全新Llama 3.2系列：性能提升明显，但真的是最优选择吗？（已测试)
令人兴奋的消息，Meta发布了Lllam3.2系列模型，当前的基准显示，Llama 3.2 在各种基准测试中表现优于 Claude3.5 Haiku 以及 GPT-4o-mini；加上前几天的Qwen2.5，现在开源的模型正在一步步缩小和闭源模型之间的差距，这很棒。
这是他们的第1次开源多模态大模型，总共有4个；其中两个是视觉模型（11B、90B）。90B可能是目前最大的视觉模型了，我记得前面一个比较大的是 Qwen2 VL 72B。
剩下的两个是1B和3B的，这些模型专为边缘计算和移动设备优化，支持 128k 令牌，擅长任务如摘要和遵循指令，针对各种处理器进行了优化。
Llama3.2作为Llama3.1的替代品，它是经过优化的，速度、准确性提高，特别擅长图像标题、视觉问答，甚至图像文本检索。
在这个演示视频中，你可以看到 Llama 3.2 模型能够准确分析和分类收据数据，随后以表格的形式展示结果，这正是 Llama 3.2 真正发光的地方。
轻量级模型（10 亿和 30 亿模型）是专为设备使用场景设计的，这些模型通过剪枝以及不同类型的蒸馏技术创建。剪枝是通过系统地移除网络的一部分来减少模型大小，同时保留性能，它应用于 Llama 3.1 的 180 亿参数模型。
另一种技术蒸馏则涉及从更大模型（如 80 亿和 700 亿参数的 Llama 3.1 系列）向较小模型转移知识，这通过在预训练过程中使用它们的输出作为目标来实现。这一过程将使新的 10 亿和 30 亿参数模型在保持强性能的同时变得更高效、更紧凑，这是 Meta 发布的一项非常酷的策略。
这些模型使开发者能够构建个性化的本地代理应用程序，确保数据始终留在设备上。我认为这是支持工具调用的最小SLLM，这真是很酷。
不同的模型适用于不同的场景，做端侧场景的人可能正在疯狂的搜索这样的小型SOTA模型。
如果我们看看视觉基准，可以看到 11B 模型的表现类似于 Haiku，而 90B 模型的表现则类似于 GPT-4o-mini；他们都支持图像推理用例，比如文档级理解，包括图表和图形、图像标注以及基于自然语言描述精准定位图像中的物体。
同时，小型模型的表现与 Gemma 2 和 Phi 3.5 相当，没有什么太大的突破。
在他们的一系列分享中，网友热议的亮点包括但不限于：
他们在 Hugging Face 上分享了模型权重，较小的模型也可以在 Ollama 上获得，但视觉模型却没有。不过，这些模型现在可以在 Together AI 上使用，所以我打算通过他们 测试一下，因为他们提供了一些免费积分。让我们开始测试吧。
5片这种产品有多少卡路里 ?（应该是100）
11B、 90B 都通过了,
把上面的第一个基准测试转成csv
两个模型都做到了，也没有什么数值上的错误
使用HTML,CSS,JS制作一个精确的副本，将所有代码放在一个文件中。
似乎完全不太相似哈，90B(上)，11B（下）。
下面这个问题是我新找出来的，没想到 …
图片里有多少种水果?哪种水果最小，哪种水果最酸?它们具体放在哪里?
看90B
他说只有6种而实际上其实有7种，不过他说的大概位置是对的，只可惜最小的应该是葡萄，最酸的应该是柠檬。
看11B：
够敷衍的，我的天，他答案中是有正确答案的，可惜刚好说反了，而且令人可气的是他说位置都放在木栏里。这这这，你要说他不对吧他好像又对了，但是对又不怎么对，如果你要强行说他聪明：突然我都觉得他已经超越了一个维度，非常圆滑的跳出了这个判域，
诶，难道他不在木篮里吗，你能怎么反驳？hhh
不过我突然不死心了，我又连着测了两轮90B：
好吧，位置能找到（还能精确到行列数），数量摇摆不定，关于酸度，大小。。。尤其是大小，难道葡萄比较小这个认知都没有吗。
画面中有什么，最引人注目的是什么，它有多少，有什么东西隐藏的东西吗？
90B：
回答的还不错，水印说错了一些，应该是699pic.com，不过那水印人眼也挺难看的。
11B:
水印瞎编的，石头提醒了一次还是多数了一块。
下面：回答图片中的两个问题，
让他“戴”一下人类遇到这些验证码时候的痛苦面具
11B
怎么还加了紫茄子，这都分不清吗
90B
都说错了，但是看起来11b更会乱说一些。
OCR识别手稿
11B:
90B:
都识别都比较完美，堪比我本地的白描了，哈哈哈。
总的来说，虽然这几款模型都还不错，回答一些问题中也表现了一些较理想的效果，但我在测试的过程中，遇到Llama 3.2对于问题的审查很严格，好几次让他创建其他网页截图代码都不通过，或者其他有关的图片问题直接不回答。
Qwen 2 VL 72B 与 Llama 3.2 90B 模型相当，意味着一个更小的模型可以做到 90B 所做的事情，而且它的审查更少。11B 模型相对而言幻觉更多，Pixol 在这个领域要好得多，甚至 Qwen 2 VL 7B 也更好。
总之，Quen 2 VL 72B 可能仍然是视觉任务的最佳模型，Llama3.2 这些模型还不够好，而且它们比竞争对手大，却提供较低的结果，当然你可以去做更多的测试。
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
👉👈
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
👉👈
