🚀 Meta Llama 3.1 多语言大语言模型

Meta Llama 3.1 是一系列预训练和指令微调的生成式模型，有 8B、70B 和 405B 三种规模。这些模型专为多语言对话场景优化，在常见行业基准测试中表现出色，超越了许多现有的开源和闭源聊天模型。

🚀 快速开始

使用 transformers

从 transformers >= 4.43.0 版本开始，你可以使用 Transformers 的 pipeline 抽象或借助 Auto 类和 generate() 函数进行对话推理。

确保通过以下命令更新你的 transformers 库：

pip install --upgrade transformers

>>> import transformers
>>> import torch

>>> model_id = "meta-llama/Meta-Llama-3.1-70B"

>>> pipeline = transformers.pipeline(
    "text-generation", model=model_id, model_kwargs={"torch_dtype": torch.bfloat16}, device_map="auto"
)
>>> pipeline("Hey how are you doing today?")

使用 llama3

请遵循 仓库 中的说明。

若要下载原始检查点，可使用以下 huggingface-cli 命令示例：

huggingface-cli download meta-llama/Meta-Llama-3.1-70B --include "original/*" --local-dir Meta-Llama-3.1-70B

✨ 主要特性

• 多语言支持：支持英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语和泰语。
• 高性能表现：在多种自动基准测试中表现出色，超越了许多现有模型。
• 灵活应用：适用于商业和研究用途，可用于多种自然语言生成任务。
• 安全可靠：遵循负责任的发布策略，采取多种措施管理信任和安全风险。

📦 安装指南

使用 transformers

确保通过以下命令更新你的 transformers 库：

pip install --upgrade transformers

使用 llama3

请遵循 仓库 中的说明。

若要下载原始检查点，可使用以下 huggingface-cli 命令示例：

huggingface-cli download meta-llama/Meta-Llama-3.1-70B --include "original/*" --local-dir Meta-Llama-3.1-70B

💻 使用示例

基础用法

>>> import transformers
>>> import torch

>>> model_id = "meta-llama/Meta-Llama-3.1-70B"

>>> pipeline = transformers.pipeline(
    "text-generation", model=model_id, model_kwargs={"torch_dtype": torch.bfloat16}, device_map="auto"
)
>>> pipeline("Hey how are you doing today?")

📚 详细文档

模型信息

• 模型开发者：Meta
• 模型架构：Llama 3.1 是一种自回归语言模型，采用优化的 Transformer 架构。微调版本使用监督微调（SFT）和基于人类反馈的强化学习（RLHF）来符合人类对有用性和安全性的偏好。

属性	详情
模型类型	Llama 3.1 是一系列多语言大语言模型，包括 8B、70B 和 405B 三种规模。
训练数据	预训练数据来自公开可用的在线数据源，约 15 万亿个标记。微调数据包括公开可用的指令数据集以及超过 2500 万个合成生成的示例。
参数数量	8B、70B 和 405B
输入模态	多语言文本
输出模态	多语言文本和代码
上下文长度	128k
GQA	是
标记数量	15T+
知识截止日期	2023 年 12 月

预期用途

• 预期用例：Llama 3.1 旨在用于多种语言的商业和研究用途。指令微调的纯文本模型适用于类似助手的聊天场景，而预训练模型可用于各种自然语言生成任务。Llama 3.1 模型系列还支持利用其模型输出改进其他模型，包括合成数据生成和蒸馏。
• 超出范围的使用：以任何违反适用法律法规（包括贸易合规法律）的方式使用；以可接受使用政策和 Llama 3.1 社区许可禁止的任何其他方式使用；在本模型卡中未明确提及支持的语言中使用。

硬件和软件

• 训练因素：使用自定义训练库、Meta 定制的 GPU 集群和生产基础设施进行预训练。微调、标注和评估也在生产基础设施上进行。
• 训练计算量：在 H100 - 80GB（TDP 为 700W）类型的硬件上累计使用了 3930 万个 GPU 小时的计算资源。
• 训练温室气体排放：估计基于位置的总温室气体排放量为 11390 吨 CO2 当量。自 2020 年以来，Meta 在全球运营中保持净零温室气体排放，并以可再生能源匹配其 100% 的电力使用，因此基于市场的总温室气体排放量为 0 吨 CO2 当量。

属性	详情
训练时间（GPU 小时）	39.3M
训练功耗（W）	700
训练基于位置的温室气体排放（吨 CO2 当量）	11390
训练基于市场的温室气体排放（吨 CO2 当量）	0

训练数据

• 概述：Llama 3.1 在来自公开可用来源的约 15 万亿个标记的数据上进行预训练。微调数据包括公开可用的指令数据集以及超过 2500 万个合成生成的示例。
• 数据新鲜度：预训练数据的截止日期为 2023 年 12 月。

基准测试分数

在本节中，我们报告了 Llama 3.1 模型在标准自动基准测试中的结果。所有评估均使用我们的内部评估库进行。

基础预训练模型

类别	基准测试	样本数	指标	Llama 3 8B	Llama 3.1 8B	Llama 3 70B	Llama 3.1 70B	Llama 3.1 405B
通用	MMLU	5	macro_avg/acc_char	66.7	66.7	79.5	79.3	85.2
通用	MMLU - Pro (CoT)	5	macro_avg/acc_char	36.2	37.1	55.0	53.8	61.6
通用	AGIEval English	3 - 5	average/acc_char	47.1	47.8	63.0	64.6	71.6
通用	CommonSenseQA	7	acc_char	72.6	75.0	83.8	84.1	85.8
通用	Winogrande	5	acc_char	-	60.5	-	83.3	86.7
通用	BIG - Bench Hard (CoT)	3	average/em	61.1	64.2	81.3	81.6	85.9
通用	ARC - Challenge	25	acc_char	79.4	79.7	93.1	92.9	96.1
知识推理	TriviaQA - Wiki	5	em	78.5	77.6	89.7	89.8	91.8
阅读理解	SQuAD	1	em	76.4	77.0	85.6	81.8	89.3
阅读理解	QuAC (F1)	1	f1	44.4	44.9	51.1	51.1	53.6
阅读理解	BoolQ	0	acc_char	75.7	75.0	79.0	79.4	80.0
阅读理解	DROP (F1)	3	f1	58.4	59.5	79.7	79.6	84.8

指令微调模型

类别	基准测试	样本数	指标	Llama 3 8B Instruct	Llama 3.1 8B Instruct	Llama 3 70B Instruct	Llama 3.1 70B Instruct	Llama 3.1 405B Instruct
通用	MMLU	5	macro_avg/acc	68.5	69.4	82.0	83.6	87.3
通用	MMLU (CoT)	0	macro_avg/acc	65.3	73.0	80.9	86.0	88.6
通用	MMLU - Pro (CoT)	5	micro_avg/acc_char	45.5	48.3	63.4	66.4	73.3
通用	IFEval	-	-	76.8	80.4	82.9	87.5	88.6
推理	ARC - C	0	acc	82.4	83.4	94.4	94.8	96.9
推理	GPQA	0	em	34.6	30.4	39.5	46.7	50.7
代码	HumanEval	0	pass@1	60.4	72.6	81.7	80.5	89.0
代码	MBPP ++ base version	0	pass@1	70.6	72.8	82.5	86.0	88.6
代码	Multipl - E HumanEval	0	pass@1	-	50.8	-	65.5	75.2
代码	Multipl - E MBPP	0	pass@1	-	52.4	-	62.0	65.7
数学	GSM - 8K (CoT)	8	em_maj1@1	80.6	84.5	93.0	95.1	96.8
数学	MATH (CoT)	0	final_em	29.1	51.9	51.0	68.0	73.8
工具使用	API - Bank	0	acc	48.3	82.6	85.1	90.0	92.0
工具使用	BFCL	0	acc	60.3	76.1	83.0	84.8	88.5
工具使用	Gorilla Benchmark API Bench	0	acc	1.7	8.2	14.7	29.7	35.3
工具使用	Nexus (0 - shot)	0	macro_avg/acc	18.1	38.5	47.8	56.7	58.7
多语言	Multilingual MGSM (CoT)	0	em	-	68.9	-	86.9	91.6

多语言基准测试

类别	基准测试	语言	Llama 3.1 8B	Llama 3.1 70B	Llama 3.1 405B
通用	MMLU (5 - shot, macro_avg/acc)	葡萄牙语	62.12	80.13	84.95
通用	MMLU (5 - shot, macro_avg/acc)	西班牙语	62.45	80.05	85.08
通用	MMLU (5 - shot, macro_avg/acc)	意大利语	61.63	80.4	85.04
通用	MMLU (5 - shot, macro_avg/acc)	德语	60.59	79.27	84.36
通用	MMLU (5 - shot, macro_avg/acc)	法语	62.34	79.82	84.66
通用	MMLU (5 - shot, macro_avg/acc)	印地语	50.88	74.52	80.31
通用	MMLU (5 - shot, macro_avg/acc)	泰语	50.32	72.95	78.21

责任与安全

负责任的部署

Llama 是一种基础技术，旨在用于各种用例。有关 Meta 的 Llama 模型如何负责任地部署的示例，请参阅我们的 社区故事网页。我们的方法是构建最有用的模型，通过调整模型安全性以应对常见用例中的标准危害，使世界受益于该技术的力量。然后，开发者可以根据自己的用例定制安全性，定义自己的政策，并在其 Llama 系统中部署必要的保障措施。Llama 3.1 是按照我们的《负责任使用指南》中概述的最佳实践开发的，你可以参考 负责任使用指南 了解更多信息。

Llama 3.1 指令微调

我们进行安全微调的主要目标是为研究社区提供一个有价值的资源，用于研究安全微调的鲁棒性，同时为开发者提供一个随时可用、安全且强大的模型，用于各种应用，以减少开发者部署安全 AI 系统的工作量。有关实施的安全缓解措施的更多详细信息，请阅读 Llama 3 论文。

Llama 3.1 系统

大型语言模型（包括 Llama 3.1）并非旨在单独部署，而是应作为整体 AI 系统的一部分，并根据需要添加额外的安全护栏。开发者在构建自主系统时应部署系统保障措施。保障措施对于实现正确的有用性 - 安全性平衡以及减轻系统固有的安全和风险以及模型或系统与外部工具集成时的风险至关重要。

作为我们负责任发布方法的一部分，我们为社区提供了 保障措施，开发者应将其与 Llama 模型或其他大型语言模型一起部署，包括 Llama Guard 3、Prompt Guard 和 Code Shield。我们所有的 参考实现 演示默认都包含这些保障措施，以便开发者可以立即受益于系统级安全。

新功能

请注意，此版本引入了新功能，包括更长的上下文窗口、多语言输入和输出以及开发者可能与第三方工具进行的集成。使用这些新功能除了需要遵循适用于所有生成式 AI 用例的最佳实践外，还需要进行特定的考虑。

评估

我们对 Llama 模型进行了常见用例和特定功能的评估。常见用例评估衡量了最常见构建的应用程序（包括聊天机器人、编码助手、工具调用）的系统安全风险。我们构建了专门的对抗性评估数据集，并评估了由 Llama 模型和 Llama Guard 3 组成的系统，以过滤输入提示和输出响应。在上下文中评估应用程序很重要，我们建议为你的用例构建专门的评估数据集。如果与应用程序相关，Prompt Guard 和 Code Shield 也可供使用。

功能评估衡量了 Llama 模型特定功能固有的漏洞，为此我们精心设计了专门的基准测试，包括长上下文、多语言、工具调用、编码或记忆。

关键和其他风险

我们特别致力于减轻以下关键风险领域：

• CBRNE（化学、生物、放射性、核和爆炸材料）有用性：为了评估与化学和生物武器扩散相关的风险，我们进行了提升测试，旨在评估使用 Llama 3.1 模型是否会显著增强恶意行为者使用此类武器策划或实施攻击的能力。
• 儿童安全：使用专家团队进行了儿童安全风险评估，以评估模型产生可能导致儿童安全风险的输出的能力，并通过微调提供任何必要和适当的风险缓解措施。我们利用这些专家红队测试会话，在 Llama 3 模型开发过程中扩大了评估基准的覆盖范围。对于 Llama 3，我们使用基于目标的方法进行了新的深入测试会话，以评估模型在多个攻击向量上的风险，包括 Llama 3 训练的其他语言。我们还与内容专家合作进行红队测试，评估潜在违规内容，同时考虑特定市场的细微差别或经验。
• 网络攻击支持：我们的网络攻击提升研究调查了大型语言模型是否能在技能水平和速度方面增强人类在黑客任务中的能力。我们的攻击自动化研究专注于评估大型语言模型在网络攻击行动中作为自主代理使用时的能力，特别是在勒索软件攻击的背景下。此评估与之前将大型语言模型视为交互式助手的研究不同。主要目标是评估这些模型是否能在没有人类干预的情况下有效地作为独立代理执行复杂的网络攻击。我们对 Llama - 3.1 - 405B 对网络攻击者的社会工程提升进行了研究，以评估 AI 模型在帮助网络威胁行为者进行鱼叉式网络钓鱼活动中的有效性。请阅读我们的 Llama 3.1 网络安全白皮书以了解更多信息。

社区

生成式 AI 安全需要专业知识和工具，我们相信开放社区的力量可以加速其发展。我们是开放联盟的积极成员，包括 AI 联盟、AI 合作组织和 MLCommons，积极为安全标准化和透明度做出贡献。我们鼓励社区采用像 MLCommons 概念验证评估这样的分类法，以促进安全和内容评估方面的合作和透明度。我们的 Purple Llama 工具已开源供社区使用，并广泛分发给包括云服务提供商在内的生态系统合作伙伴。我们鼓励社区为我们的 Github 仓库 做出贡献。

我们还设立了 Llama 影响赠款 计划，以识别和支持 Meta 的 Llama 模型在三个类别（教育、气候和开放创新）中对社会有益的最有吸引力的应用。数百份申请中的 20 名决赛选手可以在 这里 找到。

最后，我们建立了一系列资源，包括 输出报告机制 和 漏洞赏金计划，以在社区的帮助下不断改进 Llama 技术。

🔧 技术细节

模型架构

Llama 3.1 是一种自回归语言模型，采用优化的 Transformer 架构。微调版本使用监督微调（SFT）和基于人类反馈的强化学习（RLHF）来符合人类对有用性和安全性的偏好。

训练数据

• 预训练数据：来自公开可用的在线数据源，约 15 万亿个标记。
• 微调数据：包括公开可用的指令数据集以及超过 2500 万个合成生成的示例。

训练计算

在 H100 - 80GB（TDP 为 700W）类型的硬件上累计使用了 3930 万个 GPU 小时的计算资源。

安全微调

我们采用多方面的数据收集方法，将供应商提供的人类生成数据与合成数据相结合，以减轻潜在的安全风险。我们开发了许多基于大型语言模型（LLM）的分类器，使我们能够精心选择高质量的提示和响应，加强数据质量控制。

📄 许可证

Llama 3.1 采用自定义商业许可证，即 Llama 3.1 社区许可证，可在 此处 获取。

Llama 3.1 社区许可协议

Llama 3.1 版本发布日期：2024 年 7 月 23 日

“协议”指本协议中规定的使用、复制、分发和修改 Llama 材料的条款和条件。

“文档”指 Meta 在 https://llama.meta.com/doc/overview 上分发的与 Llama 3.1 相关的规格、手册和文档。

“被许可方”或“你”指你本人，或你的雇主，或任何其他人或实体（如果你代表该人或实体签订本协议），且该人或实体已达到适用法律、规则或法规要求的提供法律同意的年龄，并且如果你代表你的雇主或其他此类人或实体签订本协议，你具有约束他们的法律权力。

“Llama 3.1”指 Meta 在 https://llama.meta.com/llama-downloads 上分发的基础大语言模型、软件和算法，包括机器学习模型代码、训练好的模型权重、推理启用代码、训练启用代码、微调启用代码以及上述内容的其他元素。

“Llama 材料”指根据本协议提供的 Meta 专有的 Llama 3.1 和文档（及其任何部分）的统称。

“Meta”或“我们”指 Meta Platforms Ireland Limited（如果你位于欧洲经济区（EEA）或瑞士，或者如果你是一个实体，你的主要营业地位于 EEA 或瑞士）和 Meta Platforms, Inc.（如果你位于 EEA 或瑞士以外）。

1. 许可权利和再分发

• 权利授予：你被授予在 Meta 拥有的 Llama 材料所体现的知识产权或其他权利下的非排他性、全球性、不可转让且免版税的有限许可，以使用、复制、分发、拷贝、创作衍生作品并对 Llama 材料进行修改。
• 再分发和使用：
  • 如果你分发或提供 Llama 材料（或其任何衍生作品），或包含其中任何内容的产品或服务（包括另一个 AI 模型），你应（A）随任何此类 Llama 材料提供本协议的副本；（B）在相关网站、用户界面、博客文章、关于页面或产品文档上显著显示“Built with Llama”。如果你使用 Llama 材料或 Llama 材料的任何输出或结果来创建、训练、微调或以其他方式改进一个 AI 模型，并将其分发或提供，则你还应在任何此类 AI 模型名称的开头包含“Llama”。
  • 如果你作为集成终端用户产品的一部分从被许可方处接收 Llama 材料或其任何衍生作品，则本协议第 2 条不适用于你。
  • 你必须在你分发的所有 Llama 材料副本中保留以下归属声明，该声明应包含在作为此类副本一部分分发的“Notice”文本文件中：“Llama 3.1 is licensed under the Llama 3.1 Community License, Copyright © Meta Platforms, Inc. All Rights Reserved.”
  • 你对 Llama 材料的使用必须遵守适用的法律法规（包括贸易合规法律法规），并遵守 Llama 材料的可接受使用政策（可在 https://llama.meta.com/llama3_1/use-policy 上获取），该政策特此通过引用并入本协议。

2. 额外商业条款

如果在 Llama 3.1 版本发布日期，被许可方或被许可方的关联方提供的产品或服务的月活跃用户在前一个日历月超过 7 亿，则你必须向 Meta 请求许可，Meta 可自行决定是否授予你许可，并且在 Meta 明确授予你此类权利之前，你无权行使本协议下的任何权利。

3. 保修免责声明

除非适用法律要求，否则 Llama 材料及其任何输出和结果均按“现状”提供，不提供任何形式的保证，Meta 明确否认所有明示和暗示的保证，包括但不限于所有权、不侵权、适销性或特定用途适用性的保证。你独自负责确定使用或再分发 Llama 材料的适当性，并承担与你使用 Llama 材料及其任何输出和结果相关的任何风险。

4. 责任限制

在任何情况下，Meta 或其关联方均不对因本协议引起的任何责任理论（无论是合同、侵权、疏忽、产品责任还是其他）承担任何损失利润或任何间接、特殊、后果性、偶发性、惩戒性或惩罚性损害赔偿责任，即使 Meta 或其关联方已被告知此类损害赔偿的可能性。

5. 知识产权

• 商标许可：本协议未授予任何商标许可，并且与 Llama 材料相关，除非在描述和再分发 Llama 材料时进行合理和惯常使用所需，或如本节 5(a) 所述，否则 Meta 和被许可方均不得使用对方或其任何关联方拥有或关联的任何名称或标记。Meta 特此授予你仅为遵守第 1.b.i 条最后一句的要求而使用“Llama”（“标记”）的许可。你将遵守 Meta 的品牌指南（目前可在 https://about.meta.com/brand/resources/meta/company-brand/ 上获取）。你使用标记所产生的所有商誉均归 Meta 所有。
• 衍生作品所有权：在 Meta 拥有 Llama 材料及其由 Meta 或代表 Meta 制作的衍生作品的前提下，就你制作的 Llama 材料的任何衍生作品和修改而言，在你和 Meta 之间，你是并将继续是此类衍生作品和修改的所有者。
• 侵权诉讼：如果你对 Meta 或任何实体（包括在诉讼中的交叉索赔或反诉）提起诉讼或其他程序，声称 Llama 材料或 Llama 3.1 的输出或结果，或上述任何内容的任何部分构成侵犯你拥有或可许可的知识产权或其他权利，则本协议授予你的任何许可应自此类诉讼或索赔提起之日起终止。你将赔偿并使 Meta 免受任何第三方因你使用或分发 Llama 材料而产生或与之相关的任何索赔。

6. 期限和终止

本协议的期限自你接受本协议或访问 Llama 材料之日起开始，并将持续有效，直至根据本协议的条款和条件终止。如果你违反本协议的任何条款或条件，Meta 可终止本协议。本协议终止后，你应删除并停止使用 Llama 材料。第 3、4 和 7 条在本协议终止后仍然有效。

7. 适用法律和管辖权

本协议将受加利福尼亚州法律管辖并依其解释，不考虑法律选择原则，并且《联合国国际货物销售合同公约》不适用于本协议。加利福尼亚州的法院对因本协议引起的任何争议具有专属管辖权。

Llama 3.1 可接受使用政策

Meta 致力于促进其工具和功能（包括 Llama 3.1）的安全和公平使用。如果你访问或使用 Llama 3.1，你同意本可接受使用政策（“政策”）。本政策的最新版本可在 https://llama.meta.com/llama3_1/use-policy 上找到。

禁止使用

我们希望每个人都能安全、负责地使用 Llama 3.1。你同意你不会使用或允许他人使用 Llama 3.1 来：

1. 违反法律或他人权利：
   • 从事、促进、生成、促成、鼓励、策划、煽动或进一步推动非法或违法活动或内容，例如：
     • 暴力或恐怖主义
     • 对儿童的剥削或伤害，包括招揽、创建、获取或传播儿童剥削内容，或未能报告儿童性虐待材料
     • 人口贩运、剥削和性暴力
     • 向未成年人非法分发信息或材料，包括淫秽材料，或未能对此类信息或材料实施法律要求的年龄限制
     • 性招揽
     • 任何其他犯罪活动
   • 从事、促进、煽动或便利对个人或群体的骚扰、虐待、威胁或欺凌
   • 从事、促进、煽动或便利在就业、就业福利、信贷、住房、其他经济福利或其他基本商品和服务的提供方面的歧视或其他非法或有害行为
   • 从事未经授权或无执照的任何专业实践，包括但不限于金融、法律、医疗/健康或相关专业实践
   • 在未获得适用法律要求的权利和同意的情况下，收集、处理、披露、生成或推断个人的健康、人口统计或其他敏感个人或私人信息
   • 从事或便利任何侵犯、挪用或以其他方式侵犯任何第三方权利的行为或生成任何内容，包括使用 Llama 材料的任何产品或服务的输出或结果
   • 创建、生成或便利创建恶意代码、恶意软件、计算机病毒或做任何可能禁用、负担过重、干扰或损害网站或计算机系统的正常运行、完整性、操作或外观的事情
2. 从事、促进、煽动、便利或协助策划或开展对个人造成死亡或身体伤害风险的活动：
   • 军事、战争、核工业或应用、间谍活动、使用受美国国务院维护的《国际武器贸易条例》（ITAR）管制的材料或活动
   • 枪支和非法武器（包括武器开发）
   • 非法毒品和受管制/受控物质
   • 关键基础设施、运输技术或重型机械的操作
   • 自我伤害或伤害他人，包括自杀、切割和饮食失调
   • 任何旨在煽动或促进暴力、虐待或对个人造成身体伤害的内容
3. 故意欺骗或误导他人：
   • 生成、促进或进一步推动欺诈或创建或推广虚假信息
   • 生成、促进或进一步推动诽谤性内容，包括创建诽谤性声明、图像或其他内容
   • 生成、促进或进一步分发垃圾邮件
   • 在未经同意、授权或合法权利的情况下冒充他人
   • 声称使用 Llama 3.1 或其输出是人类生成的
   • 生成或便利虚假的在线互动，包括虚假评论和其他虚假在线互动方式
4. 未能向最终用户适当披露你的 AI 系统的任何已知危险

请通过以下方式之一报告本政策的任何违反行为、软件“漏洞”或其他可能导致违反本政策的问题：

• 报告模型问题：https://github.com/meta-llama/llama-models/issues
• 报告模型生成的风险内容：developers.facebook.com/llama_output_feedback
• 报告漏洞和安全问题：facebook.com/whitehat/info
• 报告违反可接受使用政策或未经授权使用 Meta Llama 3 的情况：LlamaUseReport@meta.com

额外的 gated 字段

字段	类型
名字	文本
姓氏	文本
出生日期	日期选择器
国家	国家选择
所属机构	文本
职位	选择（选项：学生、研究研究生、AI 研究员、AI 开发者/工程师、记者、其他）
地理位置	IP 定位
我接受许可证条款，并确认我提供的信息将根据 Meta 隐私政策 进行收集、存储、处理和共享	复选框

额外的 gated 描述

你提供的信息将根据 Meta 隐私政策 进行收集、存储、处理和共享。

额外的 gated 按钮内容

提交

伦理考虑和局限性

Llama 3.1 的核心价值观是开放性、包容性和有用性。它旨在服务于每个人，并适用于广泛的用例。因此，它被设计为对具有不同背景、经验和观点的人都可访问。Llama 3.1 以用户的实际情况和需求为出发点，不插入不必要的判断或规范性，同时认识到即使在某些情况下可能看似有问题的内容，在其他情况下也可能有其价值。它尊重所有用户的尊严和自主性，特别是在推动创新和进步的自由思想和表达价值观方面。

但 Llama 3.1 是一项新技术，与任何新技术一样，其使用存在风险。到目前为止进行的测试尚未涵盖，也不可能涵盖所有场景。因此，与所有大型语言模型一样，Llama 3.1 的潜在输出无法提前预测，模型在某些情况下可能会对用户提示产生不准确、有偏见或其他令人反感的响应。因此，在部署 Llama 3.1 模型的任何应用程序之前，开发者应针对其特定应用对模型进行安全测试和微调。请参考可用资源，包括我们的 负责任使用指南、信任与安全 解决方案以及其他 资源，以了解更多关于负责任开发的信息。