开源大模型新王者Llama 3.3 70B，用Ollama跑起来

Meta的Llama 3.3 70B模型，以其多语言能力、高效推理和安全特性，为大型语言模型树立新标杆。它不仅服务于研究者，也助力企业构建AI解决方案，平衡了强大性能与易用性。Llama 3.3的推出，展现了Meta推动包容性AI未来的承诺，让高质量AI技术更加普及。

玩转AI大模型

1280人浏览 · 2024-12-14 10:35:19

玩转AI大模型 · 2024-12-14 10:35:19 发布

深度解析Llama 3.3 70B模型。

Meta公司新近推出的Llama 3.3 70B模型，为大型语言模型带来了新突破。这款模型不仅支持多语言，性能强劲，而且具备成本效益，有望彻底改变企业和科研人员利用AI的方式。今天带大家深入解析Llama 3.3 70B。

1 Meta Llama 3.3 70B 新亮点

Meta的Llama 3.3 70B模型在智能推理、编程编码和指令执行上做了大幅提升，是目前最前沿的开放模型之一。几大亮点如下：

精准输出：针对结构化数据，能生成条理清晰的推理过程和精确的JSON格式响应。
多语言兼容：支持八种主流语言，包括英语、法语、印地语和泰语，实现真正的多语言交流。
编程强化：对多种编程语言有更好的支持，错误处理更精细，代码反馈更详尽。
智能工具调用：根据预设参数，智能选择工具，避免不必要的操作。

这款模型让开发者以更低成本享受到接近405B模型的性能，让高端生成式AI技术触手可及。

2 性能与效率的新标杆

Llama 3.3 70B模型的性能媲美更大的Llama 3.1 405B模型，而成本却大大降低。

这意味着开发者和企业现在可以用更低的计算成本，获得行业领先的成果。这款模型以700亿参数实现了规模与易用的双赢，让更多人能够轻松使用。

Llama3.3 70B 性能

Llama 3.3 70B性能

更长的上下文窗口：该模型支持高达128k个标记，适合处理大规模文档、深入分析和复杂对话。
改进的结构化输出：能够生成逐步推理和精确的JSON输出，非常适合需要结构化数据的应用场景。
分组查询注意力（GQA）：这一架构增强确保了推理的可扩展性和高效性，尤其适用于实时应用。
增强的编码支持：Llama 3.3在编码任务中表现优异，提供详细的错误处理、广泛的语言支持和结构化的代码反馈。

3 多语言支持

Llama 3.3是经过专业调优的多语言模型，能够流畅处理英语、法语、德语、意大利语、葡萄牙语、西班牙语、印地语和泰语等八种主要语言。

虽然此模型训练数据覆盖了更广的语言种类，但仍然鼓励开发者对未覆盖的语言进行微调，以保障对话的安全性和可靠性。

拓展视野

Llama 3.3的多语言支持为以下领域带来了新机遇：

教育领域：提供特定语言的辅导和资源。
全球客户服务：在企业环境中简化多语言沟通流程。
内容创作：实现多样化、文化敏感的内容创造。

增强的编码和任务感知

Llama 3.3的一个突出特点是其增强的编码能力。开发者可以期待：

广泛的语言覆盖：模型支持广泛的编程语言，提供详细的错误检测和调试帮助。
任务感知工具使用：集成智能确保模型有效地调用外部工具，避免不必要的或冗余的调用。

这些特性使Llama 3.3成为软件开发的宝贵工具，赋予团队更高效地编写、调试和优化代码的能力。

4 负责任的AI部署

Meta在AI安全和责任方面迈出了坚实的步伐。Llama 3.3为此特别设计，配备了以下功能：

Llama Guard 3与Prompt Guard：这是内置安全机制，旨在防止不良输出，并确保AI的合规使用。
第三方工具使用指南：为开发者提供了一套安全集成和部署的最佳实践指南，具体内容请参考《负责任使用指南》。

5 实际应用

Llama 3.3 70B模型在各行业都有变革潜力：

教育行业：引入多语言AI导师，提供个性化学习体验。
企业应用：简化客户服务流程，自动化工作流程，并从大数据中提取洞见。
医疗保健：辅助患者沟通，进行多语言医疗文档分析，并针对特定医疗场景训练模型。
内容与媒体：为全球不同语言的受众创作高质量的文章、字幕和多媒体内容。
软件开发：通过高效的编程辅助和任务定制智能提升开发效率。

6 集成Llama 3.3：最佳实践

为了最大化Llama 3.3的潜力，开发者和企业应遵循以下最佳实践：

明确用例：明确应用目标，以有效利用模型的优势。
实施安全措施：使用内置的安全特性，如Llama Guard 3，以最小化风险。
多语言微调：在处理不支持的语言时，应用微调以确保高质量的输出，符合模型的指南。
监控和优化：持续评估模型的性能，并针对特定任务优化其集成。

7 实战教程：本地部署LLaMA 3.3 70B

已经了解了LLaMA 3.3的技术亮点，现在，让我们通过详细的步骤指南来学习如何使用LangChain和Ollama在本地计算机上运行LLaMA 3.3。按照以下步骤，即可在你的终端上完成部署：

步骤1：安装所需库

首先，在Python环境中安装所需的库。运行以下命令来设置LangChain和Ollama：

!pip install langchain   !pip install -U langchain-community   !pip install langchain_ollama

步骤2：安装依赖项

运行以下单元格以安装必要的工具：

!sudo apt update   !sudo apt install -y pciutils   !curl -fsSL https://ollama.com/install.sh | sh

这个脚本将完成以下任务：

安装pciutils用于GPU检测。
一键安装Ollama运行时。

步骤3：启动Ollama服务

使用以下Python代码片段启动Ollama服务：

import threading   import subprocess   import time      def run_ollama_serve():       subprocess.Popen(["ollama", "serve"])      thread = threading.Thread(target=run_ollama_serve)   thread.start()   time.sleep(5)

这个设置在后台运行Ollama，支持你同时执行其他命令。

步骤4：下载并运行模型

要加载特定模型（例如Llama 3.3），请执行：

!ollama pull llama3.3

你可以在Ollama库（https://ollama.com/library）中探索更多模型。

步骤5：将LLaMA 3.3与LangChain集成

LangChain可以轻松调用LLaMA 3.3进行各种NLP任务。这里是一个简单的脚本来测试模型：

from langchain_community.llms import Ollama      # 初始化Llama 3.3模型的实例   llm_llama = Ollama(model="llama3.3")      # 调用模型生成响应   response = llm_llama.invoke("Tell me a joke")   print(response)

输出：

Here's one:      What do you call a fake noodle?      An impasta.

步骤6：尝试不同的任务

你可以将其扩展到更复杂的任务，如摘要、多语言翻译和推理：

# 摘要      response = llm_llama.invoke("Summarize the following text: 'LLaMA 3.3 represents a major step forward in AI development...'")   print(response)      # 多语言生成      response = llm_llama.invoke("Translate the following into French: 'What are the major improvements in LLaMA 3.3?'")   print(response)

输出：

The translation of "What are the major improvements in LLaMA 3.3?" into French is:      "Quels sont les améliorations majeures de LLaMA 3.3?"

编写Python代码进行交互

现在，使用LangChain Ollama集成来提问或执行任务

数学查询：

from langchain_core.prompts import ChatPromptTemplate   from langchain_ollama.llms import OllamaLLM   from IPython.display import Markdown      # 定义提示模板   template = """Question: {question}      Answer: Let's think step by step."""   prompt = ChatPromptTemplate.from_template(template)      # 加载llama3.3模型   model = OllamaLLM(model="llama3.3")      # 结合提示和模型   chain = prompt | model      # 查询模型   response = chain.invoke({"question": "What is the square root of 2025?"})   display(Markdown(response))

输出：

The length of the hypotenuse in a right-angled triangle can be calculated using the Pythagorean theorem, which states that for a triangle with sides 'a' and 'b', and hypotenuse 'c': c^2 = a^2 + b^2.      However, I need more information to provide an accurate answer. Are you dealing with a specific right-angled triangle where both legs (a and b) are known? Please provide the lengths of sides 'a' and 'b', and I'll calculate the hypotenuse 'c'.

代码挑战：

性能挑战 #1

display(Markdown(chain.invoke({"question": "Write a python program to find a factorial of a number."})))

输出：

    以下是Python函数，用于计算给定数字的阶乘：      ```python   def factorial(n):       if n == 0:           return 1       else:           return n * factorial(n-1)      # 示例用法：   num = 5   print(f"The factorial of {num} is: {factorial(num)}")

这个函数通过递归计算阶乘。它首先检查输入n是否为0，如果是，则返回1（因为0的阶乘定义为1）。如果n不为0，则递归调用自身，传入n-1，并将结果乘以n。

注意： 在实际应用中，需要处理负数和非整数输入等边缘情况。此外，对于较大的n值，由于Python对递归调用深度的限制，使用迭代方法可能更高效。

性能挑战 #2

display(Markdown(chain.invoke({"question": "Write a Python code to run a simple classification algorithm using Sklearn."})))

输出：

首先，我们需要导入必要的库。对于这个任务，使用sklearn，它是Python中广泛用于机器学习任务的库。

import numpy as np   from sklearn.datasets import load_iris   from sklearn.model_selection import train_test_split   from sklearn.preprocessing import StandardScaler   from sklearn.linear_model import LogisticRegression   from sklearn.metrics import accuracy_score      # 第一步：加载数据集   iris = load_iris()   X = iris.data   y = iris.target      # 第二步：将数据分为训练集和测试集   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)      # 第三步：数据预处理（缩放通常对逻辑回归是必要的）   scaler = StandardScaler()   X_train_scaled = scaler.fit_transform(X_train)   X_test_scaled = scaler.transform(X_test)      # 第四步：训练逻辑回归模型   logreg = LogisticRegression(solver='liblinear')   logreg.fit(X_train_scaled, y_train)      # 第五步：做出预测并评估模型   y_pred = logreg.predict(X_test_scaled)   accuracy = accuracy_score(y_test, y_pred)      print(f'Accuracy of the model: {accuracy*100:.2f}%')

这个脚本展示了使用Python和Sklearn进行机器学习分类的典型流程。它包括加载数据集、数据划分、特征缩放、模型训练和评估等步骤。在实际应用中，你可能需要根据数据集的特点调整预处理步骤，并探索不同的模型以适应不同的分类问题。