慮特定市場的細微差別或經驗。

社區

生成式AI安全需要專業知識和工具，我們相信開放社區的力量能夠加速其發展。我們是多個開放聯盟的積極成員，包括AI聯盟、AI合作組織和MLCommons，積極為安全標準化和透明度做出貢獻。我們鼓勵社區採用MLCommons概念驗證評估等分類方法，以促進安全和內容評估的協作和透明度。我們的Purple Llama工具已開源，供社區使用，並廣泛分發給包括雲服務提供商在內的生態系統合作伙伴。我們鼓勵社區為我們的GitHub倉庫做出貢獻。

最後，我們提供了一系列資源，包括輸出報告機制和漏洞賞金計劃，以藉助社區的力量不斷改進Llama技術。

🔧 技術細節

文檔中未提供具體的技術實現細節。

📄 許可證

本模型採用自定義商業許可證，可在此處獲取詳細信息。同時，使用該模型需遵守Llama 3社區許可證，以下是許可證的主要內容：

META LLAMA 3社區許可協議

Meta Llama 3版本發佈日期：2024年4月18日

“協議”指本協議中規定的使用、複製、分發和修改Llama材料的條款和條件。

“文檔”指Meta在https://llama.meta.com/get-started/ 上分發的Meta Llama 3附帶的規格、手冊和文檔。

“被許可方”或“您”指您，或您的僱主，或任何其他個人或實體（如果您代表該個人或實體簽訂本協議），且該個人或實體已達到適用法律、規則或法規要求的提供法律同意的年齡，並且如果您代表僱主或其他個人或實體簽訂本協議，您具有約束他們的法律權力。

“Meta Llama 3”指Meta在https://llama.meta.com/llama-downloads 上分發的基礎大語言模型、軟件和算法，包括機器學習模型代碼、訓練好的模型權重、推理啟用代碼、訓練啟用代碼、微調啟用代碼以及上述內容的其他元素。

“Llama材料”指根據本協議提供的Meta專有的Meta Llama 3和文檔（及其任何部分）的統稱。

“Meta”或“我們”指Meta Platforms Ireland Limited（如果您位於歐洲經濟區或瑞士，或者如果您是一家實體，您的主要營業地點在歐洲經濟區或瑞士）和Meta Platforms, Inc.（如果您位於歐洲經濟區或瑞士以外）。

1. 許可權利和再分發
   • 權利授予：您被授予在Meta體現在Llama材料中的知識產權或其他權利下的非排他性、全球性、不可轉讓且免版稅的有限許可，以使用、複製、分發、拷貝、創建衍生作品並對Llama材料進行修改。
   • 再分發和使用
     • 如果您分發或提供Llama材料（或其任何衍生作品），或使用其中任何一項的產品或服務，包括另一個AI模型，您應（A）隨任何此類Llama材料提供本協議的副本；（B）在相關網站、用戶界面、博客文章、關於頁面或產品文檔上顯著顯示“Built with Meta Llama 3”。如果您使用Llama材料創建、訓練、微調或以其他方式改進一個AI模型，並進行分發或提供，您還應在任何此類AI模型名稱的開頭包含“Llama 3”。
     • 如果您作為集成最終用戶產品的一部分從被許可方處接收Llama材料或其任何衍生作品，則本協議第2條不適用於您。
     • 您必須在分發的所有Llama材料副本中保留以下歸屬聲明，該聲明應包含在作為此類副本一部分分發的“Notice”文本文件中：“Meta Llama 3 is licensed under the Meta Llama 3 Community License, Copyright © Meta Platforms, Inc. All Rights Reserved.”
     • 您對Llama材料的使用必須遵守適用的法律法規（包括貿易合規法律法規），並遵守Llama材料的《可接受使用政策》（可在https://llama.meta.com/llama3/use-policy 上獲取），該政策特此併入本協議。
     • 您不得使用Llama材料或Llama材料的任何輸出或結果來改進任何其他大語言模型（不包括Meta Llama 3或其衍生作品）。
2. 額外商業條款：如果在Meta Llama 3版本發佈日期，被許可方或其關聯方提供的產品或服務的月活躍用戶在前一個日曆月超過7億，則您必須向Meta申請許可證，Meta可自行決定是否授予您許可證。在Meta明確授予您此類權利之前，您無權行使本協議下的任何權利。
3. 免責聲明：除非適用法律要求，Llama材料及其任何輸出和結果均按“現狀”提供，不提供任何形式的保證，Meta明確否認所有明示和暗示的保證，包括但不限於所有權、不侵權、適銷性或特定用途適用性的保證。您獨自負責確定使用或再分發Llama材料的適當性，並承擔與您使用Llama材料及其任何輸出和結果相關的任何風險。
4. 責任限制：在任何情況下，Meta或其關聯方均不對因本協議引起的任何責任理論（包括合同、侵權、疏忽、產品責任或其他）承擔任何利潤損失或任何間接、特殊、後果性、偶發性、懲戒性或懲罰性損害賠償，即使Meta或其關聯方已被告知此類損害賠償的可能性。
5. 知識產權
   • 本協議未授予任何商標許可，關於Llama材料，除非在描述和再分發Llama材料的合理和慣常使用中或如本節5(a)所述，Meta和被許可方均不得使用對方或其任何關聯方擁有或關聯的任何名稱或標記。Meta特此授予您僅在遵守第1.b.i條最後一句的要求時使用“Llama 3”（“標記”）的許可。您將遵守Meta的品牌指南（目前可在https://about.meta.com/brand/resources/meta/company-brand/ 上獲取）。因您使用標記而產生的所有商譽將歸Meta所有。
   • 鑑於Meta對Llama材料及其為Meta製作的衍生作品的所有權，就您製作的Llama材料的任何衍生作品和修改而言，在您和Meta之間，您是且將是此類衍生作品和修改的所有者。
   • 如果您對Meta或任何實體提起訴訟或其他程序（包括訴訟中的交叉索賠或反訴），聲稱Llama材料或Meta Llama 3的輸出或結果，或上述任何部分構成侵犯您擁有或可許可的知識產權或其他權利，則本協議授予您的任何許可證將自此類訴訟或索賠提起之日起終止。您將賠償並使Meta免受任何第三方因您使用或分發Llama材料而產生或與之相關的任何索賠。
6. 期限和終止：本協議的期限將自您接受本協議或訪問Llama材料時開始，並將持續有效，直至根據本協議的條款和條件終止。如果您違反本協議的任何條款或條件，Meta可終止本協議。本協議終止後，您應刪除並停止使用Llama材料。第3、4和7條在本協議終止後仍然有效。
7. 適用法律和管轄權：本協議將受加利福尼亞州法律管轄並依其解釋，不考慮法律選擇原則，《聯合國國際貨物銷售合同公約》不適用於本協議。加利福尼亞州的法院對因本協議引起的任何爭議具有專屬管轄權。

Meta Llama 3可接受使用政策

Meta致力於促進其工具和功能（包括Meta Llama 3）的安全和公平使用。如果您訪問或使用Meta Llama 3，即表示您同意本《可接受使用政策》（“政策”）。本政策的最新版本可在https://llama.meta.com/llama3/use-policy 上找到。

禁止使用情況

我們希望每個人都能安全、負責任地使用Meta Llama 3。您同意您不會使用或允許他人使用Meta Llama 3進行以下行為：

1. 違反法律或他人權利
   • 從事、促進、生成、促成、鼓勵、策劃、煽動或進一步推動非法或違法活動或內容，例如：
     • 暴力或恐怖主義
     • 對兒童的剝削或傷害，包括徵集、創建、獲取或傳播兒童剝削內容，或未能報告兒童性虐待材料
     • 人口販運、剝削和性暴力
     • 向未成年人非法分發信息或材料，包括淫穢材料，或未能對此類信息或材料採用法律要求的年齡限制
     • 性引誘
     • 任何其他犯罪活動
   • 從事、促進、煽動或便利對個人或群體的騷擾、虐待、威脅或欺凌
   • 從事、促進、煽動或便利在就業、就業福利、信貸、住房、其他經濟福利或其他基本商品和服務的提供中進行歧視或其他非法或有害行為
   • 從事未經授權或無執照的任何專業實踐，包括但不限於金融、法律、醫療/健康或相關專業實踐
   • 在未獲得適用法律要求的權利和同意的情況下，收集、處理、披露、生成或推斷個人的健康、人口統計或其他敏感個人或私人信息
   • 從事或便利任何侵犯、盜用或以其他方式違反任何第三方權利的行為或生成任何內容，包括使用Llama材料的任何產品或服務的輸出或結果
   • 創建、生成或便利創建惡意代碼、惡意軟件、計算機病毒或進行任何可能禁用、使負擔過重、干擾或損害網站或計算機系統正常運行、完整性、操作或外觀的其他操作
2. 從事、促進、煽動、便利或協助策劃或開展對個人生命或身體造成傷害風險的活動，包括與以下相關的Meta Llama 3使用：
   • 軍事、戰爭、核工業或應用、間諜活動、使用受美國國務院維護的《國際武器貿易條例》（ITAR）管制的材料或活動
   • 槍支和非法武器（包括武器開發）
   • 非法毒品和受管制/受控物質
   • 關鍵基礎設施、運輸技術或重型機械的操作
   • 自我傷害或傷害他人，包括自殺、自殘和飲食失調
   • 任何旨在煽動或促進暴力、虐待或對個人造成身體傷害的內容
3. 故意欺騙或誤導他人，包括與以下相關的Meta Llama 3使用：
   • 生成、促進或進一步推動欺詐或創建或促進虛假信息
   • 生成、促進或進一步推動誹謗性內容，包括創建誹謗性聲明、圖像或其他內容
   • 生成、促進或進一步分發垃圾郵件
   • 在未經同意、授權或合法權利的情況下冒充他人
   • 表示Meta Llama 3的使用或輸出是人類生成的
   • 生成或便利虛假的在線互動，包括虛假評論和其他虛假在線互動方式
4. 未能向最終用戶適當披露您的AI系統的任何已知危險

請通過以下方式之一報告本政策的任何違反情況、軟件“漏洞”或其他可能導致違反本政策的問題：

• 報告模型問題：https://github.com/meta-llama/llama3
• 報告模型生成的風險內容：developers.facebook.com/llama_output_feedback
• 報告漏洞和安全問題：facebook.com/whitehat/info
• 報告違反可接受使用政策或未經授權使用Meta Llama 3的情況：LlamaUseReport@meta.com

倫理考量和侷限性

Llama 3的核心價值觀是開放性、包容性和實用性。它旨在為所有人服務，並適用於廣泛的用例。因此，它的設計旨在讓具有不同背景、經驗和觀點的人都能使用。Llama 3以用戶的實際情況和需求為出發點，不插入不必要的判斷或規範性內容，同時認識到即使在某些情況下可能存在問題的內容，在其他情況下也可能有其價值。它尊重所有用戶的尊嚴和自主權，特別是在推動創新和進步的自由思想和表達價值觀方面。

但Llama 3是一項新技術，與任何新技術一樣，其使用存在一定風險。到目前為止進行的測試均使用英語，且無法涵蓋所有場景。因此，與所有大語言模型一樣，Llama 3的潛在輸出無法提前預測，在某些情況下，模型可能會對用戶提示產生不準確、有偏見或其他令人反感的響應。因此，在部署Llama 3模型的任何應用之前，開發者應針對具體應用進行安全測試和調整。正如《負責任使用指南》中所述，我們建議將Purple Llama解決方案納入您的工作流程，特別是Llama Guard，它提供了一個基礎模型，用於過濾輸入和輸出提示，在模型級安全的基礎上增加系統級安全。

請參閱負責任使用指南獲取更多信息。

引用說明

@article{llama3modelcard,
  title={Llama 3 Model Card},
  author={AI@Meta},
  year={2024},
  url = {https://github.com/meta-llama/llama3/blob/main/MODEL_CARD.md}
}

貢獻者

Aaditya Singh; Aaron Grattafiori; Abhimanyu Dubey; Abhinav Jauhri; Abhinav Pandey; Abhishek Kadian; Adam Kelsey; Adi Gangidi; Ahmad Al-Dahle; Ahuva Goldstand; Aiesha Letman; Ajay Menon; Akhil Mathur; Alan Schelten; Alex Vaughan; Amy Yang; Andrei Lupu; Andres Alvarado; Andrew Gallagher; Andrew Gu; Andrew Ho; Andrew Poulton; Andrew Ryan; Angela Fan; Ankit Ramchandani; Anthony Hartshorn; Archi Mitra; Archie Sravankumar; Artem Korenev; Arun Rao; Ashley Gabriel; Ashwin Bharambe; Assaf Eisenman; Aston Zhang; Aurelien Rodriguez; Austen Gregerson; Ava Spataru; Baptiste Roziere; Ben Maurer; Benjamin Leonhardi; Bernie Huang; Bhargavi Paranjape; Bing Liu; Binh Tang; Bobbie Chern; Brani Stojkovic; Brian Fuller; Catalina Mejia Arenas; Chao Zhou; Charlotte Caucheteux; Chaya Nayak; Ching-Hsiang Chu; Chloe Bi; Chris Cai; Chris Cox; Chris Marra; Chris McConnell; Christian Keller; Christoph Feichtenhofer; Christophe Touret; Chunyang Wu; Corinne Wong; Cristian Canton Ferrer; Damien Allonsius; Daniel Kreymer; Daniel Haziza; Daniel Li; Danielle Pintz; Danny Livshits; Danny Wyatt; David Adkins; David Esiobu; David Xu; Davide Testuggine; Delia David; Devi Parikh; Dhruv Choudhary; Dhruv Mahajan; Diana Liskovich; Diego Garcia-Olano; Diego Perino; Dieuwke Hupkes; Dingkang Wang; Dustin Holland; Egor Lakomkin; Elina Lobanova; Xiaoqing Ellen Tan; Emily Dinan; Eric Smith; Erik Brinkman; Esteban Arcaute; Filip Radenovic; Firat Ozgenel; Francesco Caggioni; Frank Seide; Frank Zhang; Gabriel Synnaeve; Gabriella Schwarz; Gabrielle Lee; Gada Badeer; Georgia Anderson; Graeme Nail; Gregoire Mialon; Guan Pang; Guillem Cucurell; Hailey Nguyen; Hannah Korevaar; Hannah Wang; Haroun Habeeb; Harrison Rudolph; Henry Aspegren; Hu Xu; Hugo Touvron; Iga Kozlowska; Igor Molybog; Igor Tufanov; Iliyan Zarov; Imanol Arrieta Ibarra; Irina-Elena Veliche; Isabel Kloumann; Ishan Misra; Ivan Evtimov; Jacob Xu; Jade Copet; Jake Weissman; Jan Geffert; Jana Vranes; Japhet Asher; Jason Park; Jay Mahadeokar; Jean-Baptiste Gaya; Jeet Shah; Jelmer van der Linde; Jennifer Chan; Jenny Hong; Jenya Lee; Jeremy Fu; Jeremy Teboul; Jianfeng Chi; Jianyu Huang; Jie Wang; Jiecao Yu; Joanna Bitton; Joe Spisak; Joelle Pineau; Jon Carvill; Jongsoo Park; Joseph Rocca; Joshua Johnstun; Junteng Jia; Kalyan Vasuden Alwala; Kam Hou U; Kate Plawiak; Kartikeya Upasani; Kaushik Veeraraghavan; Ke Li; Kenneth Heafield; Kevin Stone; Khalid El-Arini; Krithika Iyer; Kshitiz Malik; Kuenley Chiu; Kunal Bhalla; Kyle Huang; Lakshya Garg; Lauren Rantala-Yeary; Laurens van der Maaten; Lawrence Chen; Leandro Silva; Lee Bell; Lei Zhang; Liang Tan; Louis Martin; Lovish Madaan; Luca Wehrstedt; Lukas Blecher; Luke de Oliveira; Madeline Muzzi; Madian Khabsa; Manav Avlani; Mannat Singh; Manohar Paluri; Mark Zuckerberg; Marcin Kardas; Martynas Mankus; Mathew Oldham; Mathieu Rita; Matthew Lennie; Maya Pavlova; Meghan Keneally; Melanie Kambadur; Mihir Patel; Mikayel Samvelyan; Mike Clark; Mike Lewis; Min Si; Mitesh Kumar Singh; Mo Metanat; Mona Hassan; Naman Goyal; Narjes Torabi; Nicolas Usunier; Nikolay Bashlykov; Nikolay Bogoychev; Niladri Chatterji; Ning Dong; Oliver Aobo Yang; Olivier Duchenne; Onur Celebi; Parth Parekh; Patrick Alrassy; Paul Saab; Pavan Balaji; Pedro Rittner; Pengchuan Zhang; Pengwei Li; Petar Vasic; Peter Weng; Polina Zvyagina; Prajjwal Bhargava; Pratik Dubal; Praveen Krishnan; Punit Singh Koura; Qing He; Rachel Rodriguez; Ragavan Srinivasan; Rahul Mitra; Ramon Calderer; Raymond Li; Robert Stojnic; Roberta Raileanu; Robin Battey; Rocky Wang; Rohit Girdhar; Rohit Patel; Romain Sauvestre; Ronnie Polidoro; Roshan Sumbaly; Ross Taylor; Ruan Silva; Rui Hou; Rui Wang; Russ Howes; Ruty Rinott; Saghar Hosseini; Sai Jayesh Bondu; Samyak Datta; Sanjay Singh; Sara Chugh; Sargun Dhillon; Satadru Pan; Sean Bell; Sergey Edunov; Shaoliang Nie; Sharan Narang; Sharath Raparthy; Shaun Lindsay; Sheng Feng; Sheng Shen; Shenghao Lin; Shiva Shankar; Shruti Bhosale; Shun Zhang; Simon Vandenhende; Sinong Wang; Seohyun Sonia Kim; Soumya Batra; Sten Sootla; Steve Kehoe; Suchin Gururangan; Sumit Gupta; Sunny Virk; Sydney Borodinsky; Tamar Glaser; Tamar Herman; Tamara Best; Tara Fowler; Thomas Georgiou; Thomas Scialom; Tianhe Li; Todor Mihaylov; Tong Xiao; Ujjwal Karn; Vedanuj Goswami; Vibhor Gupta; Vignesh Ramanathan; Viktor Kerkez; Vinay Satish Kumar; Vincent Gonguet; Vish Vogeti; Vlad Poenaru; Vlad Tiberiu Mihailescu; Vladan Petrovic; Vladimir Ivanov; Wei Li; Weiwei Chu; Wenhan Xiong; Wenyin Fu; Wes Bouaziz; Whitney Meers; Will Constable; Xavier Martinet; Xiaojian Wu; Xinbo Gao; Xinfeng Xie; Xuchao Jia; Yaelle Goldschlag; Yann LeCun; Yashesh Gaur; Yasmine Babaei; Ye Qi; Yenda Li; Yi Wen; Yiwen Song; Youngjin Nam; Yuchen Hao; Yuchen Zhang; Yun Wang; Yuning Mao; Yuzi He; Zacharie Delpierre Coudert; Zachary DeVito; Zahra Hankir; Zhaoduo Wen; Zheng Yan; Zhengxing Chen; Zhenyu Yang; Zoe Papakipos