Meta開源Llama 3大模型；包括兩個 80 億（8B）和 700 億（70B）參數版本，已供下載。4000 億參數（400B）版本正在開發，較不少閉源大模型，Llama 3性能有過之無不及，不少評分拋離對手。Meta行政總裁扎克伯格（Mark Zuckerberg）透露，400B在數學（GSM-8K）、編程（Human-Eval）、多任務語言理解（MMLU）基準，超越了GPT4。
8B模型可安裝在消費級個人電腦，例如蘋果Mac機，70B可用於AI的原生應用上。Llama 3也證明了小參數的大模型，性能上完全不遜色，Llama 3在多語言和各方面的能力相當不俗，只要簡單步驟安裝完成。即使針對生產環境，Meta推出微調Llama 3後 Llama Guard 2，能分類大模型輸入提示和回應，可識別不安全內容。
免費開源驅動創新
問題在於，Llama 3是在兩個共24,576塊H100的GPU 集群訓練，成本估計高達1億美元，卻是免費開源，人人唾手可得。Llama 3成為Hugging Face史上，最快躍升第一位大模型。Llama 3未有正式評估，幾乎肯定可與Open AI和Anthropic看齊，Open AI具備了先發優勢，擁有大量企業用戶。開源大模型在全球影響力迅速增長，用戶自由下載並不斷創新。Meta堅持Llama走開源路線，主要是由Meta人工智能科學家楊立昆（Yann LeCun）全力推動。
衍生3萬大模型
全球多個商用大模型，包括Open AI都屬於閉源大模式，無法微調以適應多國語文，估計基於Llama 3微調（Fine-tuning）本土大模型，很快如雨後春筍。去年7月，Llama改變了開源協議，從僅供研究商用，變成「免費可商用」，此後Llama衍生的大模型，一發不可收拾。
Hugging Face 創辦人Clément Delangue在社交媒體X上表示：「迄今Llama 1 和 2衍生的大模型超過了3 萬，估計Llama 3影響更大。 」
楊立昆一直呼籲，大模型要保持開源。大模型要用於某種特定用途，可通過RAG（檢索增強生成）或者微調，甚至提示工程；RAG全靠連接外部數據回應，微調則在預訓練的大模型基礎上，以特定的數據再訓練，模型適應特定任務域。不少從Llama微調大模型，性能竟然更好，不少開源大模型也有同樣現象。
要教曉大模型新的內容，RAG屬常用方法，且有不少公有雲工具支持，用戶數據變成向量，自動供大模型作檢索。開源大模型更容易通過微調，變成特定用途或學會多種語言；Llama有中文和中醫大模型，透過微調訓練再加上提示工程，以少量樣本擴展基礎模型的用途。
楊立昆認爲，開放平台有助於加快大模型開發。Meta後發先至，究竟多少有賴於開源社區？不過全球在文化和語言多樣性，尤其「低資源語言」（Low-resource languages），的確需要AI開源支持。楊立昆認爲美國大模型內容，只是少數人專家去決定，由始至終沒考慮世界其他人的需求。
Llama成國內主流
Llama有多個基於中醫典籍的開源大模型，包括《黃帝內經》HuangDi、《姜子牙》 Ziya和本草大模型，已成為中醫古籍解讀高手，以助普及中醫知識。另一方面， GitHub、Hugging Face、ModelScope、 WiseModel平台，Llama中文社區極為活躍。較早前，北京人工智能研究院向李強總理作出匯報，指國內研究人員過度依賴Llama，可見國內缺乏基礎模型，Llama已成為主流。
楊立昆舉例，前Google研究人員Moustapha Cisse，回到非洲祖國塞內加爾，成立初創Kera Health Platforms，透過Llama提供以塞內加爾語的醫療資訊，當地人均醫生數量極少，類似服務救人無數，Kera剛獲世界銀行的資助。
開源大模型也助多語言國家，打破溝通隔閡，印度有22種官方語言，多家印度初創微調Llama 2；推出Tamil Llama、Kannada Llama、Telugu Llama通曉全部語種。楊立昆說，沒有開源AI平台，不可能有類似的創新。
Llama針對不同的語言、文化、價值體系、不同領域技術能力而微調，甚至根據行業垂直應用再微調訓練，以Meta 內部Metamate大模型為例，可回答Meta內部任何提問。
Meta在社交平台的影響力，商用化早已立於不敗之地。Meta將推出WhatsApp聊天機械人，可助商戶下單，協助電商推廣和生成內容，Meta在社交平台擁大量客戶，以開源營造百花齊放的AI生態，可說利己利人。