LLaMa 3或将推迟到7月发布，剑指GPT-4，从Gemini吸取教训

admin管理员组

文章数量:1631562

LLaMa 3 正寻找安全与可用性的新平衡点。

过去的图像生成模型常被人们诟病人物主要以「白人」为主，而谷歌 Gemini 正在因为它的矫枉过正而深陷翻车风波。它「过度谨慎」的文生图结果会与历史事实出现极大偏差，让用户们瞠目结舌。谷歌表示，该模型变得比开发者预期的更加谨慎。这不仅体现在生成图片的问题上，还体现在常常将一些提示认作敏感提示，从而拒绝回答。

在此事不断发酵时，这项安全与可用性如何平衡的难题也给 Meta 提出了巨大挑战。LLaMA 2 是开源领域的「强中手」，更是 Meta 的招牌模型，一经发布即改变了大模型格局。现在，Meta 正在积极筹备 LLaMa 3，不过这得先解决 LLaMA 2 的遗留问题：回答有争议问题时表现过于保守。

在安全与可用性之间寻求平衡

Meta 在 Llama 2 中添加了防护措施，防止 LLM 回答各种有争议的问题。这种保守性虽然在处理极端情况时是必要的，如暴力或非法活动相关的查询，但同时也限制了模型在回答较为普通但稍带争议的问题上的能力。据 The Information 报道，当其想 LLaMA 2 提出「员工如何在强制到办公室的日子里避免进办公室」的问题时，会被拒绝提供建议，或是获得「尊重并遵守公司的政策和指导方针非常重要」。LLaMA 2 还拒绝提供如何恶作剧朋友、赢得战争或破坏汽车引擎的答案。这种保守的回答方式是为了避免公关灾难的发生。

不过，据透露，Meta 的高级领导层和一些参与模型工作的研究人员认为 LLaMA 2 的回答过于「打安全牌」。Meta 正在努力让即将推出的 LLaMA 3 模型在提供回答时能够更加灵活，提供更多上下文信息，而不是直接拒绝回答。研究人员正在尝试让 LLaMA 3 能够与用户有更多互动，更好地理解用户可能表达的含义。据悉， 新版本的模型将能更好地分辨一个词的多重含义。例如，LLaMA 3 可能会明白，关于如何破坏汽车引擎的问题是指如何熄火，而不是对其进行损毁。The Information 的报道中提到，Meta 还计划在未来几周内任命一名内部人员负责语气和安全培训，这也是该公司努力使模型回答更加细致入微的一部分。

这样的平衡点不只是 Meta 与谷歌需要攻克的难题，它显然对很多科技巨头造成了程度不一的影响。既要打造人人想用、人人能用、事事好用的产品，又要在此基础上维持生成结果可靠的安全性，这是科技公司在跟进 AI 技术时必须面对的问题之一。

LLaMa 3 的更多信息

LLaMa 3 的发布万众瞩目，Meta 计划在 7 月份对其发布，但时间仍有可能发生变化。Meta 首席执行官马克・扎克伯格野心勃勃，曾说到「虽然 Llama 2 不是行业领先的模型，但却是最好的开源模型。对于 LLaMa 3 及其之后的模型，我们的目标是打造成为 SOTA，并最终成为行业领先的模型。」

原文地址：www.reuters/technology/…

Meta 希望 LLaMa 3 能够赶上 OpenAI 的 GPT-4。Meta 公司工作人员透露，目前还没有决定 LLaMa 3 是否将是多模态的，是否能够理解并生成文本和图像，因为研究人员还没有开始对模型进行微调。不过， LLaMa 预计将拥有超过 140 亿个参数，这将大大超过 LLaMa 2，预示着其在处理复杂查询方面的能力将得到显著提升。

除了管够的 35 万块 H100 和数百亿美元，人才也是 LLaMa 3 训练的「必需品」。Meta 通过其生成式 AI 小组开发 LLaMa，该小组与其基础 AI 研究团队是分开的。负责 LLaMa 2 和 3 安全的研究员 Louis Martin 于 2 月离开了公司。领导强化学习的 Kevin Stone 也在本月离开。这会不会对 LLaMa 3 的训练产生影响尚不可知。LLaMa 3 是否能够把握好安全与可用性的平衡，在代码能力等方面给我们新的惊艳，我们拭目以待。

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。

😝有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取🆓

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。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

😝有需要的小伙伴，可以Vx扫描下方二维码免费领取==🆓

本文标签： 或将剑指推迟到教训LLaMA