Meta AI 宣布发布 Llama 3.2，该版本引入了系列中的首批多模态模型。Llama 3.2 专注于两个关键领域：
- 启用视觉的大型语言模型（LLM）：11B 和 90B 参数的多模态模型现在可以处理并理解文本和图像。
- 为边缘和移动设备设计的轻量级 LLM：1B 和 3B 参数模型旨在轻量化和高效，允许它们在边缘设备上本地运行。
在本文中，我将梳理要点，重点介绍新的 Llama 3.2 模型的关键方面，包括它们的工作原理、用例、如何访问它们等等。
Llama 3.2 11B 和 90B 视觉模型
Llama 3.2 的一个关键特性是引入了具有 110 亿和 900 亿参数的视觉模型。
这些模型为 Llama 生态系统带来了多模态能力，允许模型处理和理解文本和图像。
多模态能力
Llama 3.2 中的视觉模型在需要图像识别和语言处理的任务中表现出色。它们可以回答关于图像的问题，生成描述性标题，甚至可以对复杂的视觉数据进行推理。
根据 Meta 的示例，这些模型可以分析嵌入文档中的图表并总结关键趋势。它们还可以解释地图，确定远足径中最陡峭的部分，或者计算两个点之间的距离。