模型概述
模型特點
模型能力
使用案例
🚀 Meta Llama 3.1 多語言大語言模型
Meta Llama 3.1是一系列多語言大語言模型,提供8B、70B和405B三種規格,在多語言對話場景表現出色,優化了生成能力和安全性。
🚀 快速開始
若您有關於模型的問題或建議,可參考模型 README 中的說明。如需瞭解更多關於生成參數和如何在應用中使用Llama 3.1的技術信息,請訪問 此處。
✨ 主要特性
- 多語言支持:支持英語、德語、法語、意大利語、葡萄牙語、印地語、西班牙語和泰語等多種語言。
- 高性能表現:在常見行業基準測試中,超越了許多開源和閉源聊天模型。
- 靈活應用:適用於商業和研究用途,可用於多種自然語言生成任務。
- 安全保障:遵循負責任的發佈策略,提供安全防護措施和評估機制。
📚 詳細文檔
模型信息
Meta Llama 3.1系列多語言大語言模型(LLMs)是一組預訓練和指令微調的生成模型,有8B、70B和405B三種規格(文本輸入/文本輸出)。Llama 3.1的指令微調純文本模型(8B、70B、405B)針對多語言對話用例進行了優化,在常見行業基準測試中表現優於許多現有的開源和閉源聊天模型。
屬性 | 詳情 |
---|---|
模型開發者 | Meta |
模型架構 | Llama 3.1是一種自迴歸語言模型,採用了優化的Transformer架構。微調版本使用監督微調(SFT)和基於人類反饋的強化學習(RLHF)來使模型符合人類對有用性和安全性的偏好。 |
支持語言 | 英語、德語、法語、意大利語、葡萄牙語、印地語、西班牙語和泰語 |
模型發佈日期 | 2024年7月23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 | 自定義商業許可證,即Llama 3.1社區許可證,可在 此處 獲取。 |
訓練數據
- 概述:Llama 3.1在來自公開可用來源的約15萬億個標記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2500萬個合成生成的示例。
- 數據時效性:預訓練數據的截止日期為2023年12月。
預期用途
- 預期用例:Llama 3.1旨在用於多種語言的商業和研究用途。指令微調的純文本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。Llama 3.1模型系列還支持利用其模型輸出改進其他模型,包括合成數據生成和蒸餾。Llama 3.1社區許可證允許這些用例。
- 超出範圍的使用:以任何違反適用法律法規(包括貿易合規法律)的方式使用;以可接受使用政策和Llama 3.1社區許可證禁止的任何其他方式使用;在本模型卡片中未明確提及支持的語言中使用。
硬件和軟件
- 訓練因素:我們使用自定義訓練庫、Meta定製的GPU集群和生產基礎設施進行預訓練。微調、註釋和評估也在生產基礎設施上進行。
- 訓練計算資源:根據下表,在H100 - 80GB(TDP為700W)類型的硬件上累計使用了3930萬個GPU小時進行訓練。訓練時間是每個模型訓練所需的總GPU時間,功耗是所用每個GPU設備的峰值功率容量,並根據功率使用效率進行了調整。
- 訓練溫室氣體排放:估計基於位置的總溫室氣體排放量為11390噸CO2當量。自2020年以來,Meta在其全球運營中保持了淨零溫室氣體排放,並以可再生能源匹配其100%的電力使用,因此基於市場的總溫室氣體排放量為0噸CO2當量。
模型 | 訓練時間(GPU小時) | 訓練功耗(W) | 基於位置的訓練溫室氣體排放(噸CO2eq) | 基於市場的訓練溫室氣體排放(噸CO2eq) |
---|---|---|---|---|
Llama 3.1 8B | 146萬 | 700 | 420 | 0 |
Llama 3.1 70B | 700萬 | 700 | 2040 | 0 |
Llama 3.1 405B | 3084萬 | 700 | 8930 | 0 |
總計 | 3930萬 | - | 11390 | 0 |
確定訓練能源使用和溫室氣體排放的方法可在 此處 找到。由於Meta正在公開發布這些模型,其他人不會產生訓練能源使用和溫室氣體排放。
基準測試分數
在本節中,我們報告了Llama 3.1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。
基礎預訓練模型
類別 | 基準測試 | 樣本數 | 指標 | Llama 3 8B | Llama 3.1 8B | Llama 3 70B | Llama 3.1 70B | Llama 3.1 405B |
---|---|---|---|---|---|---|---|---|
通用 | MMLU | 5 | macro_avg/acc_char | 66.7 | 66.7 | 79.5 | 79.3 | 85.2 |
通用 | MMLU - Pro (CoT) | 5 | macro_avg/acc_char | 36.2 | 37.1 | 55.0 | 53.8 | 61.6 |
通用 | AGIEval English | 3 - 5 | average/acc_char | 47.1 | 47.8 | 63.0 | 64.6 | 71.6 |
通用 | CommonSenseQA | 7 | acc_char | 72.6 | 75.0 | 83.8 | 84.1 | 85.8 |
通用 | Winogrande | 5 | acc_char | - | 60.5 | - | 83.3 | 86.7 |
通用 | BIG - Bench Hard (CoT) | 3 | average/em | 61.1 | 64.2 | 81.3 | 81.6 | 85.9 |
通用 | ARC - Challenge | 25 | acc_char | 79.4 | 79.7 | 93.1 | 92.9 | 96.1 |
知識推理 | TriviaQA - Wiki | 5 | em | 78.5 | 77.6 | 89.7 | 89.8 | 91.8 |
閱讀理解 | SQuAD | 1 | em | 76.4 | 77.0 | 85.6 | 81.8 | 89.3 |
閱讀理解 | QuAC (F1) | 1 | f1 | 44.4 | 44.9 | 51.1 | 51.1 | 53.6 |
閱讀理解 | BoolQ | 0 | acc_char | 75.7 | 75.0 | 79.0 | 79.4 | 80.0 |
閱讀理解 | DROP (F1) | 3 | f1 | 58.4 | 59.5 | 79.7 | 79.6 | 84.8 |
指令微調模型
類別 | 基準測試 | 樣本數 | 指標 | Llama 3 8B Instruct | Llama 3.1 8B Instruct | Llama 3 70B Instruct | Llama 3.1 70B Instruct | Llama 3.1 405B Instruct |
---|---|---|---|---|---|---|---|---|
通用 | MMLU | 5 | macro_avg/acc | 68.5 | 69.4 | 82.0 | 83.6 | 87.3 |
通用 | MMLU (CoT) | 0 | macro_avg/acc | 65.3 | 73.0 | 80.9 | 86.0 | 88.6 |
通用 | MMLU - Pro (CoT) | 5 | micro_avg/acc_char | 45.5 | 48.3 | 63.4 | 66.4 | 73.3 |
通用 | IFEval | - | - | 76.8 | 80.4 | 82.9 | 87.5 | 88.6 |
推理 | ARC - C | 0 | acc | 82.4 | 83.4 | 94.4 | 94.8 | 96.9 |
推理 | GPQA | 0 | em | 34.6 | 30.4 | 39.5 | 46.7 | 50.7 |
代碼 | HumanEval | 0 | pass@1 | 60.4 | 72.6 | 81.7 | 80.5 | 89.0 |
代碼 | MBPP ++ base version | 0 | pass@1 | 70.6 | 72.8 | 82.5 | 86.0 | 88.6 |
代碼 | Multipl - E HumanEval | 0 | pass@1 | - | 50.8 | - | 65.5 | 75.2 |
代碼 | Multipl - E MBPP | 0 | pass@1 | - | 52.4 | - | 62.0 | 65.7 |
數學 | GSM - 8K (CoT) | 8 | em_maj1@1 | 80.6 | 84.5 | 93.0 | 95.1 | 96.8 |
數學 | MATH (CoT) | 0 | final_em | 29.1 | 51.9 | 51.0 | 68.0 | 73.8 |
工具使用 | API - Bank | 0 | acc | 48.3 | 82.6 | 85.1 | 90.0 | 92.0 |
工具使用 | BFCL | 0 | acc | 60.3 | 76.1 | 83.0 | 84.8 | 88.5 |
工具使用 | Gorilla Benchmark API Bench | 0 | acc | 1.7 | 8.2 | 14.7 | 29.7 | 35.3 |
工具使用 | Nexus (0 - shot) | 0 | macro_avg/acc | 18.1 | 38.5 | 47.8 | 56.7 | 58.7 |
多語言 | Multilingual MGSM (CoT) | 0 | em | - | 68.9 | - | 86.9 | 91.6 |
多語言基準測試
類別 | 基準測試 | 語言 | Llama 3.1 8B | Llama 3.1 70B | Llama 3.1 405B |
---|---|---|---|---|---|
通用 | MMLU (5 - shot, macro_avg/acc) | 葡萄牙語 | 62.12 | 80.13 | 84.95 |
通用 | MMLU (5 - shot, macro_avg/acc) | 西班牙語 | 62.45 | 80.05 | 85.08 |
通用 | MMLU (5 - shot, macro_avg/acc) | 意大利語 | 61.63 | 80.4 | 85.04 |
通用 | MMLU (5 - shot, macro_avg/acc) | 德語 | 60.59 | 79.27 | 84.36 |
通用 | MMLU (5 - shot, macro_avg/acc) | 法語 | 62.34 | 79.82 | 84.66 |
通用 | MMLU (5 - shot, macro_avg/acc) | 印地語 | 50.88 | 74.52 | 80.31 |
通用 | MMLU (5 - shot, macro_avg/acc) | 泰語 | 50.32 | 72.95 | 78.21 |
責任與安全
作為我們負責任發佈方法的一部分,我們採用了三管齊下的策略來管理信任和安全風險:
- 使開發人員能夠為其目標受眾和Llama支持的用例部署有用、安全和靈活的體驗。
- 保護開發人員免受旨在利用Llama功能造成潛在危害的惡意用戶的侵害。
- 為社區提供保護,幫助防止我們的模型被濫用。
負責任的部署
Llama是一種基礎技術,旨在用於各種用例。有關Meta的Llama模型如何負責任地部署的示例,請參閱我們的 社區故事網頁。我們的方法是構建最有用的模型,使世界能夠從技術力量中受益,通過調整我們的模型安全性以應對通用用例,解決一系列標準危害。然後,開發人員可以根據自己的用例定製安全性,定義自己的政策,並在其Llama系統中部署必要的保障措施。Llama 3.1是按照我們的負責任使用指南中概述的最佳實踐開發的,您可以參考 負責任使用指南 瞭解更多信息。
Llama 3.1指令微調
我們進行安全微調的主要目標是為研究社區提供一個有價值的資源,用於研究安全微調的魯棒性,同時為開發人員提供一個隨時可用、安全且強大的模型,用於各種應用,以減少開發人員部署安全AI系統的工作量。有關實施的安全緩解措施的更多詳細信息,請閱讀Llama 3論文。
微調數據:我們採用多方面的數據收集方法,將供應商提供的人類生成數據與合成數據相結合,以減輕潛在的安全風險。我們開發了許多基於大語言模型(LLM)的分類器,使我們能夠精心選擇高質量的提示和響應,加強數據質量控制。
拒絕和語氣:在Llama 3的基礎上,我們非常重視模型對良性提示的拒絕以及拒絕語氣。我們在安全數據策略中包括了邊界和對抗性提示,並修改了我們的安全數據響應以遵循語氣指南。
Llama 3.1系統
大型語言模型,包括Llama 3.1,並非旨在單獨部署,而是應作為整體AI系統的一部分,並根據需要添加額外的安全護欄。開發人員在構建自主系統時應部署系統保障措施。保障措施是實現正確的有用性 - 安全性對齊以及減輕系統固有的安全和風險以及模型或系統與外部工具集成的關鍵。
作為我們負責任發佈方法的一部分,我們為社區提供 保障措施,開發人員應將其與Llama模型或其他LLM一起部署,包括Llama Guard 3、Prompt Guard和Code Shield。我們所有的 參考實現 演示默認包含這些保障措施,以便開發人員可以立即從系統級安全中受益。
新功能
請注意,此版本引入了新功能,包括更長的上下文窗口、多語言輸入和輸出以及開發人員可能與第三方工具的集成。使用這些新功能除了需要遵循適用於所有生成式AI用例的最佳實踐外,還需要進行特定的考慮。
工具使用:與標準軟件開發一樣,開發人員負責將LLM與他們選擇的工具和服務集成。他們應該為自己的用例定義明確的政策,並評估他們使用的第三方服務的完整性,以瞭解使用此功能時的安全和風險限制。請參考負責任使用指南,瞭解安全部署第三方保障措施的最佳實踐。
多語言支持:Llama 3.1除英語外還支持7種語言:法語、德語、印地語、意大利語、葡萄牙語、西班牙語和泰語。Llama可能能夠輸出超出安全和有用性性能閾值的其他語言的文本。我們強烈建議開發人員在未根據其政策和負責任使用指南中共享的最佳實踐實施微調系統控制的情況下,不要使用此模型在不支持的語言中進行對話。
評估
我們評估了Llama模型的常見用例和特定功能。常見用例評估衡量了最常見構建的應用程序(包括聊天機器人、編碼助手、工具調用)系統的安全風險。我們構建了專門的對抗性評估數據集,並評估了由Llama模型和Llama Guard 3組成的系統,以過濾輸入提示和輸出響應。在上下文中評估應用程序很重要,我們建議為您的用例構建專門的評估數據集。如果適用於應用程序,Prompt Guard和Code Shield也可用。
功能評估衡量了Llama模型特定功能固有的漏洞,為此我們精心設計了專門的基準測試,包括長上下文、多語言、工具調用、編碼或記憶。
紅隊測試:對於這兩種情況,我們進行了定期的紅隊測試,目標是通過對抗性提示發現風險,並利用這些經驗改進我們的基準測試和安全調優數據集。
我們早期與關鍵風險領域的主題專家合作,瞭解這些現實世界危害的性質,以及此類模型如何可能對社會造成意外危害。基於這些對話,我們為紅隊制定了一組對抗性目標,例如提取有害信息或重新編程模型以發揮潛在危害能力。紅隊由網絡安全、對抗性機器學習、負責任AI和誠信方面的專家以及在特定地理市場有誠信問題背景的多語言內容專家組成。
關鍵和其他風險
我們特別緻力於減輕以下關鍵風險領域:
- CBRNE(化學、生物、放射、核和爆炸材料)有用性:為了評估與化學和生物武器擴散相關的風險,我們進行了提升測試,旨在評估使用Llama 3.1模型是否會顯著增強惡意行為者使用此類武器計劃或實施攻擊的能力。
- 兒童安全: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的輸出的能力,並通過微調提供必要和適當的風險緩解建議。我們利用這些專家紅隊測試會話,在Llama 3模型開發過程中擴大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會話,以評估模型在多種攻擊向量下的風險,包括Llama 3訓練的其他語言。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。
- 網絡攻擊啟用:我們的網絡攻擊提升研究調查了LLM是否可以在技能水平和速度方面增強人類在黑客任務中的能力。我們的攻擊自動化研究專注於評估LLM作為自主代理在網絡攻擊行動中的能力,特別是在勒索軟件攻擊的背景下。此評估與之前將LLM視為交互式助手的研究不同。主要目標是評估這些模型是否可以在沒有人類干預的情況下有效作為獨立代理執行復雜的網絡攻擊。我們對Llama - 3.1 - 405B對網絡攻擊者的社會工程提升進行了研究,以評估AI模型在協助網絡威脅行為者進行針對性網絡釣魚活動中的有效性。請閱讀我們的Llama 3.1網絡安全白皮書以瞭解更多信息。
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。我們鼓勵社區採用像MLCommons概念驗證評估這樣的分類法,以促進安全和內容評估的合作和透明度。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。
我們還設立了 Llama影響贈款 計劃,以識別和支持Meta的Llama模型在三個類別中的最有吸引力的應用,以造福社會:教育、氣候和開放創新。數百份申請中的20名決賽選手可在 此處 找到。
最後,我們建立了一套資源,包括 輸出報告機制 和 漏洞賞金計劃,以在社區的幫助下不斷改進Llama技術。
倫理考慮和侷限性
Llama 3.1的核心價值觀是開放性、包容性和有用性。它旨在為每個人服務,並適用於廣泛的用例。因此,它旨在讓具有不同背景、經驗和觀點的人都能使用。Llama 3.1以用戶的實際需求為出發點,不插入不必要的判斷或規範性,同時認識到即使在某些情況下可能看似有問題的內容,在其他情況下也可能有價值。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 3.1是一項新技術,與任何新技術一樣,其使用存在風險。到目前為止進行的測試尚未涵蓋,也不可能涵蓋所有場景。出於這些原因,與所有LLM一樣,Llama 3.1的潛在輸出無法提前預測,並且模型在某些情況下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 3.1模型的任何應用程序之前,開發人員應針對其特定應用進行安全測試和調整。請參考可用資源,包括我們的 負責任使用指南、信任和安全 解決方案和其他 資源,瞭解更多關於負責任開發的信息。
📄 許可證
Llama 3.1使用自定義商業許可證,即Llama 3.1社區許可證,可在 此處 獲取。
LLAMA 3.1社區許可協議
Llama 3.1版本發佈日期:2024年7月23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/doc/overview 上分發的Llama 3.1隨附的規範、手冊和文檔。
“被許可方” 或 “您” 指您,或您的僱主或任何其他人或實體(如果您代表該人或實體簽訂本協議),達到適用法律、規則或法規要求的提供法律同意的年齡,並且如果您代表您的僱主或其他人員或實體簽訂本協議,則具有約束他們的法律權力。
“Llama 3.1” 指基礎大語言模型、軟件和算法,包括機器學習模型代碼、訓練模型權重、推理啟用代碼、訓練啟用代碼、微調啟用代碼以及Meta在 https://llama.meta.com/llama-downloads 上分發的上述內容的其他元素。
“Llama材料” 指Meta根據本協議提供的專有Llama 3.1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,或者如果您是一個實體,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)。
- 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、不可轉讓和免版稅的有限許可,以使用、複製、分發、複製、創作衍生作品並對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),或包含其中任何內容的產品或服務(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 Llama”。如果您使用Llama材料或Llama材料的任何輸出或結果創建、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,則您還應在任何此類AI模型名稱的開頭包含 “Llama”。
- 如果您作為集成最終用戶產品的一部分從被許可方接收Llama材料或其任何衍生作品,則本協議第2條不適用於您。
- 您必須在您分發的所有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 “通知” 文本文件中:“Llama 3.1 is licensed under the Llama 3.1 Community License, Copyright © Meta Platforms, Inc. All Rights Reserved.”
- 您使用Llama材料必須符合適用的法律法規(包括貿易合規法律和法規),並遵守Llama材料的可接受使用政策(可在 https://llama.meta.com/llama3_1/use-policy 找到),該政策特此通過引用併入本協議。
- 額外商業條款:如果在Llama 3.1版本發佈日期,被許可方或被許可方的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7億月活躍用戶,您必須向Meta請求許可,Meta可自行決定是否授予您許可,並且在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。
- 保修免責聲明:除非適用法律要求,Llama材料及其任何輸出和結果按 “原樣” 提供,不提供任何形式的保證,Meta否認所有形式的保證,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。
- 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(無論是合同、侵權、疏忽、產品責任還是其他)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的可能性。
- 知識產權
- 本協議未授予任何商標許可,與Llama材料相關,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特此授予您僅為遵守第1.b.i條最後一句而使用 “Llama”(“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/ 訪問)。因您使用標記而產生的所有商譽將歸Meta所有。
- 鑑於Meta對Llama材料及其衍生作品的所有權,對於您對Llama材料進行的任何衍生作品和修改,在您和Meta之間,您是並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(包括訴訟中的反訴或反請求),聲稱Llama材料或Llama 3.1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將自提起此類訴訟或請求之日起終止。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。
- 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。
- 適用法律和管轄權:本協議將受加利福尼亞州法律管轄和解釋,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。
Llama 3.1可接受使用政策
Meta致力於促進其工具和功能(包括Llama 3.1)的安全和公平使用。如果您訪問或使用Llama 3.1,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_1/use-policy 找到。
禁止使用
我們希望每個人都能安全、負責任地使用Llama 3.1。您同意您不會使用或允許他人使用Llama 3.1:
- 違反法律或他人權利,包括:
- 從事、促進、生成、促成、鼓勵、計劃、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,包括招攬、創建、獲取或傳播兒童剝削內容或未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,或未對相關信息或材料採用法律要求的年齡限制
- 性招攬
- 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提供方面的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、挪用或以其他方式侵犯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、計算機病毒或做任何可能禁用、使負擔過重、干擾或損害網站或計算機系統的正常運行、完整性、操作或外觀的事情
- 從事、促進、生成、促成、鼓勵、計劃、煽動或進一步推動非法或違法活動或內容,例如:
- 從事、促進、煽動、便利或協助計劃或開展對個人造成死亡或身體傷害風險的活動,包括與以下相關的Llama 3.1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)
- 非法藥物和受管制/受控物質
- 關鍵基礎設施、運輸技術或重型機械的操作
- 自我傷害或對他人的傷害,包括自殺、切割和飲食失調
- 任何旨在煽動或促進對個人的暴力、虐待或任何身體傷害的內容
- 故意欺騙或誤導他人,包括與以下相關的Llama 3.1使用:
- 生成、促進或進一步推動欺詐或虛假信息的創建或傳播
- 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Llama 3.1的使用或輸出是人類生成的
- 生成或促進虛假的在線互動,包括虛假評論和其他虛假在線互動方式
- 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任何違反本政策、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/llama-models/issues
- 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
⚠️ 重要提示
Llama 3.1已在比支持的8種語言更廣泛的語言集合上進行了訓練。開發人員可以對Llama 3.1模型進行微調,以用於支持的8種語言以外的語言,前提是他們遵守Llama 3.1社區許可證和可接受使用政策,並且在這種情況下,有責任確保以安全和負責任的方式使用Llama 3.1處理其他語言。
💡 使用建議
在部署Llama 3.1模型的任何應用程序之前,請針對您的特定應用進行安全測試和調整。參考可用資源,如 負責任使用指南、信任和安全 解決方案和其他 資源,瞭解更多關於負責任開發的信息。



