Meta Llama 3 8B Instruct

🚀 Meta Llama 3大語言模型

Meta Llama 3是Meta研發併發布的一系列大語言模型，包含80億和700億參數兩種規格的預訓練和指令微調生成文本模型。這些模型在對話場景中表現出色，在行業基準測試中超越了許多開源聊天模型，同時在開發過程中注重了實用性和安全性的優化。

🚀 快速開始

本倉庫包含兩個版本的Meta-Llama-3-8B-Instruct，可分別與transformers庫和原始的llama3代碼庫配合使用。

使用transformers庫

你可以使用Transformers的pipeline抽象進行對話推理，也可以藉助Auto類和generate()函數。以下是兩種方法的示例：

Transformers pipeline

import transformers
import torch

model_id = "meta-llama/Meta-Llama-3-8B-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?"},
]

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

outputs = pipeline(
    messages,
    max_new_tokens=256,
    eos_token_id=terminators,
    do_sample=True,
    temperature=0.6,
    top_p=0.9,
)
print(outputs[0]["generated_text"][-1])

Transformers AutoModelForCausalLM

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "meta-llama/Meta-Llama-3-8B-Instruct"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    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?"},
]

input_ids = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt"
).to(model.device)

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

outputs = model.generate(
    input_ids,
    max_new_tokens=256,
    eos_token_id=terminators,
    do_sample=True,
    temperature=0.6,
    top_p=0.9,
)
response = outputs[0][input_ids.shape[-1]:]
print(tokenizer.decode(response, skip_special_tokens=True))

使用原始llama3代碼庫

請遵循倉庫中的說明。

若要下載原始檢查點，可使用以下huggingface-cli命令示例：

huggingface-cli download meta-llama/Meta-Llama-3-8B-Instruct --include "original/*" --local-dir Meta-Llama-3-8B-Instruct

對於Hugging Face支持，建議使用transformers或TGI，類似的命令也適用。

✨ 主要特性

• 多規格選擇：Llama 3有80億和700億參數兩種規格，提供預訓練和指令微調兩種變體。
• 優化對話性能：指令微調模型針對對話場景進行了優化，在常見行業基準測試中表現優於許多開源聊天模型。
• 注重實用性與安全性：在開發過程中，充分考慮了模型的實用性和安全性。

📦 安裝指南

本部分內容可參考上述“快速開始”中的使用說明。

💻 使用示例

基礎用法

使用Transformers pipeline進行對話推理的示例：

import transformers
import torch

model_id = "meta-llama/Meta-Llama-3-8B-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?"},
]

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

outputs = pipeline(
    messages,
    max_new_tokens=256,
    eos_token_id=terminators,
    do_sample=True,
    temperature=0.6,
    top_p=0.9,
)
print(outputs[0]["generated_text"][-1])

高級用法

使用Transformers AutoModelForCausalLM進行對話推理的示例：

from transformers import AutoTokenizer, AutoModelForCausalLM
import torch

model_id = "meta-llama/Meta-Llama-3-8B-Instruct"

tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(
    model_id,
    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?"},
]

input_ids = tokenizer.apply_chat_template(
    messages,
    add_generation_prompt=True,
    return_tensors="pt"
).to(model.device)

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

outputs = model.generate(
    input_ids,
    max_new_tokens=256,
    eos_token_id=terminators,
    do_sample=True,
    temperature=0.6,
    top_p=0.9,
)
response = outputs[0][input_ids.shape[-1]:]
print(tokenizer.decode(response, skip_special_tokens=True))

📚 詳細文檔

模型詳情

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《可接受使用政策》和《Llama 3社區許可證》禁止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模型進行微調以用於英語以外的語言，前提是他們遵守《Llama 3社區許可證》和《可接受使用政策》。

訓練數據

• 概述：Llama 3在超過15萬億標記的公開可用數據上進行了預訓練。微調數據包括公開可用的指令數據集以及超過1000萬個手動標註的示例。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日期為2023年3月，70B模型為2023年12月。

基準測試

基礎預訓練模型

指令微調模型

責任與安全

Llama 3-Instruct

• 安全性：對於指令微調模型，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，可能仍存在殘餘風險，我們建議開發者在具體用例中評估這些風險。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，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。

負責任的發佈

• 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獲取。
• 關鍵風險
  • CBRNE（化學、生物、放射、核和高當量爆炸物）：我們對模型在這方面的安全性進行了雙重評估：在模型訓練期間進行迭代測試，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並減少潛在CBRNE濫用障礙的能力，參考不使用模型時通過網絡搜索所能達到的效果。
  • 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處於相同範圍或更安全。
  • 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措施。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，評估潛在違規內容，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可以加速其發展。我們是多個開放聯盟的活躍成員，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法，以促進安全和內容評估的協作與透明度。我們的Purple Llama工具已開源供社區使用，並廣泛分發到包括雲服務提供商在內的生態系統合作伙伴中。我們鼓勵社區為我們的Github倉庫做出貢獻。

最後，我們建立了一系列資源，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。

倫理考慮與侷限性

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，它設計為對不同背景、經驗和觀點的人都可訪問。Llama 3尊重所有用戶的尊嚴和自主權，特別是推動創新和進步的自由思想和表達價值觀。

但Llama 3是一項新技術，與任何新技術一樣，其使用存在風險。到目前為止的測試僅在英語中進行，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，模型在某些情況下可能會產生不準確、有偏見或其他令人反感的響應。因此，在部署Llama 3模型的任何應用程序之前，開發者應針對其具體應用進行安全測試和調整。如《負責任使用指南》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，在模型級安全之上添加系統級安全。

請參閱《負責任使用指南》，可在此處獲取。

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

🔧 技術細節

硬件和軟件

• 訓練因素：我們使用自定義訓練庫、Meta的研究超級集群和生產集群進行預訓練。微調、標註和評估也在第三方雲計算平臺上進行。
• 碳足跡：預訓練在H100 - 80GB（TDP為700W）類型的硬件上累計使用了770萬GPU小時的計算資源。估計總排放量為2290 tCO2eq，其中100%由Meta的可持續發展計劃抵消。

預訓練期間的CO2排放。時間：每個模型訓練所需的總GPU時間。功耗：所用GPU設備的峰值功率容量，考慮了功率使用效率。Meta的可持續發展計劃直接抵消了100%的排放，由於我們公開發布了這些模型，其他人無需承擔預訓練成本。

基準測試方法

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，請參閱此處。

📄 許可證

自定義商業許可證可在此處獲取。同時，使用Llama 3需遵守《可接受使用政策》和《Llama 3社區許可證》。