النقاط البارزة
- دعم متعدد اللغات شامل: يتفوق Llama 3.1 في التعامل مع ثماني لغات، مما يجعله مثاليًا للتطبيقات العالمية متعددة اللغات.
- حجم ضخم وكفاءة حسابية: مع 405 مليار معامل، تم تحسين Llama 3.1 حسابيًا للأداء العالي دون استهلاك مفرط للموارد.
- أداء متطور عبر المعايير: ينافس النماذج الرائدة مثل GPT-4، ويتفوق في مهام البرمجة والرياضيات والسياقات الطويلة.
- هندسة نموذج محسنة ومواءمة: تقنيات متقدمة مثل DPO تعمل على محاذاة المخرجات مع التفضيلات البشرية، مما يعزز الموثوقية.
- إمكانية الوصول مفتوح المصدر: توفر Meta وصولاً مفتوحًا إلى Llama 3.1، مما يعزز التعاون والابتكار في الذكاء الاصطناعي.
- قدرات برمجة واستدلال لا مثيل لها: يقدم النموذج أداءً متفوقًا في البرمجة ومهام حل المشكلات المعقدة.
مقدمة
في عالم الذكاء الاصطناعي سريع التغير، تمثل نماذج اللغة الكبيرة (LLMs) أحدث التقنيات الجديدة. هذه النماذج، المدربة باستخدام كميات هائلة من البيانات، بارعة جدًا في فهم وإنشاء نصوص تبدو وكأنها كتبها إنسان. ستستكشف هذه المقالة ورقة Llama 3.1 من Meta. ستقدم لك نظرة واضحة على تصميمها وقدراتها وأهميتها كنموذج أساسي في مجال معالجة اللغة الطبيعية.
نظرة عامة على Llama 3.1
نموذج اللغة الرئيسي الجديد من Meta، Llama 3.1، الذي يحتوي على 405 مليار معامل، يعرض تفاني Meta في تطوير الذكاء الاصطناعي. يتفوق في مهام ولغات متنوعة، مما يمهد الطريق لنماذج جديدة تعتمد على أبحاث Meta وابتكاراتها.
معلومات النموذج
تتضمن مجموعة Meta Llama 3.1 نماذج لغة كبيرة متعددة اللغات بأحجام 8B و70B و405B، مدربة مسبقًا ومضبوطة بدقة لمهام النص التوليدي. تتفوق نماذج Llama 3.1 النصية فقط في تطبيقات الحوار متعددة اللغات وتتفوق على العديد من المعايير الصناعية.
يدعم النموذج ثماني لغات رسميًا: الإنجليزية والألمانية والفرنسية والإيطالية والبرتغالية والهندية والإسبانية والتايلاندية. يشير التدريب الأساسي إلى قدرات تتجاوز هذه اللغات.
بنية النموذج
Llama 3.1 هو نموذج لغة انحداري ذاتي مبني على بنية محول محسنة. تم تحسين إصداراته المطورة من خلال الضبط الدقيق الخاضع للإشراف والتعلم المعزز من التغذية الراجعة البشرية، المصممة لتلبية المعايير البشرية من حيث الفائدة والسلامة.
كيف يختلف Llama 3.1
يتميز Llama 3.1 عن الإصدارات السابقة والمنافسين في عدة جوانب مهمة:
- الحجم: مع 405 مليار معامل، فهو أكبر بكثير من سابقيه. تكشف ورقة Llama 3.1 “لقد دربنا نموذجًا على نطاق أكبر بكثير من نماذج Llama السابقة: استخدم نموذجنا الرئيسي للغة 3.8 × 10²⁵ فلوب، أي ما يقرب من 50 ضعفًا من أكبر إصدار Llama 2.”
- الحجم الأمثل حسابيًا: اختيار 405 مليار معامل يعتمد بشكل استراتيجي على قوانين القياس، كما هو مذكور في ورقة Llama 3.1: “هذا الحجم هو الأمثل حسابيًا وفقًا لقوانين القياس نظرًا لبياناتنا وميزانية التدريب.”
- القدرات متعددة اللغات: يتفوق Llama 3.1 على أفضل نماذج الذكاء الاصطناعي مثل GPT-4 عبر معايير مختلفة، حيث تنص ورقة Llama 3.1 على أن “تقييمنا التجريبي يشير إلى أن نموذجنا الرئيسي يطابق نماذج اللغة الرائدة مثل GPT-4 في مجموعة من المهام، ويقترب من الأداء المتطور.”
الوصول إلى ورقة Llama 3.1 وفهمها
تعتبر ورقة Llama 3.1 علامة فارقة في مجتمع الذكاء الاصطناعي مفتوح المصدر، حيث تقدم رؤى حول نموذج اللغة الكبير القوي. تشرح الورقة بنية النموذج وعمليات التدريب والأداء، مما يعزز التعلم والابتكار في فهم نماذج اللغة الكبيرة ووظائفها وتطبيقاتها وقيودها.
- قيمة ورقة Llama 3.1: ورقة Llama 3.1 ضرورية لمحترفي الذكاء الاصطناعي لأنها تقدم رؤى متعمقة حول تصميم النموذج وتقييمات الأداء المتمحورة حول الإنسان ونهج السلامة والمواءمة، مما يعزز الشفافية والثقة في أنظمة الذكاء الاصطناعي.
- تنزيل ملف PDF لورقة Llama 3.1: يتجلى التزام Meta بالعلم المفتوح من خلال التوفر المجاني لورقة Llama 3.1 بصيغة PDF، مما يعزز إمكانية الوصول ويشجع على مشاركة أوسع في أبحاث الذكاء الاصطناعي.
الاستخدام المقصود
يحدث Llama 3.1 ثورة في أبحاث الذكاء الاصطناعي من خلال تقديم نموذج لغة قوي للباحثين حول العالم. تفيد قدراته اللغوية المتقدمة التطبيقات الواقعية مثل تعزيز روبوتات الدردشة وأنظمة الذكاء الاصطناعي لتحسين التواصل في خدمة العملاء والتعليم والرعاية الصحية.
حالات الاستخدام المقصودة
تم تصميم Llama 3.1 للتطبيقات التجارية والبحثية عبر لغات متعددة. النماذج النصية فقط المضبوطة بالتعليمات موجهة خصيصًا لوظائف الدردشة الشبيهة بالمساعد، بينما النماذج المدربة مسبقًا متعددة الاستخدامات بما يكفي ليتم تكييفها لمجموعة من مهام توليد اللغة الطبيعية. بالإضافة إلى ذلك، تسهل مجموعة نماذج Llama 3.1 تعزيز النماذج الأخرى من خلال استخدام مخرجاتها، بما في ذلك توليد البيانات الاصطناعية والتقطير. يدعم ترخيص مجتمع Llama 3.1 حالات الاستخدام المتنوعة هذه.
كيفية الاستخدام
يتضمن هذا المستودع نسختين من Meta-Llama-3.1-70B، واحدة متوافقة مع المحولات والأخرى مع قاعدة رمز Llama الأصلية.
الاستخدام مع المحولات
بدءًا من transformers >= 4.43.0 فصاعدًا، يمكنك إجراء استدلال محادثة باستخدام تجريد خط أنابيب المحولات أو باستخدام فئات Auto مع دالة generate().
تأكد من ترقية تثبيت المحولات عن طريق تشغيل pip install --upgrade transformers.
import transformers
import torch
model_id = “meta-llama/Meta-Llama-3.1-70B”
pipeline = transformers.pipeline(
pipeline(“Hey how are you doing today?”)
مجموعة بيانات تدريب Llama 3.1
كانت مجموعة بيانات ما قبل التدريب لـ Llama 3.1 عبارة عن مزيج متنوع ومتوازن بعناية من مجالات عامة مختلفة، تمت معالجتها بدقة لضمان مدخلات تدريب عالية الجودة ومتنوعة.
بيانات ما قبل التدريب
يتضمن بناء مجموعة البيانات أربع مراحل رئيسية:
- تصفية الجودة: تتم إزالة التسميات التوضيحية غير الإنجليزية ومنخفضة الجودة باستخدام مقاييس إرشادية مثل درجات CLIP.
- إزالة التكرار الإدراكي: يقوم نموذج كشف النسخ الداخلي SSCD بإزالة الصور المكررة على نطاق واسع، مع الاحتفاظ بزوج صورة-نص واحد لكل مجموعة مكررة.
- إعادة العينات: لضمان التنوع، يتم إنشاء n-grams من مصادر نصية عالية الجودة، ويتم إعادة عينات البيانات بناءً على تردداتها.
- التعرف البصري على الأحرف: يتم استخراج النص داخل الصور باستخدام خط أنابيب OCR خاص ويتم دمجه مع التسميات التوضيحية.
لتعزيز فهم المستندات، تتضمن مجموعة البيانات أيضًا:
- نسخ المستندات: يتم عرض صفحات المستند كصور مع نص مقترن.
- سلامة المحتوى: يتم استخدام تقنيات مثل التجزئة الإدراكية لإزالة المحتوى غير الآمن مثل مواد الاعتداء الجنسي على الأطفال.
- يتم تحسين مجموعة البيانات إلى ما يقرب من 350 مليون زوج صورة-تسمية توضيحية وإثرائها بـ 150 مليون مثال إضافي من مصادر متنوعة، بما في ذلك التوجيه البصري وتحليل لقطات الشاشة وأزواج الأسئلة والأجوبة والتسميات التوضيحية الاصطناعية والصور المنظمة المولدة اصطناعيًا.
بيانات ما بعد التدريب
بيانات الضبط الدقيق الخاضع للإشراف:
- للصور: يتم تحويل مجموعات البيانات الأكاديمية إلى أزواج أسئلة وأجوبة من خلال القوالب وإعادة الكتابة بواسطة نموذج لغة كبير. ينشئ المعلقون البشريون حوارات متنوعة من البيانات متعددة الوسائط لتحسين المحتوى الذي يولده النموذج.
- للبيانات الاصطناعية: يتم استخدام تمثيلات نصية للصور مع نماذج لغة كبيرة تعتمد على النص لإنشاء أزواج أسئلة وأجوبة للصور المقابلة. تتضمن هذه العملية تحويل نصوص الأسئلة والأجوبة وبيانات الجدول إلى صور اصطناعية باستخدام التسميات التوضيحية واستخراجات التعرف البصري على الأحرف لتوليد بيانات محادثة.
- للفيديو: يتم تحويل مجموعات البيانات الأكاديمية ذات التعليقات التوضيحية إلى تعليمات نصية واستجابات مستهدفة للأسئلة. يقوم البشر بتعليق مقاطع الفيديو بأسئلة وأجوبة معقدة تتطلب أكثر من إطار واحد للسياق.
بيانات التفضيل:
تتضمن مجموعة البيانات مخرجات النموذج التي تم تقييمها على أنها “مختارة” أو “مرفوضة” على مقياس من 7 نقاط، مع تعليقات توضيحية بشرية للتفضيلات والتصحيحات. يتم إنشاء أزواج التفضيل الاصطناعية باستخدام نماذج لغة كبيرة نصية فقط لتقديم أخطاء في مجموعة بيانات الضبط الدقيق، وتوليد عينات سلبية من خلال عينات الرفض من الاستجابات عالية الجودة غير المحددة.
تطبيق DPO على Llama 3.1
نفذت Meta تحسين التفضيل المباشر (DPO) كجزء أساسي من عملية ما بعد التدريب لـ Llama 3.1 لمواءمة النموذج بشكل أفضل مع التفضيلات البشرية. فيما يلي تفصيل لكيفية تنفيذ هذه العملية:
الإعداد الأولي:
- تبدأ العملية بالتدريب على بيانات التفضيل المعلقة بشرية، بناءً على أنجح النماذج من جولات المواءمة السابقة.
- الهدف الرئيسي هو ضمان تطابق بيانات التدريب بشكل وثيق مع توزيع نموذج السياسة الذي يتم تحسينه في كل دورة، مما يساعد على تعزيز أداء النموذج تدريجيًا.
- جمع بيانات التفضيل:
- يتم جمع بيانات التفضيل من المعلقين البشريين الذين يقيمون استجابات متعددة يولدها النموذج لكل موجه. تستند هذه التقييمات إلى جودة الاستجابات وتفضيلها، مع ترتيب واضح مثل المحرر > المختار > المرفوض.
- تشمل هذه البيانات استجابات مصنفة إلى مستويات تفضيل مختلفة (أفضل بكثير، أفضل، أفضل قليلاً، أو أفضل بشكل هامشي) وتتضمن أحيانًا استجابات محررة لتحسين الاستجابة المختارة.
تجارب Llama 3.1
تقوم تجارب الرؤية لـ Llama 3.1 بتقييم أداء التعرف على الصور والفيديو. وتظهر تجارب الكلام قدرات التعرف على الكلام. تسلط النتائج الضوء على مرونة النموذج وتطبيقاته المحتملة في الذكاء الاصطناعي.
تجارب الرؤية لـ Llama 3.1
نتائج التعرف على الصور
- يتفوق نموذج Llama 3-V 405B على GPT-4V في جميع المعايير، على الرغم من أنه يتخلف قليلاً عن Gemini 1.5 Pro وClaude 3.5 Sonnet.
- يُظهر قوة خاصة في مهام فهم المستندات.
نتائج التعرف على الفيديو
- يتفوق Llama 3 في التعرف على الفيديو، خاصة مع تقييم نماذج المعلمات 8B و70B.
- يعمل بشكل ممتاز على اختبار PerceptionTest، مما يشير إلى قدرة قوية على الاستدلال الزمني المعقد.
- في مهام فهم النشاط الطويل، مثل ActivityNet-QA، يقدم Llama 3 نتائج قوية على الرغم من معالجته لما يصل إلى 64 إطارًا فقط. هذا يعني أنه بالنسبة لفيديو مدته ثلاث دقائق، يعالج النموذج إطارًا واحدًا فقط كل ثلاث ثوانٍ.
تجارب الكلام لـ Llama 3.1
نظام تحويل النص إلى كلام (TTS) في الوقت الفعلي أصبح الآن جزءًا من Llama 3، حيث ينشئ أشكال موجات الكلام أثناء فك التشفير. يستخدم نظام TTS هذا تضمينات Llama 3 لتحسين زمن الوصول والدقة والطبيعية أثناء الاستدلال.
ما هو التلدين وكيف يعمل؟
يتضمن تدريب نماذج اللغة الكبيرة مثل Llama 3.1 “التلدين”، الذي يضبط النموذج بدقة لتحسين أداء المهمة. المصطلح مستعار من علم المعادن، حيث يؤدي التلدين إلى تقوية المواد عن طريق التسخين والتبريد البطيء.
تتضمن عملية التلدين لـ Llama 3.1 عدة مكونات رئيسية:
- التخفيض التدريجي لمعدل التعلم: يتم تقليل معدل التعلم بشكل منهجي إلى الصفر، مما يعمل على استقرار المعلمات وتعزيز التعميم عن طريق تقليل الإفراط في التجهيز.
- زيادة عينات البيانات عالية الجودة: يتم تعديل مزيج بيانات التدريب لإعطاء الأولوية للمصادر عالية الجودة، مما يحسن أداء النموذج ودقته.
- متوسط Polyak: تقوم هذه التقنية بمتوسط المعلمات من نقاط تفتيش مختلفة أثناء التلدين لإنشاء نموذج مدرب مسبقًا مستقر.
بشكل عام، تضمن عملية التلدين التقارب السلس، وتعزز الاستقرار من خلال تحديثات المعلمات الأصغر، وتؤدي إلى نموذج قوي ودقيق مجهز جيدًا للتعميم على البيانات الجديدة.
تحسين قدرات Llama 3.1 في البرمجة والتعدد اللغوي والمزيد
تم التركيز على تعزيز قدرات Llama 3.1 من خلال تدريب إضافي في البرمجة والقدرات متعددة اللغات والاستدلال الرياضي والتعامل مع السياقات الطويلة واستخدام الأدوات والدقة والتوجيه. ضمنت التقييمات البشرية والتعليقات التوضيحية أداءً عالي الجودة في هذه الميزات المحسنة.
مهارات البرمجة لدى Llama 3.1
يظهر Llama 3.1 أداءً قويًا عبر مجموعة من معايير البرمجة. تستخدم التقييمات مقياس pass@N، الذي يقيس معدل نجاح مجموعة من اختبارات الوحدة عبر N من الأجيال. النتائج الرئيسية تشمل:
توليد كود بايثون:
- HumanEval: يسجل Llama 3 8B 72.6±6.8، ويصل 70B إلى 80.5±6.1، ويحقق 405B 89.0±4.8.
- MBPP: يسجل Llama 3 8B 60.8±4.3، ويحقق 70B 75.4±3.8، ويصل 405B إلى 78.8±3.6.
- HumanEval+: النتائج هي 67.1±7.2 لـ Llama 3 8B، و74.4±6.7 لـ 70B، و82.3±5.8 لـ 405B.
توليد كود بلغات برمجة متعددة:
- يتم إجراء التقييمات باستخدام MultiPL-E، الذي يقدم ترجمات للمشكلات من HumanEval وMBPP إلى لغات برمجة مختلفة مثل C++ وJava وPHP وTypeScript وC#.
- لـ HumanEval في C++: يسجل Llama 3 8B 52.8 ±7.7، ويحقق Llama 3 405B 82.0 ±5.9.
- لـ MBPP في C++: يسجل Llama 3 8B 53.7 ±4.9، ويحقق Llama 3 405B 67.5 ±4.6.
قدرات الرياضيات والاستدلال لدى Llama 3.1
أظهر Llama 3.1 أداءً ملحوظًا في معايير الرياضيات والاستدلال المختلفة، مما يؤكد كفاءته في هذه المجالات. فيما يلي النتائج الرئيسية من التقييمات:
GSM8K (8-shot, Chain of Thought — CoT):
- Llama 3 8B: 57.2±2.7
- Llama 3 70B: 83.0±7.4
- Llama 3 405B: 90.0±5.9
MATH (0-shot, CoT):
- Llama 3 8B: 20.3±1.1
- Llama 3 70B: 41.4±1.4
- Llama 3 405B: 53.8±1.4
ARC Challenge (0-shot):
- Llama 3 8B: 79.7±2.3
- Llama 3 70B: 92.9±1.5
- Llama 3 405B: 96.1±1.1
واجهت Meta العديد من التحديات في تعزيز قدرات Llama 3.1 الرياضية والاستدلالية، بما في ذلك:
- نقص الموجهات
- نقص سلسلة التفكير الصحيحة
- الخطوات الوسيطة غير الصحيحة
- تعليم النماذج استخدام الأدوات الخارجية
- التناقض بين التدريب والاستدلال
كيف يؤدي Llama 3.1 في سيناريوهات السياق الطويل؟
يتفوق Llama 3.1 في معايير السياق الطويل، مما يعرض قدرته على التعامل بكفاءة واسترجاع المعلومات من المستندات الطويلة. فيما يلي نتائج التقييم الرئيسية:
- Needle-in-a-Haystack: يحقق معدل نجاح 100٪ في استرجاع المعلومات المخفية من المستندات الطويلة ونتائج شبه مثالية في متغير Multi-needle.
- ZeroSCROLLS: تطابق النماذج 405B و70B المنافسين أو تتفوق عليهم في فهم اللغة الطبيعية عبر النصوص الطويلة.
- InfiniteBench: يتفوق نموذج 405B على جميع المنافسين في المهام التي تتطلب فهم السياق الطويل، ويتفوق بشكل ملحوظ في الإجابة على الأسئلة حول الروايات (En.QA).
بعد مراجعة ورقة LLaMA 3.1، تتألق مساهماتها العلمية في السيناريوهات الواقعية. تعمل LLM API على تبسيط الأبحاث المعقدة للمطورين من خلال ربط النظرية الأكاديمية بالتطبيق العملي بكفاءة. دعنا نستكشف كيف تحقق LLM API ذلك.
استخدام متغيرات Llama 3.1 على Novita.AI
Novita AI هي منصة قوية لإدارة نماذج Llama 3.1، وتقدم واجهة بديهية وواجهات برمجة تطبيقات قوية تبسط التكامل في التطبيقات الواقعية. تقوم بأتمتة إدارة النظام، وتوسيع نطاق الموارد بكفاءة، وضمان أداء عالٍ مع إعطاء الأولوية للأمان وخصوصية البيانات. من خلال تمكين الوصول السهل إلى نماذج اللغة الكبيرة المتقدمة، تمكّن Novita AI المطورين والشركات من تسريع مشاريع الذكاء الاصطناعي ودفع الابتكار عبر مختلف الصناعات.
كيفية نشر LLM API على Novita.AI؟
اتبع هذه الخطوات المنظمة بعناية لتطوير تطبيقات معالجة لغة قوية باستخدام Llama 3.1 API على Novita AI. يضمن هذا الدليل التفصيلي عملية سلسة وفعالة، تلبي احتياجات المطورين المعاصرين الذين يبحثون عن منصة ذكاء اصطناعي متقدمة.
الخطوة 1: قم بالتسجيل وتسجيل الدخول إلى Novita AI
الخطوة 2: انتقل إلى علامة التبويب لوحة التحكم في Novita AI للحصول على مفتاح API. يمكنك أيضًا اختيار إنشاء مفتاح جديد.
الخطوة 3: بعد الوصول إلى صفحة المفاتيح، انقر فوق “نسخ” لاسترداد مفتاحك بسهولة.
الخطوة 4: انتقل إلى مرجع LLM API لاكتشاف “واجهات برمجة التطبيقات” و"النماذج" التي تقدمها Novita AI.
الخطوة 5: اختر النموذج الذي يناسب متطلباتك بشكل أفضل. قم بإعداد بيئة التطوير الخاصة بك وضبط الإعدادات مثل المحتوى والدور والاسم والموجه التفصيلي وفقًا لذلك.
الخطوة 6: قم بإجراء عدة اختبارات لتأكيد الأداء الثابت لواجهة برمجة التطبيقات.
كيفية تجربة LLM Playground على Novita AI؟
قبل نشر LLM API رسميًا على Novita AI، يمكنك استكشافه وتجربته في LLM Playground. نحن نقدم للمطورين حصة استخدام مجانية. بعد ذلك، سأرشدك خطوة بخطوة خلال عملية البدء.
الخطوة 1: الوصول إلى Playground: انتقل إلى علامة التبويب “المنتجات” في القائمة، واختر Model API، وابدأ الاستكشاف باختيار LLM API.
الخطوة 2: اختر من بين نماذج مختلفة: اختر نموذج llama الذي يناسب احتياجات التقييم الخاصة بك على أفضل وجه.
الخطوة 3: أدخل الموجه الخاص بك وإنشاء المخرجات: أدخل الموجه الذي تريد استخدامه في الحقل المخصص. هذه هي المنطقة التي تكتب فيها النص أو السؤال ليعالجه النموذج.
الخاتمة
تتحدث ورقة Llama 3.1 عن نموذج جديد يتمتع بمهارات مذهلة في العديد من المجالات. إنها تغطي كل شيء بدءًا من كيفية بناء النموذج إلى نتائج الاختبارات وما يمكن استخدامه من أجله. يقدم هذا الدليل معلومات مفيدة لعشاق التكنولوجيا والباحثين. إذا كنت ترغب في معرفة المزيد، يجب عليك الاطلاع على ملف PDF لورقة Llama 3.1. سيساعدك هذا على فهم رياضياته ومهارات الاستدلال والقدرة على العمل بلغات مختلفة. لدى Llama 3.1 القدرة على تغيير طريقة عمل الذكاء الاصطناعي. توفر إصداراته المختلفة على Novita.AI فرصًا رائعة لاستخدام هذه التكنولوجيا. استكشف الذكاء الاصطناعي المتقدم باستخدام Llama 3.1 لتغيير ملحوظ.
الأسئلة المتداولة
هل يمكن استخدام Llama 3.1 لتوليد محتوى إبداعي؟
نعم، يمكن لـ Llama 3.1 توليد محتوى إبداعي. تتيح ميزات الذكاء الاصطناعي التوليدية الخاصة به إنتاج أنواع مختلفة من النصوص. وهذا يشمل القصائد والنصوص وحتى الموسيقى. وهذا يوضح مدى تنوعه في العديد من الاستخدامات الإبداعية.
كيف يتعامل Llama 3.1 مع خصوصية المستخدم وأمن البيانات؟
يتميز Llama 3.1 بميزة Llama Guard لضمان خصوصية المستخدم وأمن البيانات، وتعزيز الاستخدام المسؤول للذكاء الاصطناعي. يمنع سوء الاستخدام، ويدعم الخيارات الأخلاقية، ويستخدم التشفير لسلامة البيانات.
هل Llama 3.1 أفضل من GPT-4؟
إذا كنت تعطي الأولوية للدقة والكفاءة في مهام البرمجة، فقد يكون Llama 3 هو الخيار الأفضل.
ما هو Llama 3.1 405B؟
تظهر نماذج Llama 3.1، مع معلمات 8B و70B و405B، أداءً متميزًا على معايير الصناعة وتوفر إمكانيات جديدة لتطبيقات الذكاء الاصطناعي التوليدية.
لماذا يعتبر Llama صفقة كبيرة؟
يقدم Llama، كتقدم كبير في الذكاء الاصطناعي، قدرات رائعة وإمكانية وصول مفتوحة. يؤدي إصداره إلى إضفاء الطابع الديمقراطي على أبحاث الذكاء الاصطناعي، وتعزيز الإبداع والتعاون لدفع الابتكار عبر مجالات مختلفة.
نُشر في الأصل على Novita AI
Novita AI هي المنصة السحابية الشاملة التي تمكّن طموحاتك في الذكاء الاصطناعي. واجهات برمجة تطبيقات متكاملة، بدون خادم، مثيل GPU — الأدوات الفعالة من حيث التكلفة التي تحتاجها. تخلص من البنية التحتية، ابدأ مجانًا، وحقق رؤيتك في الذكاء الاصطناعي.
قراءة موصى بها
1.عزز مشاريعك من خلال تكامل Llama 3.1 API
