前段时间，Meta 开源了 Llama 3.2 轻量化模型，为移动端跑大模型提供了新选择！

同时，Llama 3.2 视觉模型（Llama 3.2 Vision）也正式开源，号称媲美 GPT-4o。

前两天，Llama 3.2 Vision 已在 Ollama 上线！

今日分享，就对它实测一番。

最后，应用到我们上篇的票据识别任务中，看看效果真有官宣的那么惊艳么？

1. Llama 3.2 亮点

老规矩，还是简短介绍下：Llama 3.2 都有哪些亮点？

一句话：轻量化 + 视觉多模态能力！

具体点：

• 文本模型：有 1B 和 3B 版本，即便参数少，也支持128k tokens的上下文长度；基于LoRA和SpinQuant 对模型进行深度优化，内存使用量减少41%，推理效率翻了2-4倍。

• 多模态模型：有 11B 和 90B 版本，在视觉理解方面，与Claude3 Haiku和GPT 4o-mini 可 PK。

2. Llama 3.2 实测

Ollama 是面向小白友好的大模型部署工具，为此本篇继续采用 Ollama 跑 Llama 3.2。

2.1 环境准备

参考上述教程，假设你在本地已经准备好 Ollama。

当前 Ollama Library 中已支持 Llama 3.2 下载，因此，一行命令拉起 llama3.2-vision。

ollama run llama3.2-vision   

如果遇到如下报错：

pulling manifest 
Error: pull model manifest: 412: 

The model you are attempting to pull requires a newer version of Ollama.

说明你的 ollama 版本需要更新了。

如果你也和我一样，采用 docker 安装，则需要删除容器，重新下载最新镜像进行安装：

docker stop ollama
docker rm ollama
docker image rm ollama/ollama
# 注：海外镜像，国内用户需自备梯子
docker pull ollama/ollama

可以发现，当前最新版本为 0.4.1：

ollama --version
ollama version is 0.4.1

然后，再起一个容器：

docker run -d --gpus "device=2" -v ollama:/root/.ollama -p 3002:11434 --restart unless-stopped --name ollama ollama/ollama   

注：我这里指定 --gpus "device=2"，如果单张显存不够，需指定多张卡，Ollama 会帮你自动分配。

显存占用情况如何？

2.2 文本模型

进入容器，并下载模型 llama3.2 3B版本：

docker exec -it ollama /bin/bash
ollama run llama3.2

显存占用：请确保至少 4 G 显存。

2.3 多模态模型

进入容器，并下载模型 llama3.2-vision 11B版本：

docker exec -it ollama /bin/bash
ollama run llama3.2-vision

显存占用：请确保至少 12 G 显存。

注：ollama 中模型默认采用了 4bit 量化。

3. 接入 Dify

3.1 模型接入

要把 Ollama 部署的模型接入 Dify 有两种方式。

首先，找到设置 - 模型供应商。

方式一： 找到 Ollama 类型，然后进行添加，记得把Vision能力打开：

方式二：

把 Ollama 模型接入 OneAPI，然后在模型供应商这里选择 OpenAI-API-compatible。

个人更推荐 方式二，你会体会到接口统一的快乐~

3.2 应用集成

最后，我们在上篇的基础上，把用到 Qwen2-VL 的组件，LLM 全部替换成刚刚接入的 llama3.2-vision，如下图：

实测效果咋样？

嗯~ o(￣▽￣)o 价格等基本信息还是抓到了。

只是，相比上篇实测的 Qwen2-VL 就差点意思了：

• 从中文指令遵循上看：给到同样的提示词，llama3.2-vision 压根不按你的意图来；

• 从识别结果上看：中文 OCR 也被 Qwen2-VL 甩开好几条街。

当然，换用 90B 的模型会不会好很多？感兴趣的朋友可以试试~

结论：现阶段，对于票据识别这个任务而言，综合考虑成本和效果，还是调用云端的 Qwen2-VL-72B 吧。

写在最后

本文带大家本地跑了 Meta 最新开源的 Llama 3.2，并在票据识别任务上进行了实测。

个人体验而言：Llama 系列，都得在中文指令数据上微调后，才能中文场景中使用，同等参数规模下，国产大模型其实更具性价比。

最后的最后

感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。

因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。

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】

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI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。

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】