Meta最新发布的Llama 3.2不仅能"看"，还能在你的手机上运行。这次更新带来了多模态支持的Llama Vision和专为设备端优化的"tiny"模型，共推出10个新模型，规模从1B纯文本到90B多模态（文本+图像）不等。

Llama 3.2的核心亮点：

1.Llama 3.2 Vision：推出11B和90B两种规模的多模态模型，支持文本+图像输入并生成文本输出。这些模型基于Llama 3.1文本模型，通过6B图像-文本对训练而成。

2.Llama 3.2 Edge：专为高效本地部署设计的1B和3B多语言纯文本模型。

3.所有Llama 3.2模型均支持128k token的超长上下文。

4.新训练方法：通过知识蒸馏和剪枝技术，从8B/70B模型中提炼出高效的1B/3B模型。

5.Llama Guard 3.2：两个增强版安全守护模型，新增视觉支持功能。

6.性能突破：Llama 3.2 3B模型在IFEval评测中达到了Llama 3.1 8B的水平，为设备端RAG或智能代理应用提供了强大支持。

Llama 3.2的发布标志着边缘AI和视觉技术的新纪元。此次更新引入了小型和中型视觉大语言模型（11B和90B），以及适用于移动设备的轻量级文本模型（1B和3B）。这些模型支持高达128K的上下文长度，旨在实现本地处理的即时性与隐私保护，满足用户在摘要、指令跟随和文本重写等任务中的需求。

在图像理解领域，Llama 3.2的视觉模型表现出色，能够处理文档级理解、图表解读及图像标注等任务。通过与大语言模型的无缝对接，用户可以直接用自然语言提问，模型将结合图像信息提供精确的答案。此外，这些模型通过在本地运行，保证了数据的私密性，使得应用程序在安全性和效率上都得到了极大的提升。

Llama 3.2的架构创新使其在处理图像与文本的结合时表现更为出色。通过引入适配器技术，模型不仅保持了文本处理的强大能力，还增添了对图像的深度理解与推理能力。Meta还与多家合作伙伴共同开发了Llama Stack分发版，简化了开发者在不同环境下的使用流程，推动了生成式AI的可用性与创新性。

总之，Llama 3.2不仅增强了边缘设备的AI能力，还为开发者提供了丰富的自定义选项。随着开放性与可修改性的持续推进，Llama 3.2将推动更多创造性和实用性的突破，改变我们与AI互动的方式。

链接：​​ ​​ ​

本文转载自​​，作者：​​