Meta Llama 3.1 8B Instruct FP16

🚀 Meta Llama 3.1 大语言模型

Meta Llama 3.1 是一系列多语言大语言模型，有 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

本仓库包含两个版本的 Meta-Llama-3.1-8B-Instruct，可分别与 transformers 库和原始 llama 代码库配合使用。

使用 transformers 库

从 transformers >= 4.43.0 版本开始，你可以使用 transformers 的 pipeline 抽象或 Auto 类的 generate() 函数进行对话推理。

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

import transformers
import torch

model_id = "meta-llama/Meta-Llama-3.1-8B-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?"},
]

outputs = pipeline(
    messages,
    max_new_tokens=256,
)
print(outputs[0]["generated_text"][-1])

你还可以在 huggingface-llama-recipes 中找到关于如何在本地使用模型、使用 torch.compile()、辅助生成、量化等方面的详细指南。

使用工具与 transformers 库结合

LLaMA-3.1 支持多种工具使用格式。你可以在 这里 查看完整的提示格式化指南。

在 transformers 中，也可以通过 聊天模板 支持工具使用。以下是一个简单工具使用的快速示例：

# 首先，定义一个工具
def get_current_temperature(location: str) -> float:
    """
    Get the current temperature at a location.
    
    Args:
        location: The location to get the temperature for, in the format "City, Country"
    Returns:
        The current temperature at the specified location in the specified units, as a float.
    """
    return 22.  # A real function should probably actually get the temperature!

# 接下来，创建一个聊天并应用聊天模板
messages = [
  {"role": "system", "content": "You are a bot that responds to weather queries."},
  {"role": "user", "content": "Hey, what's the temperature in Paris right now?"}
]

inputs = tokenizer.apply_chat_template(messages, tools=[get_current_temperature], add_generation_prompt=True)

然后，你可以像往常一样从这个输入生成文本。如果模型生成了一个工具调用，你应该将其添加到聊天中，如下所示：

tool_call = {"name": "get_current_temperature", "arguments": {"location": "Paris, France"}}
messages.append({"role": "assistant", "tool_calls": [{"type": "function", "function": tool_call}]})

接着调用工具并将结果以 tool 角色添加到聊天中，如下所示：

messages.append({"role": "tool", "name": "get_current_temperature", "content": "22.0"})

之后，你可以再次调用 generate() 让模型在聊天中使用工具结果。请注意，这只是对工具调用的简要介绍，更多信息请参阅 LLaMA 提示格式文档 和 transformers 的 工具使用文档。

使用原始 llama 代码库

请遵循 仓库 中的说明。

要下载原始检查点，请使用以下 huggingface-cli 命令示例：

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

✨ 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、西班牙语和泰语等多种语言。
• 高性能表现：在常见行业基准测试中超越了许多开源和闭源聊天模型。
• 灵活的使用场景：适用于商业和研究用途，可用于对话、自然语言生成等多种任务。
• 工具使用支持：支持多种工具使用格式，方便开发者集成第三方工具。

📦 安装指南

使用 transformers 库时，请确保通过 pip install --upgrade transformers 命令更新你的 transformers 库。

📚 详细文档

模型信息

• 模型开发者：Meta
• 模型架构：Llama 3.1 是一种自回归语言模型，采用了优化的 Transformer 架构。微调版本使用了监督微调（SFT）和基于人类反馈的强化学习（RLHF），以符合人类对有用性和安全性的偏好。
• 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，即 Llama 3.1 社区许可证，可在 这里 查看。

属性	详情
模型类型	多语言大语言模型，有 8B、70B 和 405B 三种规格
训练数据	预训练数据来自公开可用的约 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
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
标记计数	15T+
知识截止日期	2023 年 12 月

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的输出来改进其他模型，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；在本模型卡片中未明确提及为支持的语言之外的语言中使用。

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

在标准自动基准测试中，Llama 3.1 模型取得了出色的成绩。以下是部分基准测试结果：

基础预训练模型

类别	基准测试	样本数	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	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

负责任的部署

Llama 是一种基础技术，旨在用于各种用例。Meta 的 Llama 模型负责任部署的示例可在我们的 社区故事网页 中找到。我们的方法是构建最有用的模型，使世界能够从技术力量中受益，通过调整模型安全性以应对通用用例中的一系列标准危害。开发者可以根据自己的用例定制安全性，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，同时为开发者提供一个随时可用、安全且强大的模型，用于各种应用，以减少开发者部署安全 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，提高数据质量控制。
• 拒绝和语气：在 Llama 3 的基础上，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

大语言模型，包括 Llama 3.1，并非旨在单独部署，而是应作为整体 AI 系统的一部分，并根据需要添加额外的安全保障措施。开发者在构建自主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，开发者应将其与 Llama 模型或其他大语言模型一起部署，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，以便开发者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者可能与第三方工具的集成。使用这些新功能除了适用于所有生成式 AI 用例的最佳实践外，还需要特定的考虑。

• 工具使用：与标准软件开发一样，开发者负责将大语言模型与他们选择的工具和服务集成。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，请参阅《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 可能能够输出超出安全和有用性性能阈值的其他语言文本。我们强烈建议开发者在未根据其政策和《负责任使用指南》中分享的最佳实践实施微调系统控制的情况下，不要使用此模型在不支持的语言中进行对话。

评估

我们对 Llama 模型进行了常见用例以及特定功能的评估。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

在这两种情况下，我们都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微调数据集。

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 和诚信方面的专家以及在特定地理市场的诚信问题方面有背景的多语言内容专家组成。

关键和其他风险

我们特别致力于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进行计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 模型开发扩大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大语言模型是否可以在黑客任务中增强人类能力，包括技能水平和速度。我们的攻击自动化研究专注于评估大语言模型在网络攻击行动中作为自主代理使用时的能力，特别是在勒索软件攻击的背景下。此评估与之前将大语言模型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旨在评估 AI 模型在协助网络威胁行为者进行针对性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。数百份申请中的 20 名决赛选手可在 这里 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。

伦理考虑和局限性

Llama 3.1 的核心价值观是开放性、包容性和有用性。它旨在为所有人服务，并适用于广泛的用例。因此，它旨在让不同背景、经验和观点的人都能使用。Llama 3.1 以用户的实际需求为出发点，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性，特别是在推动创新和进步的自由思想和表达价值观方面。

然而，Llama 3.1 是一项新技术，与任何新技术一样，其使用存在风险。到目前为止进行的测试尚未涵盖也不可能涵盖所有场景。因此，与所有大语言模型一样，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，开发者应针对其特定应用程序进行安全测试和微调。请参考可用资源，包括我们的 《负责任使用指南》、信任与安全 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 使用自定义商业许可证，即 Llama 3.1 社区许可证，可在 这里 查看。

Llama 3.1 社区许可证协议

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 上分发的 Llama 3.1 随附的规格、手册和文档。 “被许可方”或“您”指您，或您的雇主或任何其他人或实体（如果您代表该人或实体签订本协议），该人或实体达到适用法律、规则或法规要求的提供法律同意的年龄，并且如果您代表其签订本协议，则具有约束您的雇主或该其他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 上分发的上述其他元素。 “Llama 材料”指 Meta 根据本协议提供的专有 Llama 3.1 和文档（及其任何部分）的统称。 “Meta”或“我们”指 Meta Platforms Ireland Limited（如果您位于欧洲经济区或瑞士，或者如果您是一个实体，您的主要营业地点在欧洲经济区或瑞士）和 Meta Platforms, Inc.（如果您位于欧洲经济区或瑞士以外）。

1. 许可权利和再分发

• 权利授予：您被授予在 Meta 拥有的 Llama 材料中体现的 Meta 知识产权或其他权利下的非排他、全球、不可转让且免版税的有限许可，以使用、复制、分发、拷贝、创作衍生作品并对 Llama 材料进行修改。
• 再分发和使用
  • 如果您分发或提供 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），您应：
    • 随任何此类 Llama 材料提供本协议的副本；
    • 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”。如果您使用 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，并将其分发或提供，则您还应在任何此类 AI 模型名称的开头包含“Llama”。
  • 如果您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 条不适用于您。
  • 您必须在您分发的所有 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 是根据 Llama 3.1 社区许可证获得许可的，版权所有 © Meta Platforms, Inc. 保留所有权利。”
  • 您使用 Llama 材料必须遵守适用的法律法规（包括贸易合规法律和法规），并遵守 Llama 材料的《可接受使用政策》（可在 https://llama.meta.com/llama3_1/use-policy 上找到），该政策特此通过引用并入本协议。

2. 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公司提供的产品或服务的月活跃用户在前一个日历月超过 7 亿月活跃用户，您必须向 Meta 请求许可，Meta 可自行决定是否授予您许可，并且在 Meta 明确授予您此类权利之前，您无权行使本协议下的任何权利。

3. 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均按“现状”提供，不提供任何形式的保证，Meta 明确放弃所有形式的保证，包括但不限于所有权、不侵权、适销性或特定用途适用性的保证。您独自负责确定使用或再分发 Llama 材料的适当性，并承担与您使用 Llama 材料及其任何输出和结果相关的任何风险。

4. 责任限制

在任何情况下，Meta 或其关联公司均不对因本协议引起的任何责任理论（无论是合同、侵权、疏忽、产品责任还是其他）承担任何损失利润或任何间接、特殊、后果性、偶发性、示范性或惩罚性损害赔偿，即使 Meta 或其关联公司已被告知此类损害赔偿的可能性。

5. 知识产权

• 本协议未授予任何商标许可，并且与 Llama 材料相关，除非为合理和惯常描述和再分发 Llama 材料所必需，或如本节 5(a) 所述，Meta 和被许可方均不得使用对方或其任何关联公司拥有或关联的任何名称或标记。Meta 特此授予您仅为遵守第 1.b.i 条最后一句所需而使用“Llama”（“标记”）的许可。您将遵守 Meta 的品牌指南（目前可在 https://about.meta.com/brand/resources/meta/company-brand/ 上访问）。因您使用标记而产生的所有商誉将归 Meta 所有。
• 鉴于 Meta 对 Llama 材料及其由 Meta 或代表 Meta 制作的衍生作品的所有权，就您制作的 Llama 材料的任何衍生作品和修改而言，在您和 Meta 之间，您是并将是此类衍生作品和修改的所有者。
• 如果您对 Meta 或任何实体提起诉讼或其他程序（包括诉讼中的反诉或反请求），声称 Llama 材料或 Llama 3.1 的输出或结果，或上述任何部分，构成侵犯您拥有或可许可的知识产权或其他权利，则本协议授予您的任何许可将自提起此类诉讼或请求之日起终止。您将赔偿并使 Meta 免受任何第三方因您使用或分发 Llama 材料而产生或与之相关的任何索赔。

6. 期限和终止

本协议的期限将自您接受本协议或访问 Llama 材料之日起开始，并将持续有效，直至根据本协议的条款和条件终止。如果您违反本协议的任何条款和条件，Meta 可终止本协议。本协议终止后，您应删除并停止使用 Llama 材料。第 3、4 和 7 条在本协议终止后仍然有效。

7. 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，《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。如果您访问或使用 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 上找到。

禁止使用

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

1. 违反法律或他人权利，包括：
   • 从事、促进、生成、促成、鼓励、计划、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能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，或未能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、煽动或便利对个人或群体的骚扰、虐待、威胁或欺凌
   • 从事、促进、煽动或便利在就业、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
   • 从事或便利任何侵犯、盗用或以其他方式侵犯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、生成或便利创建恶意代码、恶意软件、计算机病毒或做任何其他可能禁用、使负担过重、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
2. 从事、促进、煽动、便利或协助计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）
   • 非法毒品和受管制/受控物质
   • 关键基础设施、运输技术或重型机械的操作
   • 自我伤害或伤害他人，包括自杀、自残和饮食失调
   • 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
3. 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创建或促进虚假信息
   • 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
   • 生成或便利虚假的在线互动，包括虚假评论和其他虚假在线互动方式
4. 未能向最终用户适当披露您的 AI 系统的任何已知危险

请通过以下方式之一报告本政策的任何违反行为、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《可接受使用政策》的违反行为或未经授权使用 Meta Llama 3：LlamaUseReport@meta.com

额外信息收集

信息	类型
名字	文本
姓氏	文本
出生日期	日期选择器
国家	国家选择
所属机构	文本
职位	选择（学生、研究毕业生、AI 研究员、AI 开发者/工程师、记者、其他）
地理位置	IP 定位

通过点击下方的“提交”，您接受许可证的条款，并确认您提供的信息将根据 Meta 隐私政策 进行收集、存储、处理和共享。

额外信息描述

您提供的信息将根据 Meta 隐私政策 进行收集、存储、处理和共享。

提交按钮内容

提交