实测Meta最新开源模型——LLaMA 3.1，能力惊人！

Meta最近发布了开源模型——LLaMA 3.1。这个模型有三个参数版本，分别是8B、70B和405B。其中，405B的性能号称可以直逼GPT-4。我们先来看看它到底有多强大。

下载与安装LLaMA 3.1

首先，我下载了8B模型到我的电脑。这个模型的大小是4.7G，虽然参数最小，但可以通过实际测试来看看它的表现。下载和安装其实非常简单。只需要到Ollama的官网上下载安装包，像正常安装一个软件一样，安装完成后，在PowerShell中输入`ollama run llama3.1:8b`即可运行。

如果你本地没有这个模型，它会自动下载，非常方便。

实际测试LLaMA 3.1:8B的能力

为了全面了解LLaMA 3.1:8B的能力，我准备了五个问题，分别涉及中文、英文、数字、推理和代码能力。让我们看看它的表现如何：

1. **问题：9.11和9.8谁大？**

• **回答**：9.8通常是指地球表面上重力加速度的值，约为9.8米每二次方秒(m/s”)。而9.11则是一个比较小的数字，它也可以是指一些其他物理量的值，但通常不如9.8那么常见。

但如果你问的是9.11和9.8谁大，那么答案很简单，9.8当然比9.11大!

• **分析**：模型正确理解了简单的数字比较。

2. **问题：Who is bigger, 9.11 or 9.8?**

**回答**：In this case the answer is simple:9.8 is bigger than 9.11!The number 9.8 is a well-known value representing the acceleration due to gravity on Earth’s surface,while 9.11 is just a smaller number.

**分析**：模型在英文语境下同样给出了正确的回答，显示了跨语言处理的能力。

3. **问题："仁者爱人"是谁说的？**

• **回答**：这是个哲学谚语。“仁者爱人"这句话通常被认为是孔子说的。他在《论语》中说过:"仁者,爱人;而亲仁,也可以称之为仁者爱人。

这句谚语强调了仁慈和宽容的道德原则，即对所有人类都应该表现出爱意和同情心。

• **分析**：模型能够正确识别并回答中文古语的问题，表现出一定的文化背景知识。

4. **问题：How many letters ‘r’ are in the word ‘strawberry’?**

**回答**：The word “strawberry” has 3 letter 'r’s.

**分析**：模型在英文词汇的字母统计中表现优秀。

5. **问题：使用Python计算1到20的阶乘，给出代码。**

• **回答**：

python

import math``#使用math库计算阶乘``for i in range(1，21):`    `print(f"{i}的阶乘是:{math.factorial(i)}")

这段代码会输出从1到20 的阶乘。

也可以使用递归的方法计算阶乘

python

def factorial(n):`    `if n == 0:return 1else:`        `return n*factorial(n-1) #计算1到20的阶乘``for i in range(1，21):`    `print(f"{i}的阶乘是:{factorial(i)}")

这段代码也会输出从1到20的阶乘

• **分析**：模型给出了正确的Python代码，而且是两种解决方式，展示了其编程能力。

LLaMA 3.1:8B的表现

总体来看，LLaMA 3.1:8B在这五个测试问题中表现优秀，特别是在跨语言处理、简单推理和编程能力方面都能给出准确答案。这显示了即使是参数最小的版本也具有相当强大的处理能力。

对比GPT-3.5

对于大家关心的LLaMA 3.1是否超过GPT-3.5的问题，我们可以从几个角度来对比：

- **参数量**：LLaMA 3.1的8B版本参数量比GPT-3.5小得多，但在处理日常问题时并没有明显劣势。

- **响应速度**：由于参数量较小，8B版本的响应速度更快，适合需要高效处理的应用场景。

- **文化知识**：在回答中文古语问题时，LLaMA 3.1表现出色，这可能是因为Meta在训练过程中加入了更多的多语言和多文化数据。

对于那些不习惯使用命令行的朋友们，别担心！你也可以通过Docker下载一个Open WebUI。这个界面跟ChatGPT很像，使用起来非常直观。安装完成后，你可以在Docker中直接打开使用。

总结

通过以上测试可以看出，LLaMA 3.1:8B虽然是参数最小的版本，但已经展现出相当强大的能力。对于有高性能需求的用户，70B和405B版本将会提供更强的计算能力和更准确的回答。在未来，随着LLaMA系列模型的不断优化，我们可以期待它在更多领域中的应用和表现。

希望这篇文章能够帮助大家了解LLaMA 3.1的强大之处

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。