Llama 3.1横空出世！开源巨无霸首次击溃闭源，全民GPT-4时代来临

  新智元报道  

编辑：编辑部

【新智元导读】大模型格局，再次一夜变天。Llama 3.1 405B重磅登场，在多项测试中一举超越GPT-4o和Claude 3.5 Sonnet。史上首次，开源模型击败当今最强闭源模型。小扎大胆豪言：开源AI必将胜出，就如Linux最终取得了胜利。

开源新王Llama 3.1 405B，昨夜正式上线！

在多项基准测试中，GPT-4o和Claude 3.5 Sonnet都被超越。也即是说，闭源SOTA模型，已经在被开源模型赶上。

一夜之间，Llama 3.1 405B已成世界最强大模型。

（同时上线的，还有新版70B和8B模型）

LeCun总结了Llama 3.1模型家族的几大要点：

- 405B的性能，与最好的闭源模型性能相当- 开源/免费使用权重和代码，允许进行微调、蒸馏到其他模型中，以及在任何地方部署- 128k的上下文，多语言，良好的代码生成能力，复杂推理能力，以及工具使用能力

- Llama Stack API可以轻松集成

Meta这次可谓是将开源的精神贯彻到底，同时大方放出的，还有一篇90多页的论文。

HuggingFace首席科学家Thomas Wolf赞赏道：如果想从0开始研究大模型，你需要的就是这篇paper！

它简直无所不包——预训练数据、过滤、退火、合成数据、缩放定律、基础设施、并行处理、训练方法、训练后适应、工具使用、基准测试、推理策略、量化、视觉、语音和视频……

AI2的研究员Nathan Lambert估计，这份90页的Llama 3.1论文，将直接把开源模型的进展往前推上3-9个月！

Meta CEO小扎则自豪地写下一篇长文：开源人工智能是前进的道路。

在纽约时报的采访中，小扎力挺开源AI

在这篇文章中，小扎感慨地回忆了Meta在LLM浪潮中的翻身之路——

去年，Llama 2只能与边缘的旧模型相提并论；今年，Llama 3在某些方面已经领先于最先进的模型；明年开始，未来的Llama模型将成为最先进的模型。

对于自己被多次问到的「是否担心开源Llama而失去技术优势」，小扎直接以Linux自比。

他表示，曾经大科技公司都大力投资于自己的Unix版本，然而最终还是开源Linux胜出了，因为它允许开发者随意修改代码，更先进、更安全、生态更广泛。

AI，也必将以类似方式发展。

为此，Meta特地放宽了自己的许可，首次允许开发者使用Llama 3.1模型的高质量输出，来改进和开发第三方AI模型。

网友：一个新时代开始

Llama 3.1正式解禁后，在全网掀起轩然大波。

AI大神Karpathy随即发表了一些自己的感想：

今天，随着405B模型的发布，GPT-4/Claude 3.5 Sonnet级别的前沿大模型首次对所有人开放供大家使用和构建。。其权重开源，商用许可、允许生成合成数据、蒸馏和微调模型。

这是Meta发布的一个真正开放的前沿LLM。除此以外，他们还放出了长达92页的技术报告，其中包含有大量模型细节：https://ai.meta.com/research/publications/the-llama-3-herd-of-models/

这次模型发布背后的理念，在小扎的一篇长文中有详细阐述，非常值得一读，因为它很好地涵盖了支持开放AI生态系统世界观的所有主要观点和论点：

开源AI是未来。

我常说，现在仍处于早期阶段，就像计算机发展的1980年代重现一样，LLM是下一个重要的计算范式，而Meta显然正定位自己为其开放生态系统的领导者。

- 人们将对这些模型进行提示和使用RAG- 人们将对模型进行微调- 人们将把它们蒸馏成更小的专家模型，用于特定任务和应用

- 人们对其进行研究、基准测试、优化

另外，开放生态系统还以模块化的方式自组织成产品、应用和服务，每个参与方都可以贡献自己的独特专业知识。

一个例子是，AI芯片初创Groq已经集成了Llama 3.1模型，几乎能实现8B模型瞬间推理。

Karpathy称，由于服务器压力，自己似乎无法尝试运行在Groq上的405B可能是今天能力最强、最快的大模型。

他还预计，闭源模型们很快就会追赶上来，并对此非常期待。

Meta研究员田渊栋称，一个新的时代已经开始！开源LLM现在与闭源LLM不相上下/更胜一筹！

开源模型新王者诞生了。

OpenPipe创始人在测试完经过微调的Llama 3.1 8B后感慨道：从未有过如此小且如此强大的开源模型——它在每个任务上的表现都优于GPT-4o mini！

英伟达高级科学家Jim Fan表示，GPT-4的力量就在我们手中。这是一个具有历史性意义的时刻。

鲜有人关注AI模型训练背后的基础设施，Pytorch之父Soumith Chintala站出来表示，在16000块GPU搭建的设施中，也会遇到失败的时候。

这些细节都藏在了Llama 3.1的论文中，包括如何并行化、保持系统可靠性。值得一提的是，Meta团队在模型训练中实现了90%的有效训练时间。

有网友细数了Llama模型迭代过程中，GPU的用量也在不断增长。

Llama 1：2048块GPULlama 2：4096块GPULlama 3.1：16384块GPU（其实，Llama 3是在两个拥有24,000块GPU集群完成训练）

Llama 4：......

最强开源模型家族

其实，关于Llama 3.1系列模型一些要点，在昨天基本上被剧透得体无完肤了。

正如泄露信息所述，Llama 3.1可以支持8种语言（英语，德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语），多语言对话智能体、翻译用例等。

在上下文长度上，比起Llama 2、Llama 3，Llama 3.1系列模型中所有上下文增加了16倍，为128K。

Meta强调，Llama 3.1还在工具使用方面得到了改进，支持零样本工具使用，包括网络搜索、数学运算和代码执行。

基于长上下文，模型不仅知道何时使用工具，还能理解如何使用以及如何解释结果。

此外， 通过微调，Llama 3.1在调用自定义工具方面提供了强大的灵活性。

主要能力

首先，Llama 3.1可以作为一个能够执行「智能体」任务的系统来运行：

- 分解任务并进行多步骤推理- 使用工具    - 内置工具：模型自带对搜索或代码解释器等工具的知识

    - 零样本学习：模型可以通过以前未见过的上下文工具定义来学会调用工具

比如问模型：「这是一个CSV文件，你可以描述它里面有什么吗？」

它会识别出：这份CSV文件包含了多年的每月通货膨胀率，年份一栏表示了每组每月通货膨胀率的年份。

接下来，我们可以要求它按时间序列绘制图表。

接下来，它还能完成一系列刁钻的任务，比如在同一图表中绘制S&P500的走势图。

完成之后，还能重新调整图表，把信息加到不同的坐标轴上。

如上所示，Llama 3.1支持8种语言，因此可以胜任多语言的翻译。

我们可以让它将童话故事《汉泽尔与格莱特》（糖果屋）翻译成西班牙语。

即使面对比较复杂的推理题，Llama 3.1也能轻松拿下。

「我有3件衬衫、5条短裤和1条连衣裙。我要出行10天，这些衣服够我度假用吗」？

AI将已知的条件，进行分解，对上衣、短裤、裙子设想了一个合理的搭配方案，并建议最好多带几件上衣。

在推理完成后，它还贴心地为我们提供了更详细的出行穿衣指南、行李清单。

我们还可以让AI手写代码。

比如让它创建一个程序，使用递归回溯算法或深度优先搜索算法生成一个完美迷宫，并且可以自定义大小和复杂度。

只见AI一上手，直出迷宫程序的Python代码。

代码完成后，AI还给出了详细的解释。

再接下来，若想自定义程序，AI代码助手为我们提供了相应的代码建议——调整宽度和高度。

评测结果

为了评估Llama3.1的表现，Meta不仅在测试中囊括了150个涵盖多语种的基准数据集，并且还在真实场景中进行了比较。

在多种任务中，405B都可以和GPT-4、GPT-4o、Claude 3.5 Sonnet等闭源领先模型掰手腕。

而8B和70B的小模型，在参数量相似的闭源和开源模型中，同样表现出色。

除了长上下文任务，8B和70B模型在通用任务、代码、数学、推理、工具使用、多语言上，取得了SOTA。

人类评估中，Llama 3.1 405B模型与GPT-4不相上下，但略逊于GPT-4o。

不过，在与Claude  3.5 Sonnet相较下，405B大模型更有优势，胜率为24.9%。

此外，在Scale的排行榜中，Llama 3.1 405B微调版本在指令跟随评估中，碾压Claude 3.5 Sonnet、GPT-4o。

在数学任务中，405B仅次于Claude 3.5 Sonnet，位列第二。不过，Llama 3.1在代码任务上，得分相对较低。

92页超详技术报告

没有谁能够像Meta一样开源彻底，92页超长技术报告，也在今天一并放出。

论文地址：https://ai.meta.com/research/publications/the-llama-3-herd-of-models/

论文提出，Llama 3.1这种高质量的基座模型有3个关键杠杆：数据、规模以及复杂度管理。

数据方面，相比前代，Llama 3.1的数据总量和质量都有所提高，比如对预训练数据更仔细的预处理和管理管道，以及对训练后数据更严格的质量保证和过滤方法。

Llama 2仅在1.8T token的数据上进行预训练，而Llama 3.1的多语言预训练语料则达到了15.6T token，有超过8倍的增长。

规模方面，Llama 3.1的训练使用了超过1.6万个英伟达H100 GPU，计算总量达到3.8e25 FLOPS，几乎是Llama 2的50×。

为了更好地实现「scale up」，论文特别提出了「复杂度管理」这个方面。在选择模型架构和算法时，需要更关注其稳定性和可扩展性。

值得关注的是，Llama 3.1并没有使用最受关注的MoE架构，而是decoder-only架构的稠密Transformer，仅将原始的Transformer架构进行过一些修改和调整，以最大化训练稳定性。

类似的做法还有，使用SFT、RS、DPO等简洁的训练后流程，而不是更复杂的强化学习算法。

和许多大模型类似，Llama 3的开发也主要包括两个阶段：预训练和后训练。

预训练时同样使用「预测下一个token」作为训练目标，首先将上下文窗口设定为8K，之后在继续预训练阶段扩展到128K。

后训练阶段通过多个轮次迭代的人类反馈来改进模型，显著提升了编码和推理性能，并整合了工具使用的能力。

此外，论文还尝试使用3个额外阶段为Llama 3.1添加图像、视频、语音等多模态功能：

- 多模态编码器预训练：图像和语音的编码器分开训练，前者的预训练数据是图像-文本对，后者则采用自监督方法，尝试通过离散化的token重建语音中被掩码的部分。

- 视觉适配器：由一系列跨注意力层组成，将图像编码器的表示注入到经过预训练的语言模型中。以图像为基础，论文还尝试在视频-文本对上训练了视频适配器。

- 语音适配器：连接语音编码器和语言模型，此外还集成了「文本到语音」系统。

遗憾的是，上述的多模态功能依旧在开发阶段，因此没有包含在新发布的Llama 3.1中。

模型架构

Llama 3.1依旧使用标准的稠密Transformer，与Llama和Llama 2在架构方面并没有显著差异，性能的改进主要来自训练数据质量、多样性的提升，以及规模扩展。

与Llama 3相比，Llama 3.1的架构有以下改进：

- 分组查询注意力（GQA）：带有8个键-值头，提升推理速度并减少解码时的KV缓存

- 注意力掩码：防止同一序列中不同文档之间出现自注意力。这个技巧在标准预训练中效果有限，但对很长的序列进行继续预训练时非常重要

- 128K token词表：包括tiktoken中的100K以及额外的28K，以更好支持非英语语言。与Llama 2相比，同时提高了英语和非英语的压缩比率

- 将RoPE的超参数θ设置为500,000：更好支持长上下文

模型的关键超参数如表3所示，基于数据量和训练算力，模型的大小达到了Scaling Law所揭示的算力最优化。

并行效率

要在1.6万张GPU上训练405B的模型，仅仅是考虑并行和故障处理，就已经是一个大工程了。

除了模型本身，论文对训练过程使用的并行化方案，以及存储、网络等基础设施都进行了阐述。

Llama 3.1的训练采用4D并行（张量+流水线+上下文+数据），在BF16精度下，GPU利用率（MFU）约为38%～41%。

Llama 3.1训练集群的故障处理也十分出色，达到了超过90%的有效训练时间，但这依旧意味着，总共54天的预训练过程中，每天都至少有一次中断。

论文将全部419次意外中断的故障原因都详细列出（表5），对未来的GPU集群搭建有非常重要的借鉴意义。其中确认或怀疑与硬件相关的问题占比达到了78%。

由于集群的自动化运维比较完善，尽管故障次数多，但大部分都可以被自动处理。整个过程中，只有3次故障需要手动干预。

提高特定能力的性能

代码

为了提高模型的编码能力，Meta采用了训练代码专家、生成SFT合成数据、通过系统提示引导改进格式，以及创建质量过滤器（从训练数据中删除不良样本）等方法。

使用Llama 3将Python代码（左）转换为PHP代码（右），以使用更广泛的编程语言来扩充SFT数据集

通过系统提升，让代码质量提高。左：无系统提示 右：有系统提示

多语种

为了提高Llama 3的多语种能力，Meta专门训练了一个能够处理更多多语言数据的专家，从而获取和生成高质量的多语言指令微调数据（如德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语），并解决多语言引导中的特定挑战。

数学推理

训练擅长数学推理的模型，面临着几大挑战，比如缺乏提示、缺乏真实的CoT、不正确的中间步骤、需要教模型使用外部工具、训练和推理之间的差异等。

为此，Meta采用了以下方法：解决提示不足问题、增强训练数据中的逐步推理过程、过滤错误的推理过程、结合代码和文本推理、从反馈和错误中学习。

长上下文

在最后的预训练阶段，Meta将Llama 3的上下文长度从8K token扩展到128K。

在实践中团队发现，如果仅使用短上下文数据进行SFT，会导致模型长上下文能力显著退化；而阅读冗长的上下文非常乏味、耗时，所以让人类标注此类示例也是不切实际的。

因此，Meta选择了合成数据来填补这一空白。

他们使用Llama 3的早期版本，生成了基于关键长上下文用例的合成数据：（多轮）问答、长文档摘要、代码库推理。

工具使用

Meta训练了Llama 3与搜索引擎、Python解释器、数学计算引擎交互。

在开发过程中，随着Llama 3的逐步改进，Meta也逐渐复杂化了人工标注协议。从单轮工具使用标注开始，转向对话中的工具使用，最后进行多步工具使用和数据分析的标注。

Llama 3执行多步骤规划、推理和工具调用来解决任务

基于提供文件，要求模型总结文件内容、查找并修复错误、优化代码、执行数据分析或可视化等

事实性

对于LLM的公认挑战幻觉问题，Meta采取了幻觉优先的方法。

他们遵循的原则是，训练后应该使模型「知道它知道什么」，而不是添加知识。

可操纵性

对于Llama 3，Meta通过带有自然语言指令的系统提示，来增强其可操纵性，特别是在响应长度、格式、语气和角色/人格方面。

「你是一个乐于助人、开朗的AI聊天机器人，为忙碌的家庭充当膳食计划助手」

团队成员

Llama 3的团队可以说非常庞大，单核心成员而言就达到了差不多220人，其他贡献者也有312人之多。

小扎：开源AI是未来

众所周知，小扎一直是开源AI的忠诚拥趸者。

这次不仅是发布一个新的最强模型那么简单，而是誓要让开源AI走上神坛。

在博客中，小扎直接以史为鉴，曾经，各大科技公司都投入巨资埋头开发封闭源Unix版本。

Unix战场打得火热，没想到笑到最后的却是开源的Linux。

Linux最初是因为它允许开发者随意修改代码，并且价格更实惠，广受开发者青睐。

但随着时间的推移，它变得更加先进、更安全，并且拥有比任何封闭的Unix更广泛的生态系统支持更多的功能。

今天，Linux已成为云计算和大多数移动设备操作系统的行业标准，而所有人都因此受益。

小扎相信，AI的发展轨迹也将如此，并且将矛头直指「几家科技公司」的闭源模型。

「今天，几家科技公司正在开发领先的封闭模型，但开源正在迅速缩小差距。」

小扎敢直接点名自然有他的实力作为底气，去年，Llama 2还落后于前沿的旧一代模型。

而今年，Llama 3在性能方面已经能与其他巨头大模型分庭抗礼了。

Llama 3.1 405B作为第一个前沿级别的开源AI模型，除了相对于封闭模型显著更好的成本/性能比之外，405B模型的开放性使其成为微调和蒸馏小型模型的最佳选择。

为什么开源AI对开发者有益？

对于开发者来说，坚持开源模型有五大好处：

第一，开源模型允许开发者自由地训练、微调和蒸馏自己的模型。

每个开发者的需求不同，设备上的任务和分类任务需要小模型，而更复杂的任务则需要大模型。

利用最先进的开源模型，开发者可以用自己的数据继续训练，并蒸馏成理想大小。

第二，可以避免被单一供应商限制。

开发者不希望依赖于自己无法运行和控制的模型，也不希望供应商改变模型、修改使用条款，甚至完全停止服务。

而开源使得模型可以轻松切换和部署，从而打造一个广泛的生态系统。

第三，保护数据安全。

开发者在处理敏感数据时，需要确保数据的安全，这就要求他们不能通过API发送给闭源模型。

众所周知，由于开发过程更透明，因此开源软件通常更安全。

第四，运行高效且成本更低。

开发者运行Llama 3.1 405B的推理成本只有GPT-4o的一半，无论是用户端还是离线推理任务。

第五，长远眼光来看，开源将成为全行业标准。

实际上，开源的发展速度比闭源模型更快，而开发者也希望能够在长期具有优势的架构上构建自己的系统。

在小扎看来，Llama 3.1的发布将成为行业转折点，让开源变得愈发势不可挡。

参考资料：https://ai.meta.com/blog/meta-llama-3-1/https://llama.meta.com/https://www.facebook.com/4/posts/10115716861061241/?rdid=VE0wPWaJDdF21j32