Llama 3.2 1B Instruct SpinQuant INT4 EO8

🚀 Llama 3.2大語言模型

Llama 3.2是Meta推出的多語言大語言模型集合，有1B和3B兩種規模。它針對多語言對話場景進行了優化，在常見行業基準測試中表現出色，可廣泛應用於商業和研究領域。

🚀 快速開始

使用Llama 3.2前，請確保你已同意Llama 3.2社區許可協議。若要提供對模型的反饋或評論，可查看Llama Models的README。如需瞭解更多關於生成參數的技術信息以及如何在應用程序中使用Llama 3.2的方法，請訪問此處。

✨ 主要特性

• 多語言支持：官方支持英語、德語、法語、意大利語、葡萄牙語、印地語、西班牙語和泰語，且在更多語言數據上進行了訓練。
• 高性能表現：在常見行業基準測試中，超越了許多現有的開源和閉源聊天模型。
• 多種應用場景：適用於商業和研究，可用於知識檢索、總結、移動AI寫作助手等。
• 優化架構：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）。

📦 安裝指南

文檔未提供具體安裝步驟，故跳過此章節。

💻 使用示例

文檔未提供具體代碼示例，故跳過此章節。

📚 詳細文檔

模型信息

屬性	詳情
模型開發者	Meta
模型架構	Llama 3.2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）以符合人類對有用性和安全性的偏好。
支持語言	官方支持英語、德語、法語、意大利語、葡萄牙語、印地語、西班牙語和泰語。開發者可在遵守許可協議和使用政策的前提下，對其他語言進行微調。
模型發佈日期	2024年10月24日
狀態	這是一個基於離線數據集訓練的靜態模型，未來可能會發布改進版本。
許可證	使用Llama 3.2受Llama 3.2社區許可協議（自定義商業許可協議）約束。

模型參數詳情

模型	訓練數據	參數	輸入模態	輸出模態	上下文長度	GQA	共享嵌入	令牌計數	知識截止日期
Llama 3.2（僅文本）	公開可用在線數據的新組合	1B (1.23B)	多語言文本	多語言文本和代碼	128k	是	是	最多9T令牌	2023年12月
		3B (3.21B)	多語言文本	多語言文本和代碼
Llama 3.2量化版（僅文本）	公開可用在線數據的新組合	1B (1.23B)	多語言文本	多語言文本和代碼	8k	是	是	最多9T令牌	2023年12月
		3B (3.21B)	多語言文本	多語言文本和代碼

預期用途

預期用例

• 商業和研究：適用於多種語言的商業和研究用途。
• 指令微調文本模型：用於類似助手的聊天和代理應用，如知識檢索、總結、移動AI寫作助手以及查詢和提示重寫。
• 預訓練模型：可適應各種自然語言生成任務。
• 量化模型：適用於計算資源有限的設備上的各種用例。

超出範圍的使用

• 違反適用法律法規（包括貿易合規法律）的任何使用方式。
• 違反可接受使用政策和Llama 3.2社區許可協議的任何其他使用方式。
• 使用本模型卡中未明確支持的語言。

硬件和軟件

訓練因素

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、量化、註釋和評估也在生產基礎設施上進行。

訓練能源使用

訓練在H100 - 80GB（TDP為700W）類型的硬件上累計使用了916k GPU小時的計算資源。訓練時間是訓練每個模型所需的總GPU時間，功耗是每個GPU設備的峰值功率容量，並根據電源使用效率進行了調整。

訓練溫室氣體排放

訓練估計的基於位置的總溫室氣體排放量為240噸CO2eq。自2020年以來，Meta在全球運營中保持淨零溫室氣體排放，並以可再生能源匹配其100%的電力使用；因此，訓練的基於市場的總溫室氣體排放量為0噸CO2eq。

模型	訓練時間（GPU小時）	對數生成時間（GPU小時）	訓練功耗（W）	訓練基於位置的溫室氣體排放（噸CO2eq）	訓練基於市場的溫室氣體排放（噸CO2eq）
Llama 3.2 1B	370k	-	700	107	0
Llama 3.2 3B	460k	-	700	133	0
Llama 3.2 1B SpinQuant	1.7	0	700	可忽略不計*	0
Llama 3.2 3B SpinQuant	2.4	0	700	可忽略不計*	0
Llama 3.2 1B QLora	1.3k	0	700	0.381	0
Llama 3.2 3B QLora	1.6k	0	700	0.461	0
總計	833k	86k		240	0

注：Llama 3.2 1B SpinQuant和Llama 3.2 3B SpinQuant的基於位置的CO2e排放量均小於0.001公噸，這是由於所需的訓練GPU小時數極少。

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。

訓練數據

• 概述：Llama 3.2在來自公開可用來源的多達9萬億令牌的數據上進行了預訓練。對於1B和3B的Llama 3.2模型，在模型開發的預訓練階段，將Llama 3.1 8B和70B模型的對數（logits）納入其中，這些較大模型的輸出（logits）被用作令牌級目標。剪枝後使用知識蒸餾來恢復性能。在訓練後，採用了與Llama 3.1類似的方法，通過在預訓練模型上進行幾輪對齊來生成最終的聊天模型。每一輪都涉及監督微調（SFT）、拒絕採樣（RS）和直接偏好優化（DPO）。
• 數據新鮮度：預訓練數據的截止日期為2023年12月。

量化

量化方案

當前的量化方案是結合PyTorch的ExecuTorch推理框架和Arm CPU後端設計的，考慮了模型質量、預填充/解碼速度和內存佔用等指標。量化方案包括三個部分：

• 所有Transformer塊中的所有線性層的權重被量化為4位分組方案（組大小為32），激活值採用8位每個令牌的動態量化。
• 分類層的權重被量化為8位每通道，激活值採用8位每個令牌的動態量化。
• 與分類層類似，嵌入層採用8位每通道的量化。

量化感知訓練和LoRA

使用低秩自適應（LoRA）的量化感知訓練（QAT）模型僅經過訓練後階段，使用與全精度模型相同的數據。為了初始化QAT，利用監督微調（SFT）後獲得的BF16 Llama 3.2模型檢查點，並使用QAT進行額外的一輪完整的SFT訓練。然後凍結QAT模型的主幹，並對Transformer塊內的所有層應用LoRA適配器進行另一輪SFT。同時，LoRA適配器的權重和激活值保持在BF16。由於該方法類似於Dettmers等人（2023）的QLoRA（即量化後使用LoRA適配器），因此將此方法稱為QLoRA。最後，使用直接偏好優化（DPO）對得到的模型（包括主幹和LoRA適配器）進行微調。

SpinQuant

SpinQuant與生成式訓練後量化（GPTQ）一起應用。對於SpinQuant旋轉矩陣的微調，使用WikiText 2數據集中序列長度為2048的800個樣本進行了100次迭代的優化。對於GPTQ，使用了相同數據集中相同序列長度的128個樣本。

基準測試 - 英文文本

基礎預訓練模型

類別	基準測試	樣本數	指標	Llama 3.2 1B	Llama 3.2 3B	Llama 3.1 8B
通用	MMLU	5	macro_avg/acc_char	32.2	58	66.7
	AGIEval English	3 - 5	average/acc_char	23.3	39.2	47.8
	ARC - Challenge	25	acc_char	32.8	69.1	79.7
閱讀理解	SQuAD	1	em	49.2	67.7	77
	QuAC (F1)	1	f1	37.9	42.9	44.9
	DROP (F1)	3	f1	28.0	45.2	59.5
長上下文	Needle in Haystack	0	em	96.8	1	1

指令微調模型

| 能力 | 基準測試 | 樣本數 | 指標 | Llama 3.2 1B bf16 | Llama 3.2 1B Vanilla PTQ** | Llama 3.2 1B Spin Quant | Llama 3.2 1B QLoRA | Llama 3.2 3B bf16 | Llama 3.2 3B Vanilla PTQ** | Llama 3.2 3B Spin Quant | Llama 3.2 3B QLoRA | Llama 3.1 8B | | :---: | ----- | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | :---: | | 通用 | MMLU | 5 | macro_avg/acc | 49.3 | 43.3 | 47.3 | 49.0 | 63.4 | 60.5 | 62 | 62.4 | 69.4 | | 重寫 | Open - rewrite eval | 0 | micro_avg/rougeL | 41.6 | 39.2 | 40.9 | 41.2 | 40.1 | 40.3 | 40.8 | 40.7 | 40.9 | | 總結 | TLDR9+ (test) | 1 | rougeL | 16.8 | 14.9 | 16.7 | 16.8 | 19.0 | 19.1 | 19.2 | 19.1 | 17.2 | | 指令遵循 | IFEval | 0 | Avg(Prompt/Instruction acc Loose/Strict) | 59.5 | 51.5 | 58.4 | 55.6 | 77.4 | 73.9 | 73.5 | 75.9 | 80.4 | | 數學 | GSM8K (CoT) | 8 | em_maj1@1 | 44.4 | 33.1 | 40.6 | 46.5 | 77.7 | 72.9 | 75.7 | 77.9 | 84.5 | | | MATH (CoT) | 0 | final_em | 30.6 | 20.5 | 25.3 | 31.0 | 48.0 | 44.2 | 45.3 | 49.2 | 51.9 | | 推理 | ARC - C | 0 | acc | 59.4 | 54.3 | 57 | 60.7 | 78.6 | 75.6 | 77.6 | 77.6 | 83.4 | | | GPQA | 0 | acc | 27.2 | 25.9 | 26.3 | 25.9 | 32.8 | 32.8 | 31.7 | 33.9 | 32.8 | | | Hellaswag | 0 | acc | 41.2 | 38.1 | 41.3 | 41.5 | 69.8 | 66.3 | 68 | 66.3 | 78.7 | | 工具使用 | BFCL V2 | 0 | acc | 25.7 | 14.3 | 15.9 | 23.7 | 67.0 | 53.4 | 60.1 | 63.5 | 67.1 | | | Nexus | 0 | macro_avg/acc | 13.5 | 5.2 | 9.6 | 12.5 | 34.3 | 32.4 | 31.5 | 30.1 | 38.5 | | 長上下文 | InfiniteBench/En.QA | 0 | longbook_qa/f1 | 20.3 | N/A | N/A | N/A | 19.8 | N/A | N/A | N/A | 27.3 | | | InfiniteBench/En.MC | 0 | longbook_choice/acc | 38.0 | N/A | N/A | N/A | 63.3 | N/A | N/A | N/A | 72.2 | | | NIH/Multi - needle | 0 | recall | 75.0 | N/A | N/A | N/A | 84.7 | N/A | N/A | N/A | 98.8 | | 多語言 | MGSM (CoT) | 0 | em | 24.5 | 13.7 | 18.2 | 24.4 | 58.2 | 48.9 | 54.3 | 56.8 | 68.9 |

注：僅用於比較目的，該模型未發佈。

多語言基準測試

類別	基準測試	語言	Llama 3.2 1B	Llama 3.2 1B Vanilla PTQ**	Llama 3.2 1B Spin Quant	Llama 3.2 1B QLoRA	Llama 3.2 3B	Llama 3.2 3B Vanilla PTQ**	Llama 3.2 3B Spin Quant	Llama 3.2 3B QLoRA	Llama 3.1 8B
通用	MMLU (5 - shot, macro_avg/acc)	葡萄牙語	39.8	34.9	38.9	40.2	54.5	50.9	53.3	53.4	62.1
		西班牙語	41.5	36.0	39.8	41.8	55.1	51.9	53.6	53.6	62.5
		意大利語	39.8	34.9	38.1	40.6	53.8	49.9	52.1	51.7	61.6
		德語	39.2	34.9	37.5	39.6	53.3	50.0	52.2	51.3	60.6
		法語	40.5	34.8	39.2	40.8	54.6	51.2	53.3	53.3	62.3
		印地語	33.5	30.0	32.1	34.0	43.3	40.4	42.0	42.1	50.9
		泰語	34.7	31.2	32.4	34.9	44.5	41.3	44.0	42.2	50.3

注：僅用於比較目的，該模型未發佈。

推理時間

在下表中，我們將不同量化方法（SpinQuant和QAT + LoRA）的性能指標與BF16基線進行了比較。評估使用ExecuTorch框架作為推理引擎，以ARM CPU為後端，在Android OnePlus 12設備上進行。

類別	解碼（令牌/秒）	首令牌時間（秒）	預填充（令牌/秒）	模型大小（PTE文件大小，MB）	內存大小（RSS，MB）
1B BF16（基線）	19.2	1.0	60.3	2358	3,185
1B SpinQuant	50.2 (2.6x)	0.3 (-76.9%)	260.5 (4.3x)	1083 (-54.1%)	1,921 (-39.7%)
1B QLoRA	45.8 (2.4x)	0.3 (-76.0%)	252.0 (4.2x)	1127 (-52.2%)	2,255 (-29.2%)
3B BF16（基線）	7.6	3.0	21.2	6129	7,419
3B SpinQuant	19.7 (2.6x)	0.7 (-76.4%)	89.7 (4.2x)	2435 (-60.3%)	3,726 (-49.8%)
3B QLoRA	18.5 (2.4x)	0.7 (-76.1%)	88.8 (4.2x)	2529 (-58.7%)	4,060 (-45.3%)

注：

• 性能測量採用基於adb二進制的方法。
• 在Android OnePlus 12設備上進行測量。
• 首令牌時間（TTFT）在提示長度為64時進行測量。

責任與安全

負責任的部署

• 方法：Llama是一種基礎技術，旨在用於各種用例。Meta的Llama模型負責任部署的示例可在社區故事網頁中找到。Meta的方法是構建最有用的模型，通過使模型安全適應通用用例並解決一系列標準危害，讓世界從技術力量中受益。然後，開發者可以根據自己的用例定製安全性，定義自己的政策，並在Llama系統中部署必要的保障措施。Llama 3.2是按照負責任使用指南中概述的最佳實踐開發的。
• Llama 3.2指令：
  • 目標：進行安全微調的主要目標是為研究社區提供研究安全微調魯棒性的有價值資源，同時為開發者提供一個現成的、安全且強大的模型，用於各種應用，以減少開發者部署安全AI系統的工作量。實施了與Llama 3相同的安全緩解措施，更多信息可在Llama 3 論文中瞭解。
  • 微調數據：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。開發了許多基於大語言模型（LLM）的分類器，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，高度重視模型對良性提示的拒絕以及拒絕語氣。在安全數據策略中包括了臨界和對抗性提示，並修改了安全數據響應以遵循語氣指南。
• Llama 3.2系統：
  • 系統安全：包括Llama 3.2在內的大語言模型並非設計為單獨部署，而是應作為整體AI系統的一部分，根據需要添加額外的安全護欄。開發者在構建代理系統時應部署系統保障措施。保障措施對於實現正確的有用性 - 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時的風險至關重要。作為負責任發佈方法的一部分，Meta為社區提供了保障措施，開發者應將其與Llama模型或其他大語言模型一起部署，包括Llama Guard、Prompt Guard和Code Shield。所有參考實現演示默認包含這些保障措施，以便開發者可以立即從系統級安全中受益。

新功能和用例

• 技術進步：Llama的發佈通常會引入新功能，除了適用於所有生成式AI用例的最佳實踐外，還需要特定的考慮因素。對於Llama 3.2也支持的先前版本的功能，請參閱Llama 3.1模型卡，因為相同的考慮因素也適用於此處。
• 受限環境：Llama 3.2 1B和3B模型預計將部署在高度受限的環境中，如移動設備。使用較小模型的LLM系統與更復雜的大型系統相比，將具有不同的對齊配置文件和安全性/有用性權衡。開發者應確保其系統的安全性滿足用例的要求。建議為此類用例使用較輕的系統保障措施，如Llama Guard 3 - 1B或其針對移動設備優化的版本。

評估

• 大規模評估：構建了專門的對抗性評估數據集，並評估了由Llama模型和Purple Llama保障措施組成的系統，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，建議為自己的用例構建專門的評估數據集。
• 紅隊測試：定期進行紅隊測試，目標是通過對抗性提示發現風險，並利用這些經驗教訓改進基準測試和安全調優數據集。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。根據這些對話，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的有害作用。紅隊由網絡安全、對抗性機器學習、負責任AI和內容完整性專家以及在特定地理市場具有內容完整性問題背景的多語言內容專家組成。

關鍵風險

除了上述安全工作外，還特別關注測量和/或減輕以下關鍵風險領域：

• CBRNE（化學、生物、放射、核和爆炸武器）：Llama 3.2 1B和3B模型是Llama 3.1的較小且能力較弱的衍生模型。對於Llama 3.1 70B和405B，為了評估與化學和生物武器擴散相關的風險，進行了提升測試，旨在評估使用Llama 3.1模型是否會顯著提高惡意行為者計劃或實施使用此類武器的攻擊的能力，並確定此類測試也適用於較小的1B和3B模型。
• 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，並通過微調提供任何必要和適當的風險緩解措施。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，使用基於目標的方法進行了新的深入會話，以評估模型在多個攻擊向量上的風險，包括Llama 3訓練的其他語言。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：對於Llama 3.1 405B，網絡攻擊提升研究調查了大語言模型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。攻擊自動化研究專注於評估大語言模型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。此評估與之前將大語言模型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地作為獨立代理執行復雜的網絡攻擊。由於Llama 3.2的1B和3B模型比Llama 3.1 405B更小且能力更弱，因此普遍認為對405B模型進行的測試也適用於Llama 3.2模型。

社區

• 行業合作伙伴關係：生成式AI安全需要專業知識和工具，Meta相信開放社區的力量可以加速其發展。Meta是開放聯盟的積極成員，包括AI Alliance、Partnership on AI和MLCommons，積極為安全標準化和透明度做出貢獻。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合作和透明度。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。鼓勵社區為GitHub倉庫做出貢獻。
• 資助計劃：還設立了Llama影響資助計劃，以識別和支持Meta的Llama模型在三個類別（教育、氣候和開放創新）中對社會有益的最有吸引力的應用。數百份申請中的20名決賽選手可在此處找到。
• 報告機制：最後，建立了一系列資源，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

• 價值觀：Llama 3.2的核心價值觀是開放性、包容性和有用性。它旨在為所有人服務，並適用於廣泛的用例。因此，它被設計為對具有不同背景、經驗和觀點的人都可訪問。Llama 3.2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。
• 測試：Llama 3.2是一項新技術，與任何新技術一樣，使用它存在風險。到目前為止進行的測試尚未涵蓋，也不可能涵蓋所有場景。因此，與所有大語言模型一樣，Llama 3.2的潛在輸出無法提前預測，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 3.2模型的任何應用程序之前，開發者應針對模型的特定應用進行安全測試和調優。請參考可用資源，包括負責任使用指南、信任與安全解決方案和其他資源，以瞭解更多關於負責任開發的信息。

🔧 技術細節

文檔未提供超過50字的具體技術說明，故跳過此章節。

📄 許可證

使用Llama 3.2受Llama 3.2社區許可協議（自定義商業許可協議）約束。協議詳情如下：

LLAMA 3.2社區許可協議

Llama 3.2版本發佈日期：2024年9月25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 上分發的隨Llama 3.2附帶的規格、手冊和文檔。

“被許可方”或“您”指您本人，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，並且如果您代表他們簽訂本協議，具有約束您的僱主或該其他個人或實體的法律權力。

“Llama 3.2”指基礎大語言模型以及軟件和算法，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Meta在https://www.llama.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 3.2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，您的主要營業地位於歐洲經濟區或瑞士）和Meta Platforms, Inc.（如果您位於歐洲經濟區或瑞士以外）。

通過點擊下面的“我接受”，或使用或分發Llama材料的任何部分或元素，即表示您同意受本協議約束。

1. 許可權利和再分發
   • a. 權利授予。您被授予在Meta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Llama材料的衍生作品並對其進行修改。
   • b. 再分發和使用
     • i. 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來創建、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”。
     • ii. 如果您作為集成終端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。
     • iii. 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：“Llama 3.2根據Llama 3.2社區許可協議獲得許可，版權所有 © Meta Platforms, Inc. 保留所有權利。”
     • iv. 您使用Llama材料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://www.llama.com/llama3_2/use-policy 上獲取），該政策特此通過引用併入本協議。
2. 額外商業條款。如果在Llama 3.2版本發佈日期，被許可方或其關聯公司提供的產品或服務在前一個日曆月的月活躍用戶數超過7億，則您必須向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。
3. 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均按“現狀”提供，不提供任何形式的保證，Meta明確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。
4. 責任限制。在任何情況下，Meta或其關聯公司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責任，即使Meta或其關聯公司已被告知此類損害賠償的可能性。
5. 知識產權
   • a. 本協議未授予商標許可，並且在與Llama材料相關的情況下，除非為合理和慣常地描述和再分發Llama材料所需，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公司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”（“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）。因您使用該標記而產生的所有商譽將歸Meta所有。
   • b. 鑑於Meta對Llama材料及其衍生作品的所有權，對於您對Llama材料所做的任何衍生作品和修改，在您和Meta之間，您是且將是此類衍生作品和修改的所有者。
   • c. 如果您對Meta或任何實體提起訴訟或其他法律程序（包括在訴訟中的反訴或反請求），聲稱Llama材料或Llama 3.2的輸出或結果，或上述任何內容的任何部分，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該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，且《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 3.2可接受使用政策

Meta致力於促進其工具和功能（包括Llama 3.2）的安全和公平使用。如果您訪問或使用Llama 3.2，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://www.llama.com/llama3_2/use-policy上找到。

禁止使用

我們希望每個人都能安全、負責任地使用Llama 3.2。您同意您不會使用或允許他人使用Llama 3.2進行以下行為：

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的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
   • 收集、處理、披露、生成或推斷個人的私人或敏感信息，包括個人身份、健康或人口統計信息，除非您已根據適用法律獲得這樣做的權利
   • 從事或便利任何侵犯、盜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，或進行任何可能禁用、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、操作或外觀的行為
   • 從事任何故意規避或移除使用限制或其他安全措施的行為，或啟用Meta禁用的功能
2. 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，包括與以下方面相關的Llama 3.2使用：
   • 軍事、戰爭、核工業或應用、間諜活動，用於受美國國務院維護的《國際武器貿易條例》（ITAR）約束的材料或活動，或受1989年《美國生物武器反恐法》或1997年《化學武器公約實施法》約束的活動
   • 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，包括與以下方面相關的Llama 3.2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 3.2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
4. 未能向最終用戶適當披露您的AI系統的任何已知危險
5. 與旨在生成非法內容或從事非法或有害行為的第三方工具、模型或軟件進行交互，和/或表示此類工具、模型或軟件的輸出與Meta或Llama 3.2相關聯

對於Llama 3.2中包含的任何多模態模型，如果您是居住在歐盟的個人，或公司的主要營業地在歐盟，則Llama 3.2社區許可協議第1(a)條下授予的權利不適用於您。此限制不適用於包含任何此類多模態模型的產品或服務的最終用戶。

請通過以下方式之一報告本政策的任何違反行為、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Llama 3.2的情況：LlamaUseReport@meta.com