Meta Llama 3 8B

🚀 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（LLMs），涵蓋 8B 和 70B 兩種參數規模的預訓練和指令微調生成式文本模型。這些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出色，同時兼顧了實用性和安全性。

🚀 快速開始

使用 Transformers 庫

以下是使用 Transformers 庫調用 Meta-Llama-3-8B 模型的示例代碼：

>>> import transformers
>>> import torch

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

>>> pipeline = transformers.pipeline(
    "text-generation", model=model_id, model_kwargs={"torch_dtype": torch.bfloat16}, device_map="auto"
)
>>> pipeline("Hey how are you doing today?")

使用 llama3 代碼庫

請遵循 倉庫 中的說明進行操作。 使用 huggingface-cli 下載原始檢查點的示例命令如下：

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

對於 Hugging Face 支持，建議使用 Transformers 或 TGI，類似的命令同樣適用。

✨ 主要特性

• 多參數規模選擇：提供 8B 和 70B 兩種參數規模的模型，滿足不同應用場景的需求。
• 對話優化：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。
• 安全性提升：在模型開發過程中，注重安全性和實用性的平衡，採取了一系列措施限制濫用和危害。
• 廣泛應用：預訓練模型可用於多種自然語言生成任務，指令微調模型適用於類助手聊天場景。

📦 安裝指南

本倉庫包含兩個版本的 Meta-Llama-3-8B 模型，分別適用於 Transformers 庫和原始 llama3 代碼庫。具體安裝和使用方法請參考上述“快速開始”部分。

💻 使用示例

基礎用法

使用 Transformers 庫調用模型的基礎示例：

import transformers
import torch

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

pipeline = transformers.pipeline(
    "text-generation", model=model_id, model_kwargs={"torch_dtype": torch.bfloat16}, device_map="auto"
)
result = pipeline("Hey how are you doing today?")
print(result)

高級用法

目前文檔未提供高級用法示例，你可以參考 倉庫 中的更多說明。

📚 詳細文檔

模型詳情

預期用途

• 預期用例：Llama 3 旨在用於英語商業和研究用途。指令微調模型適用於類助手聊天，預訓練模型可用於多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：預訓練在 H100 - 80GB 類型的硬件上累計使用了 770 萬個 GPU 小時的計算資源（TDP 為 700W）。估計總排放量為 2290 tCO2eq，其中 100% 由 Meta 的可持續發展計劃抵消。

訓練數據

• 概述：Llama 3 在來自公開可用來源的超過 15 萬億個標記的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到 2023 年 3 月，70B 模型截止到 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，請參閱 此處。

基礎預訓練模型

指令微調模型

責任與安全

我們認為開放的人工智能方法能夠帶來更好、更安全的產品，加速創新，並擴大整體市場。我們致力於負責任地開發人工智能，並採取了一系列措施來限制濫用和危害，支持開源社區。

基礎模型是功能廣泛的技術，旨在用於多種應用。它們並非旨在開箱即滿足所有開發者對所有用例的安全級別偏好，因為這些偏好本質上會因不同應用而異。

相反，負責任地部署大語言模型應用需要在應用開發的整個過程中實施一系列安全最佳實踐，從模型預訓練、微調，到部署包含保障措施的系統，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 保障措施。這些工具已被證明能顯著降低大語言模型系統的殘留風險，同時保持較高的實用性。我們鼓勵開發者根據自身需求調整和部署這些保障措施，並提供了 參考實現 供你參考。

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的權衡可能不可避免。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，開發者應注意殘留風險，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，並實施了安全緩解措施，以降低殘留風險。與任何大語言模型一樣，殘留風險可能仍然存在，我們建議開發者根據其用例評估這些風險。同時，我們正在與社區合作，使人工智能安全基準標準更加透明、嚴格和可解釋。
• 拒絕響應：除了殘留風險，我們非常重視模型對良性提示的拒絕響應。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。我們建立了內部基準並開發了緩解措施，以限制錯誤拒絕，使 Llama 3 成為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，我們遵循了嚴格的流程，在做出發佈決定之前，採取了額外的措施來防止濫用和應對關鍵風險。

• 濫用：如果你訪問或使用 Llama 3，即表示你同意《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、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降低潛在 CBRNE 濫用風險的能力，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，衡量了 Llama 3 在作為編碼助手時建議不安全代碼的傾向，以及在執行網絡攻擊請求時的響應傾向（攻擊定義遵循行業標準 MITRE ATT&CK 網絡攻擊本體）。在不安全編碼和網絡攻擊實用性測試中，Llama 3 的表現與 具有同等編碼能力的模型 處於同一水平或更安全。
  • 兒童安全：我們組建了專家團隊進行兒童安全風險評估，以評估模型產生可能導致兒童安全風險的輸出的能力，並通過微調提供必要和適當的風險緩解措施。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，我們採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下的風險。我們還與內容專家合作進行紅隊測試，評估可能違規的內容，同時考慮特定市場的細微差別或經驗。

社區

生成式人工智能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。我們積極參與開放聯盟，包括人工智能聯盟、人工智能合作組織和 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方面的合作和透明度。我們的 Purple Llama 工具已開源，供社區使用，並廣泛分發到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。

🔧 技術細節

模型架構

Llama 3 是自迴歸語言模型，採用優化的 Transformer 架構。微調版本使用監督微調（SFT）和基於人類反饋的強化學習（RLHF）來符合人類對實用性和安全性的偏好。

訓練數據

預訓練數據來自公開可用的在線數據源，超過 15 萬億個標記。微調數據包括公開可用的指令數據集和超過 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。

基準測試方法

所有評估均使用內部評估庫。有關方法的詳細信息，請參閱 此處。

📄 許可證

可在 此處 獲取自定義商業許可證。

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