Llama 3.1 8B

🚀 Meta Llama 3.1 多语言大语言模型

Meta Llama 3.1 是一系列多语言大语言模型，包括 8B、70B 和 405B 三种规格。这些模型经过预训练和指令微调，在多语言对话场景中表现出色，在行业基准测试中超越了许多开源和闭源聊天模型。

🚀 快速开始

使用 transformers 库

从 transformers >= 4.43.0 版本开始，你可以使用 Transformers 管道抽象或借助 Auto 类的 generate() 函数进行对话推理。 确保通过 pip install --upgrade transformers 更新你的 transformers 库。

import transformers
import torch

model_id = "meta-llama/Llama-3.1-8B"

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 llama 代码库

请遵循 仓库 中的说明。 要下载原始检查点，请参考以下使用 huggingface-cli 的示例命令：

huggingface-cli download meta-llama/Llama-3.1-8B --include "original/*" --local-dir Llama-3.1-8B

✨ 主要特性

• 多语言支持：支持英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语。
• 高性能表现：在多种基准测试中表现优异，超越众多开源和闭源聊天模型。
• 灵活应用：适用于商业和研究用途，可用于多种自然语言生成任务。
• 长上下文窗口：支持 128k 的上下文长度。
• Grouped-Query Attention (GQA)：提高推理可扩展性。

📦 安装指南

使用 transformers 库

确保通过 pip install --upgrade transformers 更新你的 transformers 库。

使用 llama 代码库

请遵循 仓库 中的说明。

💻 使用示例

基础用法

import transformers
import torch

model_id = "meta-llama/Llama-3.1-8B"

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

pipeline("Hey how are you doing today?")

📚 详细文档

模型信息

属性	详情
模型开发者	Meta
模型架构	Llama 3.1 是一种自回归语言模型，采用优化的变压器架构。微调版本使用监督微调 (SFT) 和基于人类反馈的强化学习 (RLHF) 来符合人类对有用性和安全性的偏好。
训练数据	预训练数据来自公开可用的在线数据源，约 15 万亿个标记。微调数据包括公开可用的指令数据集以及超过 2500 万个合成生成的示例。
参数规模	8B、70B 和 405B
输入模态	多语言文本
输出模态	多语言文本和代码
上下文长度	128k
GQA	是
标记数量	15T+
知识截止日期	2023 年 12 月
支持语言	英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语
模型发布日期	2024 年 7 月 23 日
状态	这是一个基于离线数据集训练的静态模型。随着我们根据社区反馈改进模型安全性，未来将发布微调模型的新版本。
许可证	自定义商业许可证，Llama 3.1 社区许可证，可在 此处 获取。

预期用途

• 预期用例：Llama 3.1 旨在用于多种语言的商业和研究用途。经过指令微调的纯文本模型适用于类似助手的聊天场景，而预训练模型可用于各种自然语言生成任务。Llama 3.1 模型系列还支持利用其模型输出改进其他模型，包括合成数据生成和蒸馏。Llama 3.1 社区许可证允许这些用例。
• 超出范围的使用：以任何违反适用法律法规（包括贸易合规法律）的方式使用。以可接受使用政策和 Llama 3.1 社区许可证禁止的任何其他方式使用。使用本模型卡片中未明确提及为支持的语言。

硬件和软件

训练因素

我们使用自定义训练库、Meta 的自定义 GPU 集群和生产基础设施进行预训练。微调、标注和评估也在生产基础设施上进行。

训练计算资源

训练总共使用了 3930 万 GPU 小时的计算资源，硬件类型为 H100-80GB（TDP 为 700W）。训练时间是每个模型训练所需的总 GPU 时间，功耗是每个 GPU 设备的峰值功率容量，并根据功率使用效率进行了调整。

模型	训练时间 (GPU 小时)	训练功耗 (W)	基于位置的训练温室气体排放量 (吨 CO2eq)	基于市场的训练温室气体排放量 (吨 CO2eq)
Llama 3.1 8B	146 万	700	420	0
Llama 3.1 70B	700 万	700	2040	0
Llama 3.1 405B	3084 万	700	8930	0
总计	3930 万	-	11390	0

确定训练能源使用和温室气体排放量的方法可在 此处 找到。由于 Meta 正在公开发布这些模型，其他人不会产生训练能源使用和温室气体排放。

训练数据

• 概述：Llama 3.1 在来自公开可用来源的约 15 万亿个标记的数据上进行了预训练。微调数据包括公开可用的指令数据集以及超过 2500 万个合成生成的示例。
• 数据新鲜度：预训练数据的截止日期为 2023 年 12 月。

基准测试分数

基础预训练模型

类别	基准测试	样本数量	指标	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
知识推理	TriviaQA-Wiki	5	em	78.5	77.6	89.7	89.8	91.8
阅读理解	SQuAD	1	em	76.4	77.0	85.6	81.8	89.3
阅读理解	QuAC (F1)	1	f1	44.4	44.9	51.1	51.1	53.6
阅读理解	BoolQ	0	acc_char	75.7	75.0	79.0	79.4	80.0
阅读理解	DROP (F1)	3	f1	58.4	59.5	79.7	79.6	84.8

指令微调模型

类别	基准测试	样本数量	指标	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
代码	HumanEval	0	pass@1	60.4	72.6	81.7	80.5	89.0
代码	MBPP ++ base version	0	pass@1	70.6	72.8	82.5	86.0	88.6
代码	Multipl-E HumanEval	0	pass@1	-	50.8	-	65.5	75.2
代码	Multipl-E MBPP	0	pass@1	-	52.4	-	62.0	65.7
数学	GSM-8K (CoT)	8	em_maj1@1	80.6	84.5	93.0	95.1	96.8
数学	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
多语言	Multilingual MGSM (CoT)	0	em	-	68.9	-	86.9	91.6

多语言基准测试

类别	基准测试	语言	Llama 3.1 8B	Llama 3.1 70B	Llama 3.1 405B
通用	MMLU (5-shot, macro_avg/acc)	葡萄牙语	62.12	80.13	84.95
通用	MMLU (5-shot, macro_avg/acc)	西班牙语	62.45	80.05	85.08
通用	MMLU (5-shot, macro_avg/acc)	意大利语	61.63	80.4	85.04
通用	MMLU (5-shot, macro_avg/acc)	德语	60.59	79.27	84.36
通用	MMLU (5-shot, macro_avg/acc)	法语	62.34	79.82	84.66
通用	MMLU (5-shot, macro_avg/acc)	印地语	50.88	74.52	80.31
通用	MMLU (5-shot, macro_avg/acc)	泰语	50.32	72.95	78.21

责任与安全

负责任的发布策略

作为我们负责任发布方法的一部分，我们采用了三管齐下的策略来管理信任和安全风险：

• 使开发人员能够为其目标受众和 Llama 支持的用例部署有用、安全和灵活的体验。
• 保护开发人员免受旨在利用 Llama 功能潜在造成伤害的对抗性用户的侵害。
• 为社区提供保护，帮助防止我们的模型被滥用。

负责任的部署

Llama 是一种基础技术，旨在用于各种用例。有关 Meta 的 Llama 模型如何负责任地部署的示例，请参阅我们的 社区故事网页。我们的方法是构建最有用的模型，使世界能够受益于技术力量，通过调整我们的模型安全性以应对通用用例，解决一系列标准危害。然后，开发人员可以根据自己的用例调整安全性，定义自己的政策，并在其 Llama 系统中部署必要的保障措施。Llama 3.1 是按照我们的《负责任使用指南》中概述的最佳实践开发的，你可以参考 负责任使用指南 了解更多信息。

Llama 3.1 指令微调

我们进行安全微调的主要目标是为研究社区提供一个有价值的资源，用于研究安全微调的鲁棒性，同时为开发人员提供一个随时可用、安全且强大的模型，用于各种应用，以减少开发人员部署安全 AI 系统的工作量。有关实施的安全缓解措施的更多详细信息，请阅读 Llama 3 论文。

• 微调数据：我们采用多方面的数据收集方法，将供应商提供的人类生成数据与合成数据相结合，以减轻潜在的安全风险。我们开发了许多基于大语言模型 (LLM) 的分类器，使我们能够精心选择高质量的提示和响应，加强数据质量控制。
• 拒绝和语气：基于我们在 Llama 3 上开始的工作，我们非常重视模型对良性提示的拒绝以及拒绝语气。我们在安全数据策略中包括了边界和对抗性提示，并修改了我们的安全数据响应以遵循语气指南。

Llama 3.1 系统

大型语言模型，包括 Llama 3.1，并非设计为单独部署，而是应作为具有额外安全护栏的整体 AI 系统的一部分进行部署。开发人员在构建代理系统时应部署系统保障措施。保障措施对于实现正确的有用性 - 安全性对齐以及减轻系统固有的安全和风险以及模型或系统与外部工具的任何集成至关重要。 作为我们负责任发布方法的一部分，我们为社区提供了 保障措施，开发人员应将其与 Llama 模型或其他 LLM 一起部署，包括 Llama Guard 3、Prompt Guard 和 Code Shield。我们所有的 参考实现 演示默认包含这些保障措施，因此开发人员可以立即从系统级安全中受益。

新功能

请注意，此版本引入了新功能，包括更长的上下文窗口、多语言输入和输出以及开发人员可能与第三方工具进行的集成。使用这些新功能除了通常适用于所有生成式 AI 用例的最佳实践外，还需要进行特定考虑。

• 工具使用：就像在标准软件开发中一样，开发人员负责将 LLM 与他们选择的工具和服务进行集成。他们应该为自己的用例定义明确的政策，并评估他们使用的第三方服务的完整性，以了解使用此功能时的安全和风险限制。有关安全部署第三方保障措施的最佳实践，请参考《负责任使用指南》。
• 多语言支持：Llama 3.1 除英语外还支持 7 种语言：法语、德语、印地语、意大利语、葡萄牙语、西班牙语和泰语。Llama 可能能够输出其他语言的文本，但这些语言可能未达到安全和有用性的性能阈值。我们强烈建议开发人员在使用此模型进行非支持语言的对话时，根据其政策和《负责任使用指南》中分享的最佳实践实施微调系统控制。

评估

我们评估了 Llama 模型的常见用例以及特定功能。常见用例评估衡量了最常见构建的应用程序（包括聊天机器人、编码助手、工具调用）的系统安全风险。我们构建了专门的对抗性评估数据集，并评估了由 Llama 模型和 Llama Guard 3 组成的系统，以过滤输入提示和输出响应。在上下文中评估应用程序很重要，我们建议为你的用例构建专门的评估数据集。如果与应用程序相关，Prompt Guard 和 Code Shield 也可用。 功能评估衡量了 Llama 模型特定功能固有的漏洞，为此我们精心设计了专门的基准测试，包括长上下文、多语言、工具调用、编码或记忆。

红队测试

对于这两种情况，我们进行了定期的红队测试，目标是通过对抗性提示发现风险，并利用这些经验教训改进我们的基准测试和安全调优数据集。 我们早期与关键风险领域的主题专家合作，了解这些现实世界危害的性质以及此类模型如何可能对社会造成意外危害。基于这些对话，我们为红队制定了一组对抗性目标，例如提取有害信息或重新编程模型以潜在地造成危害。红队由网络安全、对抗性机器学习、负责任 AI 和完整性方面的专家以及在特定地理市场的完整性问题方面有背景的多语言内容专家组成。

关键和其他风险

我们特别关注减轻以下关键风险领域：

• CBRNE（化学、生物、放射性、核和爆炸物材料）有用性：为了评估与化学和生物武器扩散相关的风险，我们进行了提升测试，旨在评估使用 Llama 3.1 模型是否会显著增加恶意行为者使用这些类型武器策划或实施攻击的能力。
• 儿童安全：我们使用专家团队进行了儿童安全风险评估，以评估模型产生可能导致儿童安全风险的输出的能力，并通过微调提供任何必要和适当的风险缓解措施。我们利用这些专家红队测试会话，通过 Llama 3 模型开发扩展了我们评估基准的覆盖范围。对于 Llama 3，我们使用基于目标的方法进行了新的深入会话，以评估模型在多个攻击向量上的风险，包括 Llama 3 训练的其他语言。我们还与内容专家合作进行红队测试，评估潜在违规内容，同时考虑特定市场的细微差别或经验。
• 网络攻击启用：我们的网络攻击提升研究调查了 LLM 是否可以在技能水平和速度方面增强人类在黑客任务中的能力。 我们的攻击自动化研究专注于评估 LLM 作为自主代理在网络攻击行动中的能力，特别是在勒索软件攻击的背景下。此评估与之前将 LLM 视为交互式助手的研究不同。主要目标是评估这些模型是否可以在没有人类干预的情况下有效地作为独立代理执行复杂的网络攻击。 我们对 Llama-3.1-405B 对网络攻击者的社会工程提升的研究是为了评估 AI 模型在协助网络威胁行为者进行鱼叉式网络钓鱼活动中的有效性。请阅读我们的 Llama 3.1 网络安全白皮书以了解更多信息。

社区

生成式 AI 安全需要专业知识和工具，我们相信开放社区的力量可以加速其发展。我们是开放联盟的积极成员，包括 AI 联盟、AI 合作组织和 MLCommons，积极为安全标准化和透明度做出贡献。我们鼓励社区采用 MLCommons 概念验证评估等分类法，以促进安全和内容评估的协作和透明度。我们的 Purple Llama 工具已开源供社区使用，并广泛分发给包括云服务提供商在内的生态系统合作伙伴。我们鼓励社区为我们的 Github 仓库 做出贡献。 我们还设立了 Llama 影响赠款 计划，以识别和支持 Meta 的 Llama 模型在教育、气候和开放创新三个类别中对社会有益的最有吸引力的应用。从数百份申请中选出的 20 名决赛选手可在 此处 找到。 最后，我们建立了一套资源，包括 输出报告机制 和 漏洞赏金计划，以在社区的帮助下不断改进 Llama 技术。

伦理考虑和限制

Llama 3.1 的核心价值观是开放性、包容性和有用性。它旨在为每个人服务，并适用于广泛的用例。因此，它设计为对具有不同背景、经验和观点的人都可访问。Llama 3.1 以用户的实际情况对待他们及其需求，不插入不必要的判断或规范性，同时认识到即使在某些情况下可能看似有问题的内容在其他情况下也可能有价值。它尊重所有用户的尊严和自主权，特别是在推动创新和进步的自由思想和表达价值观方面。 但 Llama 3.1 是一项新技术，与任何新技术一样，其使用存在风险。迄今为止进行的测试并未涵盖，也不可能涵盖所有场景。出于这些原因，与所有 LLM 一样，Llama 3.1 的潜在输出无法提前预测，模型在某些情况下可能会对用户提示产生不准确、有偏见或其他令人反感的响应。因此，在部署 Llama 3.1 模型的任何应用程序之前，开发人员应根据其特定应用对模型进行安全测试和调优。请参考可用资源，包括我们的 负责任使用指南、信任和安全 解决方案以及其他 资源，以了解更多关于负责任开发的信息。

📄 许可证

Llama 3.1 采用自定义商业许可证，即 Llama 3.1 社区许可证，可在 此处 获取。

LLAMA 3.1 社区许可协议

Llama 3.1 版本发布日期：2024 年 7 月 23 日

“协议”指本协议中规定的使用、复制、分发和修改 Llama 材料的条款和条件。 “文档”指 Meta 在 https://llama.meta.com/doc/overview 分发的随 Llama 3.1 附带的规格、手册和文档。 “被许可方”或“你”指你，或你的雇主或任何其他个人或实体（如果你代表该个人或实体签订本协议），且你已达到适用法律、规则或法规要求的提供法律同意的年龄，并且如果你代表他们签订本协议，你具有约束你的雇主或该其他个人或实体的法律权力。 “Llama 3.1”指基础大语言模型以及软件和算法，包括机器学习模型代码、训练好的模型权重、推理启用代码、训练启用代码、微调启用代码以及 Meta 在 https://llama.meta.com/llama-downloads 分发的上述其他元素。 “Llama 材料”指根据本协议提供的 Meta 专有 Llama 3.1 和文档（及其任何部分）的统称。 “Meta”或“我们”指 Meta Platforms Ireland Limited（如果你位于欧洲经济区或瑞士，或者如果你是一个实体，你的主要营业地位于欧洲经济区或瑞士）和 Meta Platforms, Inc.（如果你位于欧洲经济区或瑞士以外）。

许可权利和再分发

• 权利授予：你被授予在 Meta 体现在 Llama 材料中的知识产权或其他权利下的非排他性、全球范围、不可转让和免版税的有限许可，以使用、复制、分发、拷贝、创建衍生作品并对 Llama 材料进行修改。
• 再分发和使用：
  • 如果你分发或提供 Llama 材料（或其任何衍生作品），或包含其中任何内容的产品或服务（包括另一个 AI 模型），你应 (A) 随任何此类 Llama 材料提供本协议的副本；并且 (B) 在相关网站、用户界面、博客文章、关于页面或产品文档上显著显示“Built with Llama”。如果你使用 Llama 材料或 Llama 材料的任何输出或结果来创建、训练、微调或以其他方式改进一个 AI 模型，并且该模型被分发或提供，则你还应在任何此类 AI 模型名称的开头包含“Llama”。
  • 如果你作为集成最终用户产品的一部分从被许可方接收 Llama 材料或其任何衍生作品，则本协议第 2 条不适用于你。
  • 你必须在你分发的所有 Llama 材料副本中保留以下归属声明，该声明应包含在作为此类副本一部分分发的“Notice”文本文件中：“Llama 3.1 已根据 Llama 3.1 社区许可证获得许可，版权所有 © Meta Platforms, Inc. 保留所有权利。”
  • 你对 Llama 材料的使用必须符合适用法律法规（包括贸易合规法律），并遵守 Llama 材料的可接受使用政策（可在 https://llama.meta.com/llama3_1/use-policy 获取），该政策特此通过引用并入本协议。

额外商业条款

如果在 Llama 3.1 版本发布日期，被许可方或被许可方的关联方提供的产品或服务的月活跃用户在前一个日历月超过 7 亿，则你必须向 Meta 请求许可，Meta 可自行决定是否授予你许可，并且在 Meta 明确授予你此类权利之前，你无权行使本协议下的任何权利。

保修免责声明

除非适用法律要求，否则 Llama 材料及其任何输出和结果按“原样”提供，不提供任何形式的保证，Meta 明确否认所有形式的保证，无论是明示的还是暗示的，包括但不限于所有权、不侵权、适销性或特定用途适用性的任何保证。你独自负责确定使用或再分发 Llama 材料的适当性，并承担与你使用 Llama 材料及其任何输出和结果相关的任何风险。

责任限制

在任何情况下，Meta 或其关联方均不对因本协议引起的任何责任理论下的任何损失利润或任何间接、特殊、后果性、偶发性、惩戒性或惩罚性损害承担责任，即使 Meta 或其关联方已被告知此类损害的可能性。

知识产权

• 本协议未授予商标许可，并且与 Llama 材料相关，Meta 和被许可方均不得使用对方或其任何关联方拥有或关联的任何名称或标记，除非在描述和再分发 Llama 材料时进行合理和惯常使用所需，或如本节 5(a) 所述。Meta 特此授予你仅在遵守第 1.b.i 条最后一句所需的范围内使用“Llama”（“标记”）的许可。你将遵守 Meta 的品牌指南（目前可在 https://about.meta.com/brand/resources/meta/company-brand/ 获取）。你使用标记产生的所有商誉将归 Meta 所有。
• 受 Meta 对 Llama 材料及其为 Meta 制作的衍生作品的所有权约束，就你制作的 Llama 材料的任何衍生作品和修改而言，在你和 Meta 之间，你是且将是此类衍生作品和修改的所有者。
• 如果你对 Meta 或任何实体提起诉讼或其他程序（包括在诉讼中的交叉索赔或反诉），声称 Llama 材料或 Llama 3.1 的输出或结果，或上述任何部分构成侵犯你拥有或可许可的知识产权或其他权利，则本协议授予你的任何许可将自该诉讼或索赔提起之日起终止。你将赔偿并使 Meta 免受任何第三方因你使用或分发 Llama 材料而产生的或与之相关的任何索赔。

期限和终止

本协议的期限将在你接受本协议或访问 Llama 材料时开始，并将持续有效，直至根据本协议的条款和条件终止。如果你违反本协议的任何条款或条件，Meta 可终止本协议。本协议终止后，你应删除并停止使用 Llama 材料。第 3、4 和 7 条在本协议终止后仍然有效。

适用法律和管辖权

本协议将受加利福尼亚州法律管辖并依其解释，不考虑法律选择原则，并且《联合国国际货物销售合同公约》不适用于本协议。加利福尼亚州的法院对因本协议引起的任何争议具有专属管辖权。

Llama 3.1 可接受使用政策

Meta 致力于促进其工具和功能（包括 Llama 3.1）的安全和公平使用。如果你访问或使用 Llama 3.1，你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

我们希望每个人都能安全、负责任地使用 Llama 3.1。你同意你不会使用或允许他人使用 Llama 3.1 来：

• 违反法律或他人权利：
  • 从事、促进、生成、促成、鼓励、策划、煽动或进一步推动非法或违法活动或内容，例如：
    • 暴力或恐怖主义
    • 对儿童的剥削或伤害，包括招揽、创建、获取或传播儿童剥削内容或未报告儿童性虐待材料
    • 人口贩运、剥削和性暴力
    • 向未成年人非法分发信息或材料，包括淫秽材料，或未对此类信息或材料采用法律要求的年龄限制
    • 性招揽
    • 任何其他犯罪活动
  • 从事、促进、煽动或促成对个人或群体的骚扰、虐待、威胁或欺凌
  • 从事、促进、煽动或促成在就业、就业福利、信贷、住房、其他经济福利或其他基本商品和服务的提供方面的歧视或其他非法或有害行为
  • 从事未经授权或无执照的任何职业实践，包括但不限于金融、法律、医疗/健康或相关专业实践
  • 在未获得适用法律要求的权利和同意的情况下，收集、处理、披露、生成或推断个人的健康、人口统计或其他敏感个人或私人信息
  • 从事或促成任何侵犯、挪用或以其他方式违反任何第三方权利的行为或生成任何内容，包括使用 Llama 材料的任何产品或服务的输出或结果
  • 创建、生成或促成恶意代码、恶意软件、计算机病毒的创建，或做任何可能禁用、负担过重、干扰或损害网站或计算机系统的正常运行、完整性、操作或外观的事情
• 从事、促进、煽动、促成或协助策划或开展对个人造成死亡或身体伤害风险的活动，包括与以下相关的 Llama 3.1 使用：
  • 军事、战争、核工业或应用、间谍活动、用于受美国国务院维护的《国际武器贸易条例》(ITAR) 管制的材料或活动
  • 枪支和非法武器（包括武器开发）
  • 非法药物和受管制/受控物质
  • 关键基础设施、运输技术或重型机械的操作
  • 自我伤害或对他人的伤害，包括自杀、切割和饮食失调
  • 任何旨在煽动或促进暴力、虐待或对个人造成身体伤害的内容
• 故意欺骗或误导他人，包括与以下相关的 Llama 3.1 使用：
  • 生成、促进或进一步推动欺诈或虚假信息的创建或推广
  • 生成、促进或进一步推动诽谤性内容，包括创建诽谤性声明、图像或其他内容
  • 生成、促进或进一步分发垃圾邮件
  • 在未经同意、授权或合法权利的情况下冒充他人
  • 表示 Llama 3.1 的使用或输出是人类生成的
  • 生成或促成虚假的在线互动，包括虚假评论和其他虚假在线互动方式
• 未能向最终用户适当披露你的 AI 系统的任何已知危险

请通过以下方式报告任何违反本政策、软件“漏洞”或其他可能导致违反本政策的问题：

• 报告模型问题：https://github.com/meta-llama/llama-models/issues
• 报告模型生成的风险内容：developers.facebook.com/llama_output_feedback
• 报告漏洞和安全问题：facebook.com/whitehat/info
• 报告违反可接受使用政策或未经授权使用 Meta Llama 3 的情况：LlamaUseReport@meta.com