ਮੈਟਾ ਦਾ ਲਾਮਾ: ਸਿਰਫ਼ ਭਾਸ਼ਾ ਮਾਡਲ ਤੋਂ ਵੱਧ

ਲਾਮਾ ਦਾ ਵਿਕਾਸ: ਸਥਿਤੀ ਨੂੰ ਚੁਣੌਤੀ

ਜਦੋਂ ਲਾਮਾ ਪਹਿਲੀ ਵਾਰ ਸਾਹਮਣੇ ਆਇਆ, ਤਾਂ ਇਸਨੇ ਤਕਨੀਕੀ ਦਿੱਗਜਾਂ ਦੇ ਵੱਡੇ, ਬੰਦ-ਸਰੋਤ LLMs ਦੇ ਦਬਦਬੇ ਨੂੰ ਚੁਣੌਤੀ ਦਿੱਤੀ। Meta AI ਨੇ ਇੱਕ ਰਣਨੀਤੀ ਅਪਣਾਈ ਜੋ ਛੋਟੇ, ਵਧੇਰੇ ਸਧਾਰਣ ਮਾਡਲਾਂ ‘ਤੇ ਕੇਂਦ੍ਰਿਤ ਸੀ। ਮੁੱਖ ਵਿਚਾਰ ਇਹ ਸੀ ਕਿ ਇਹ ਛੋਟੇ ਮਾਡਲ, ਵੱਡੀ ਗਿਣਤੀ ਵਿੱਚ ਟੋਕਨਾਂ ‘ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ, ਵਿਸ਼ੇਸ਼ ਕਾਰਜਾਂ ਲਈ ਮੁੜ ਸਿਖਲਾਈ ਅਤੇ ਵਧੀਆ-ਟਿਊਨ ਕਰਨ ਲਈ ਆਸਾਨ ਅਤੇ ਵਧੇਰੇ ਲਾਗਤ-ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੋਣਗੇ। ਇਹ ਪਹੁੰਚ ਵੱਡੇ, ਸਰੋਤ-ਸੰਘਣੇ ਮਾਡਲਾਂ ਨੂੰ ਬਣਾਉਣ ਦੇ ਰੁਝਾਨ ਦੇ ਬਿਲਕੁਲ ਉਲਟ ਸੀ।

ਹਾਲਾਂਕਿ, ਲਾਮਾ ਦੀ ‘ਓਪਨ-ਸੋਰਸ’ ਪ੍ਰਕਿਰਤੀ ਬਹਿਸ ਦਾ ਵਿਸ਼ਾ ਹੈ। Meta Llama ਲਾਇਸੈਂਸ ਵਿੱਚ ਵਪਾਰਕ ਅਤੇ ਸਵੀਕਾਰਯੋਗ ਵਰਤੋਂ ‘ਤੇ ਖਾਸ ਪਾਬੰਦੀਆਂ ਸ਼ਾਮਲ ਹਨ। ਹਾਲਾਂਕਿ ਇਹ ਪਾਬੰਦੀਆਂ ਜਾਇਜ਼ ਹਨ, ਇਹ ਓਪਨ ਸੋਰਸ ਇਨੀਸ਼ੀਏਟਿਵ ਦੀ ਓਪਨ ਸੋਰਸ ਦੀ ਸਖਤ ਪਰਿਭਾਸ਼ਾ ਦੇ ਨਾਲ ਟਕਰਾਅ ਵਿੱਚ ਹਨ। ਇਸ ਨਾਲ ਇਹ ਬਹਿਸ ਚੱਲ ਰਹੀ ਹੈ ਕਿ ਕੀ ਲਾਮਾ ਸੱਚਮੁੱਚ ਓਪਨ ਸੋਰਸ ਵਜੋਂ ਯੋਗ ਹੈ ਜਾਂ ਨਹੀਂ।

ਕਾਨੂੰਨੀ ਚੁਣੌਤੀਆਂ ਨੂੰ ਨੈਵੀਗੇਟ ਕਰਨਾ: ਕਾਪੀਰਾਈਟ ਚਿੰਤਾਵਾਂ

ਲਾਮਾ ਦਾ ਵਿਕਾਸ ਕਾਨੂੰਨੀ ਰੁਕਾਵਟਾਂ ਤੋਂ ਬਿਨਾਂ ਨਹੀਂ ਹੋਇਆ ਹੈ। 2023 ਵਿੱਚ, ਮੈਟਾ ਨੂੰ ਲੇਖਕਾਂ ਦੁਆਰਾ ਦੋ ਕਲਾਸ-ਐਕਸ਼ਨ ਮੁਕੱਦਮਿਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪਿਆ ਜਿਨ੍ਹਾਂ ਨੇ ਦੋਸ਼ ਲਗਾਇਆ ਕਿ ਉਨ੍ਹਾਂ ਦੀਆਂ ਕਾਪੀਰਾਈਟ ਕਿਤਾਬਾਂ ਦੀ ਵਰਤੋਂ ਲਾਮਾ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਬਿਨਾਂ ਇਜਾਜ਼ਤ ਦੇ ਕੀਤੀ ਗਈ ਸੀ। ਇਹ ਮੁਕੱਦਮੇ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਲਈ ਵਰਤੇ ਗਏ ਸਿਖਲਾਈ ਡੇਟਾ ਦੇ ਆਲੇ ਦੁਆਲੇ ਦੇ ਗੁੰਝਲਦਾਰ ਕਾਪੀਰਾਈਟ ਮੁੱਦਿਆਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦੇ ਹਨ। ਹੁਣ ਤੱਕ, ਅਦਾਲਤਾਂ ਲੇਖਕਾਂ ਦੇ ਦਾਅਵਿਆਂ ਪ੍ਰਤੀ ਬਹੁਤੀ ਹਮਦਰਦੀ ਨਹੀਂ ਰੱਖਦੀਆਂ।

ਸਮਰੱਥਾਵਾਂ ਦਾ ਵਿਸਤਾਰ: ਲਾਮਾ ਦਾ ਵਧ ਰਿਹਾ ਮਾਡਲ ਪਰਿਵਾਰ

2023 ਦੇ ਅਖੀਰ ਤੋਂ, Meta AI ਨੇ ਲਾਮਾ ਪਰਿਵਾਰ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਤੌਰ ‘ਤੇ ਵਧਾ ਦਿੱਤਾ ਹੈ। ਮਾਡਲ ਹੁਣ ਸਿਰਫ਼ ਟੈਕਸਟ-ਅਧਾਰਤ ਗੱਲਬਾਤ ਤੱਕ ਸੀਮਿਤ ਨਹੀਂ ਹਨ। ਮੌਜੂਦਾ ਲਾਮਾ ਈਕੋਸਿਸਟਮ ਵਿੱਚ ਮਲਟੀ-ਮੋਡਲ ਮਾਡਲ ਸ਼ਾਮਲ ਹਨ ਜੋ ਟੈਕਸਟ ਅਤੇ ਵਿਜ਼ੂਅਲ ਇਨਪੁਟਸ ਦੋਵਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹਨ, ਨਾਲ ਹੀ ਕੋਡ ਵਿਆਖਿਆ ਅਤੇ ਟੂਲ ਏਕੀਕਰਣ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਮਾਡਲ ਵੀ ਸ਼ਾਮਲ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਮੈਟਾ ਨੇ ਸੰਭਾਵੀ ਜੋਖਮਾਂ ਅਤੇ ਹਮਲਿਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਘਟਾਉਣ ਲਈ ਸੁਰੱਖਿਆ ਕੰਪੋਨੈਂਟਸ ਪੇਸ਼ ਕੀਤੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਨੂੰ Llama Guard ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ, ਇਹਨਾਂ ਨੂੰ ‘Llama Stack’ ਨਾਮਕ ਇੱਕ ਸਮੁੱਚੇ ਫਰੇਮਵਰਕ ਦਾ ਹਿੱਸਾ ਬਣਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ।

ਲਾਮਾ ਪਰਿਵਾਰ ਦੇ ਕੁਝ ਮੁੱਖ ਮਾਡਲਾਂ ‘ਤੇ ਇੱਕ ਡੂੰਘੀ ਨਜ਼ਰ (Meta AI ਦੇ ਮਾਡਲ ਕਾਰਡਾਂ ਤੋਂ ਸੰਖੇਪ):

Llama Guard 1: ਗੱਲਬਾਤ ਦੀ ਸੁਰੱਖਿਆ

Llama Guard 1, Llama 2 ‘ਤੇ ਅਧਾਰਤ 7-ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਮਾਡਲ ਹੈ। ਇਹ ਇੱਕ ਇਨਪੁਟ-ਆਉਟਪੁੱਟ ਸੁਰੱਖਿਆ ਗਾਰਡ ਵਜੋਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਉਪਭੋਗਤਾ ਪ੍ਰੋਂਪਟ (ਪ੍ਰੋਂਪਟ ਵਰਗੀਕਰਨ) ਅਤੇ LLM ਜਵਾਬਾਂ (ਜਵਾਬ ਵਰਗੀਕਰਨ) ਦੋਵਾਂ ਵਿੱਚ ਸਮੱਗਰੀ ਦਾ ਵਰਗੀਕਰਨ ਕਰਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਲਾਮਾ-ਅਧਾਰਤ ਸਿਸਟਮਾਂ ਨਾਲ ਸੁਰੱਖਿਅਤ ਅਤੇ ਵਧੇਰੇ ਜ਼ਿੰਮੇਵਾਰ ਗੱਲਬਾਤ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।

Llama Guard ਸੰਭਾਵੀ ਨੁਕਸਾਨਾਂ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਲਈ ਛੇ-ਪੱਧਰੀ ਵਰਗੀਕਰਨ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ:

• ਹਿੰਸਾ ਅਤੇ ਨਫ਼ਰਤ: ਵਿਅਕਤੀਆਂ ਜਾਂ ਸਮੂਹਾਂ ਪ੍ਰਤੀ ਹਿੰਸਾ ਜਾਂ ਨਫ਼ਰਤ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਵਾਲੀ ਸਮੱਗਰੀ।
• ਜਿਨਸੀ ਸਮੱਗਰੀ: ਸਪੱਸ਼ਟ ਤੌਰ ‘ਤੇ ਜਿਨਸੀ ਸਮੱਗਰੀ ਜਾਂ ਸਮੱਗਰੀ ਜੋ ਬੱਚਿਆਂ ਦਾ ਸ਼ੋਸ਼ਣ, ਦੁਰਵਿਵਹਾਰ ਜਾਂ ਖ਼ਤਰੇ ਵਿੱਚ ਪਾਉਂਦੀ ਹੈ।
• ਬੰਦੂਕਾਂ ਅਤੇ ਗੈਰ-ਕਾਨੂੰਨੀ ਹਥਿਆਰ: ਗੈਰ-ਕਾਨੂੰਨੀ ਵਿਕਰੀ, ਵਰਤੋਂ, ਜਾਂ ਹਥਿਆਰਾਂ ਅਤੇ ਹੋਰ ਹਥਿਆਰਾਂ ਵਿੱਚ ਸੋਧ ਨਾਲ ਸਬੰਧਤ ਸਮੱਗਰੀ।
• ਨਿਯੰਤ੍ਰਿਤ ਜਾਂ ਨਿਯੰਤਰਿਤ ਪਦਾਰਥ: ਨਸ਼ੀਲੇ ਪਦਾਰਥਾਂ, ਅਲਕੋਹਲ, ਜਾਂ ਤੰਬਾਕੂ ਦੀ ਗੈਰ-ਕਾਨੂੰਨੀ ਵਰਤੋਂ ਜਾਂ ਵਿਕਰੀ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਵਾਲੀ ਸਮੱਗਰੀ।
• ਖੁਦਕੁਸ਼ੀ ਅਤੇ ਸਵੈ-ਨੁਕਸਾਨ: ਸਮੱਗਰੀ ਜੋ ਖੁਦਕੁਸ਼ੀ ਜਾਂ ਸਵੈ-ਨੁਕਸਾਨ ਲਈ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦੀ ਹੈ ਜਾਂ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ।
• ਅਪਰਾਧਿਕ ਯੋਜਨਾਬੰਦੀ: ਸਮੱਗਰੀ ਜੋ ਗੈਰ-ਕਾਨੂੰਨੀ ਗਤੀਵਿਧੀਆਂ ਦੀ ਸਹੂਲਤ ਦਿੰਦੀ ਹੈ ਜਾਂ ਯੋਜਨਾ ਬਣਾਉਂਦੀ ਹੈ।

Code Llama 70B: ਕੋਡਿੰਗ ਦੀ ਮੁਹਾਰਤ ਦਾ ਇੱਕ ਤਿਕੋਣਾ

Code Llama 70B ਨੇ ਲਾਮਾ ਦੀਆਂਕੋਡਿੰਗ ਸਮਰੱਥਾਵਾਂ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਵਿਸਤਾਰ ਕੀਤਾ। ਇਹ ਮਾਡਲ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਰੂਪਾਂ ਵਿੱਚ ਉਪਲਬਧ ਹੈ:

• Code Llama: ਆਮ ਕੋਡ ਸੰਸਲੇਸ਼ਣ ਅਤੇ ਸਮਝ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਬੇਸ ਮਾਡਲ। ਇਹ ਕੋਡ ਤਿਆਰ ਕਰ ਸਕਦਾ ਹੈ, ਕੋਡ ਦੀ ਕਾਰਜਕੁਸ਼ਲਤਾ ਦੀ ਵਿਆਖਿਆ ਕਰ ਸਕਦਾ ਹੈ, ਅਤੇ ਡੀਬੱਗਿੰਗ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰ ਸਕਦਾ ਹੈ।
• Code Llama – Python: Python ਪ੍ਰੋਗਰਾਮਿੰਗ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਇੱਕ ਵਿਸ਼ੇਸ਼ ਸੰਸਕਰਣ। ਇਹ ਮਾਡਲ Python ਕੋਡ ਤਿਆਰ ਕਰਨ ਅਤੇ ਸਮਝਣ ਲਈ ਅਨੁਕੂਲਿਤ ਹੈ, ਇਸ ਨੂੰ Python ਡਿਵੈਲਪਰਾਂ ਲਈ ਇੱਕ ਕੀਮਤੀ ਸਾਧਨ ਬਣਾਉਂਦਾ ਹੈ।
• Code Llama – Instruct: ਨਿਰਦੇਸ਼ਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨ ਅਤੇ ਸੁਰੱਖਿਅਤ ਤੈਨਾਤੀ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ‘ਤੇ ਕੇਂਦ੍ਰਿਤ ਇੱਕ ਰੂਪ। ਇਹ ਮਾਡਲ ਖਾਸ ਤੌਰ ‘ਤੇ ਕੋਡ ਤਿਆਰ ਕਰਨ ਲਈ ਲਾਭਦਾਇਕ ਹੈ ਜੋ ਖਾਸ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ ਅਤੇ ਸੁਰੱਖਿਆ ਪ੍ਰੋਟੋਕੋਲਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ।

ਤਿੰਨੋਂ ਰੂਪ ਵੱਖ-ਵੱਖ ਆਕਾਰਾਂ ਵਿੱਚ ਉਪਲਬਧ ਹਨ: 7 ਬਿਲੀਅਨ, 13 ਬਿਲੀਅਨ, 34 ਬਿਲੀਅਨ, ਅਤੇ 70 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ। Code Llama ਅਤੇ ਇਸਦੇ ਰੂਪ ਮੁੱਖ ਤੌਰ ‘ਤੇ ਅੰਗਰੇਜ਼ੀ ਅਤੇ ਸੰਬੰਧਿਤ ਪ੍ਰੋਗਰਾਮਿੰਗ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ, ਵਪਾਰਕ ਅਤੇ ਖੋਜ ਦੋਵਾਂ ਵਰਤੋਂ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ। ਇਸ ਗੱਲ ਦੇ ਕਾਫ਼ੀ ਸਬੂਤ ਹਨ ਕਿ Code Llama ਵਿੱਚ ਮਜ਼ਬੂਤ ਕੋਡਿੰਗ ਯੋਗਤਾਵਾਂ ਹਨ।

Llama Guard 2: ਵਧੀ ਹੋਈ ਸੁਰੱਖਿਆ ਵਰਗੀਕਰਨ

Llama Guard 2 ਆਪਣੇ ਪੂਰਵਜ ਦੀ ਨੀਂਹ ‘ਤੇ ਬਣਿਆ ਹੈ, ਜੋ ਵਧੀ ਹੋਈ ਸੁਰੱਖਿਆ ਵਰਗੀਕਰਨ ਸਮਰੱਥਾਵਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ। ਇਹ 8-ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਮਾਡਲ, Llama 3 ‘ਤੇ ਅਧਾਰਤ, 11 ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਸੁਰੱਖਿਆ ਲੇਬਲਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਲਈ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੈ, ਜੋ ਕਿ ਖਤਰਿਆਂ ਦੇ MLCommons ਵਰਗੀਕਰਨ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ।

Llama Guard 2 ਦੁਆਰਾ ਕਵਰ ਕੀਤੀਆਂ ਗਈਆਂ ਖਤਰੇ ਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

• S1: ਹਿੰਸਕ ਅਪਰਾਧ: ਹਿੰਸਕ ਅਪਰਾਧਿਕ ਕਾਰਵਾਈਆਂ ਨਾਲ ਸਬੰਧਤ ਸਮੱਗਰੀ।
• S2: ਗੈਰ-ਹਿੰਸਕ ਅਪਰਾਧ: ਗੈਰ-ਹਿੰਸਕ ਅਪਰਾਧਿਕ ਅਪਰਾਧਾਂ ਨਾਲ ਸਬੰਧਤ ਸਮੱਗਰੀ।
• S3: ਸੈਕਸ-ਸਬੰਧਤ ਅਪਰਾਧ: ਜਿਨਸੀ ਅਪਰਾਧਾਂ ਵਾਲੀ ਸਮੱਗਰੀ।
• S4: ਬਾਲ ਜਿਨਸੀ ਸ਼ੋਸ਼ਣ: ਸਮੱਗਰੀ ਜੋ ਬੱਚਿਆਂ ਦਾ ਜਿਨਸੀ ਸ਼ੋਸ਼ਣ, ਦੁਰਵਿਵਹਾਰ ਜਾਂ ਖ਼ਤਰੇ ਵਿੱਚ ਪਾਉਂਦੀ ਹੈ।
• S5: ਵਿਸ਼ੇਸ਼ ਸਲਾਹ: ਵਿਸ਼ੇਸ਼ ਖੇਤਰਾਂ ਵਿੱਚ ਅਯੋਗ ਜਾਂ ਗੁੰਮਰਾਹਕੁੰਨ ਸਲਾਹ (ਜਿਵੇਂ, ਮੈਡੀਕਲ, ਕਾਨੂੰਨੀ, ਵਿੱਤੀ)।
• S6: ਗੋਪਨੀਯਤਾ: ਸਮੱਗਰੀ ਜੋ ਗੋਪਨੀਯਤਾ ਦੀ ਉਲੰਘਣਾ ਕਰਦੀ ਹੈ ਜਾਂ ਸਹਿਮਤੀ ਤੋਂ ਬਿਨਾਂ ਨਿੱਜੀ ਜਾਣਕਾਰੀ ਦਾ ਖੁਲਾਸਾ ਕਰਦੀ ਹੈ।
• S7: ਬੌਧਿਕ ਸੰਪੱਤੀ: ਸਮੱਗਰੀ ਜੋ ਬੌਧਿਕ ਸੰਪੱਤੀ ਅਧਿਕਾਰਾਂ ਦੀ ਉਲੰਘਣਾ ਕਰਦੀ ਹੈ।
• S8: ਅੰਨ੍ਹੇਵਾਹ ਹਥਿਆਰ: ਹਥਿਆਰਾਂ ਨਾਲ ਸਬੰਧਤ ਸਮੱਗਰੀ ਜੋ ਵਿਆਪਕ ਅਤੇ ਅੰਨ੍ਹੇਵਾਹ ਨੁਕਸਾਨ ਪਹੁੰਚਾਉਂਦੀ ਹੈ।
• S9: ਨਫ਼ਰਤ: ਵਿਅਕਤੀਆਂ ਜਾਂ ਸਮੂਹਾਂ ਪ੍ਰਤੀ ਨਫ਼ਰਤ ਜਾਂ ਪੱਖਪਾਤ ਪ੍ਰਗਟ ਕਰਨ ਵਾਲੀ ਸਮੱਗਰੀ।
• S10: ਖੁਦਕੁਸ਼ੀ ਅਤੇ ਸਵੈ-ਨੁਕਸਾਨ: ਸਮੱਗਰੀ ਜੋ ਖੁਦਕੁਸ਼ੀ ਜਾਂ ਸਵੈ-ਨੁਕਸਾਨ ਲਈ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦੀ ਹੈ ਜਾਂ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ।
• S11: ਜਿਨਸੀ ਸਮੱਗਰੀ: ਸਪੱਸ਼ਟ ਤੌਰ ‘ਤੇ ਜਿਨਸੀ ਸਮੱਗਰੀ।

Meta Llama 3: ਗੱਲਬਾਤ ਵਿੱਚ ਬਹੁਪੱਖੀਤਾ

Meta Llama 3 ਨੂੰ ਦੋ ਆਕਾਰਾਂ ਵਿੱਚ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ, 8 ਬਿਲੀਅਨ ਅਤੇ 70 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ, ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਅਤੇ ਨਿਰਦੇਸ਼-ਟਿਊਨਡ ਰੂਪਾਂ ਦੇ ਨਾਲ। ਨਿਰਦੇਸ਼-ਟਿਊਨਡ ਮਾਡਲ ਖਾਸ ਤੌਰ ‘ਤੇ ਗੱਲਬਾਤ-ਅਧਾਰਤ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ ਅਨੁਕੂਲਿਤ ਕੀਤੇ ਗਏ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਚੈਟਬੋਟਸ ਅਤੇ ਗੱਲਬਾਤ AI ਸਿਸਟਮਾਂ ਲਈ ਢੁਕਵਾਂ ਬਣਾਉਂਦੇ ਹਨ।

Prompt Guard: ਖਤਰਨਾਕ ਇਨਪੁਟਸ ਤੋਂ ਬਚਾਅ

Prompt Guard ਇੱਕ ਵਰਗੀਕਰਨ ਮਾਡਲ ਹੈ ਜੋ ਖਤਰਨਾਕ ਪ੍ਰੋਂਪਟਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਜਿਸ ਵਿੱਚ ਜੇਲਬ੍ਰੇਕ (ਸੁਰੱਖਿਆ ਪਾਬੰਦੀਆਂ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨ ਦੀਆਂ ਕੋਸ਼ਿਸ਼ਾਂ) ਅਤੇ ਪ੍ਰੋਂਪਟ ਇੰਜੈਕਸ਼ਨ (ਕਰਾਫਟਡ ਇਨਪੁਟਸ ਦੁਆਰਾ ਮਾਡਲ ਦੇ ਆਉਟਪੁੱਟ ਵਿੱਚ ਹੇਰਾਫੇਰੀ ਕਰਨ ਦੀਆਂ ਕੋਸ਼ਿਸ਼ਾਂ) ਸ਼ਾਮਲ ਹਨ। Meta AI ਅਨੁਕੂਲ ਪ੍ਰਦਰਸ਼ਨ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਐਪਲੀਕੇਸ਼ਨ-ਵਿਸ਼ੇਸ਼ ਡੇਟਾ ਦੇ ਨਾਲ Prompt Guard ਨੂੰ ਵਧੀਆ-ਟਿਊਨਿੰਗ ਕਰਨ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦਾ ਹੈ।

Llama Guard ਦੇ ਉਲਟ, Prompt Guard ਨੂੰ ਕਿਸੇ ਖਾਸ ਪ੍ਰੋਂਪਟ ਢਾਂਚੇ ਦੀ ਲੋੜ ਨਹੀਂ ਹੁੰਦੀ ਹੈ। ਇਹ ਇੱਕ ਸਤਰ ਇਨਪੁਟ ‘ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਇਸ ਨੂੰ ਸੁਰੱਖਿਅਤ ਜਾਂ ਅਸੁਰੱਖਿਅਤ (ਗੰਭੀਰਤਾ ਦੇ ਦੋ ਵੱਖ-ਵੱਖ ਪੱਧਰਾਂ ‘ਤੇ) ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ BERT ਮਾਡਲ ਹੈ ਜੋ ਸਿਰਫ਼ ਲੇਬਲ ਆਉਟਪੁੱਟ ਕਰਦਾ ਹੈ।

Llama Guard 3: ਮਲਟੀ-ਮੋਡਲ ਅਤੇ ਬਹੁ-ਭਾਸ਼ਾਈ ਸੁਰੱਖਿਆ

Llama Guard 3 ਤਿੰਨ ਸੰਸਕਰਣਾਂ ਵਿੱਚ ਉਪਲਬਧ ਹੈ: Llama Guard 3 1B, Llama Guard 3 8B, ਅਤੇ Llama Guard 3 11B-Vision. ਪਹਿਲੇ ਦੋ ਸਿਰਫ਼-ਟੈਕਸਟ ਮਾਡਲ ਹਨ, ਜਦੋਂ ਕਿ ਤੀਜਾ Llama 3.2 11B-Vision ਮਾਡਲ ਦੀਆਂ ਵਿਜ਼ਨ ਸਮਝ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਦਾ ਹੈ। ਸਾਰੇ ਸੰਸਕਰਣ ਬਹੁ-ਭਾਸ਼ਾਈ ਹਨ (ਸਿਰਫ਼-ਟੈਕਸਟ ਪ੍ਰੋਂਪਟਾਂ ਲਈ) ਅਤੇ MLCommons ਕੰਸੋਰਟੀਅਮ ਦੁਆਰਾ ਪਰਿਭਾਸ਼ਿਤ ਖਤਰੇ ਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦੀ ਪਾਲਣਾਕਰਦੇ ਹਨ।

Llama Guard 3 8B ਨੂੰ ਸ਼੍ਰੇਣੀ S14, ਕੋਡ ਇੰਟਰਪ੍ਰੇਟਰ ਦੁਰਵਿਵਹਾਰ ਲਈ ਵੀ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਹ ਨੋਟ ਕਰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ Llama Guard 3 1B ਮਾਡਲ ਇਸ ਖਾਸ ਸ਼੍ਰੇਣੀ ਲਈ ਅਨੁਕੂਲਿਤ ਨਹੀਂ ਹੈ।

ਖਤਰੇ ਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ, Llama Guard 2 ਦੀਆਂ ਸ਼੍ਰੇਣੀਆਂ ਦਾ ਵਿਸਤਾਰ ਕਰਦੇ ਹੋਏ, ਇਹ ਹਨ:

• S1: ਹਿੰਸਕ ਅਪਰਾਧ
• S2: ਗੈਰ-ਹਿੰਸਕ ਅਪਰਾਧ
• S3: ਸੈਕਸ-ਸਬੰਧਤ ਅਪਰਾਧ
• S4: ਬਾਲ ਜਿਨਸੀ ਸ਼ੋਸ਼ਣ
• S5: ਮਾਣਹਾਨੀ
• S6: ਵਿਸ਼ੇਸ਼ ਸਲਾਹ
• S7: ਗੋਪਨੀਯਤਾ
• S8: ਬੌਧਿਕ ਸੰਪੱਤੀ
• S9: ਅੰਨ੍ਹੇਵਾਹ ਹਥਿਆਰ
• S10: ਨਫ਼ਰਤ
• S11: ਖੁਦਕੁਸ਼ੀ ਅਤੇ ਸਵੈ-ਨੁਕਸਾਨ
• S12: ਜਿਨਸੀ ਸਮੱਗਰੀ
• S13: ਚੋਣਾਂ
• S14: ਕੋਡ ਇੰਟਰਪ੍ਰੇਟਰ ਦੁਰਵਿਵਹਾਰ

Meta Llama 3.1: ਬਹੁ-ਭਾਸ਼ਾਈ ਉਤਪਾਦਕ ਮਾਡਲ

Meta Llama 3.1 ਸੰਗ੍ਰਹਿ ਵਿੱਚ ਬਹੁ-ਭਾਸ਼ਾਈ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ ਸ਼ਾਮਲ ਹਨ, ਜਿਸ ਵਿੱਚ 8 ਬਿਲੀਅਨ, 70 ਬਿਲੀਅਨ, ਅਤੇ 405 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਆਕਾਰਾਂ ਵਿੱਚ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਅਤੇ ਨਿਰਦੇਸ਼-ਟਿਊਨਡ ਉਤਪਾਦਕ ਮਾਡਲ ਸ਼ਾਮਲ ਹਨ (ਟੈਕਸਟ ਇਨਪੁਟ, ਟੈਕਸਟ ਆਉਟਪੁੱਟ)।

ਸਮਰਥਿਤ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ: ਅੰਗਰੇਜ਼ੀ, ਜਰਮਨ, ਫ੍ਰੈਂਚ, ਇਤਾਲਵੀ, ਪੁਰਤਗਾਲੀ, ਹਿੰਦੀ, ਸਪੈਨਿਸ਼ ਅਤੇ ਥਾਈ।

Meta Llama 3.2: ਵਧੀ ਹੋਈ ਗੱਲਬਾਤ ਸਮਰੱਥਾਵਾਂ

Llama 3.2 ਸੰਗ੍ਰਹਿ ਵਿੱਚ ਬਹੁ-ਭਾਸ਼ਾਈ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ ਹਨ, ਜਿਸ ਵਿੱਚ 1 ਬਿਲੀਅਨ ਅਤੇ 3 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਆਕਾਰਾਂ ਵਿੱਚ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਅਤੇ ਨਿਰਦੇਸ਼-ਟਿਊਨਡ ਉਤਪਾਦਕ ਮਾਡਲ ਸ਼ਾਮਲ ਹਨ (ਟੈਕਸਟ ਇਨਪੁਟ, ਟੈਕਸਟ ਆਉਟਪੁੱਟ)। ਇਹਨਾਂ ਮਾਡਲਾਂ ਦੇ ਕੁਆਂਟਾਈਜ਼ਡ ਸੰਸਕਰਣ ਵੀ ਉਪਲਬਧ ਹਨ। Llama 3.2 ਨਿਰਦੇਸ਼-ਟਿਊਨਡ ਟੈਕਸਟ-ਓਨਲੀ ਮਾਡਲ ਬਹੁ-ਭਾਸ਼ਾਈ ਗੱਲਬਾਤ ਲਈ ਅਨੁਕੂਲਿਤ ਕੀਤੇ ਗਏ ਹਨ, ਏਜੰਟਿਕ ਪ੍ਰਾਪਤੀ ਅਤੇ ਸੰਖੇਪ ਵਰਗੇ ਕਾਰਜਾਂ ਵਿੱਚ ਉੱਤਮ ਹਨ। 1B ਅਤੇ 3B ਮਾਡਲ Llama 3.1 ਦੇ ਛੋਟੇ, ਘੱਟ ਸ਼ਕਤੀਸ਼ਾਲੀ ਡੈਰੀਵੇਟਿਵ ਹਨ।

ਅਧਿਕਾਰਤ ਤੌਰ ‘ਤੇ ਸਮਰਥਿਤ ਭਾਸ਼ਾਵਾਂ ਹਨ: ਅੰਗਰੇਜ਼ੀ, ਜਰਮਨ, ਫ੍ਰੈਂਚ, ਇਤਾਲਵੀ, ਪੁਰਤਗਾਲੀ, ਹਿੰਦੀ, ਸਪੈਨਿਸ਼ ਅਤੇ ਥਾਈ। ਹਾਲਾਂਕਿ, Llama 3.2 ਨੂੰ ਇਹਨਾਂ ਅੱਠਾਂ ਤੋਂ ਇਲਾਵਾ ਭਾਸ਼ਾਵਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ‘ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਹੈ।

Llama 3.2-Vision: ਚਿੱਤਰ ਤਰਕ ਅਤੇ ਸਮਝ

Llama 3.2-Vision ਸੰਗ੍ਰਹਿ ਮਲਟੀ-ਮੋਡਲ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ ਨੂੰ ਪੇਸ਼ ਕਰਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਚਿੱਤਰ ਤਰਕ ਲਈ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਅਤੇ ਨਿਰਦੇਸ਼-ਟਿਊਨ ਕੀਤੇ ਗਏ ਹਨ, ਜੋ 11 ਬਿਲੀਅਨ ਅਤੇ 90 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਆਕਾਰਾਂ ਵਿੱਚ ਉਪਲਬਧ ਹਨ (ਟੈਕਸਟ ਅਤੇ ਚਿੱਤਰ ਇਨਪੁਟ, ਟੈਕਸਟ ਆਉਟਪੁੱਟ)। ਨਿਰਦੇਸ਼-ਟਿਊਨਡ ਮਾਡਲ ਵਿਜ਼ੂਅਲ ਪਛਾਣ, ਚਿੱਤਰ ਤਰਕ, ਕੈਪਸ਼ਨਿੰਗ, ਅਤੇ ਚਿੱਤਰਾਂ ਬਾਰੇ ਆਮ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦੇਣ ਲਈ ਅਨੁਕੂਲਿਤ ਕੀਤੇ ਗਏ ਹਨ।

ਸਿਰਫ਼-ਟੈਕਸਟ ਕਾਰਜਾਂ ਲਈ, ਅਧਿਕਾਰਤ ਤੌਰ ‘ਤੇ ਸਮਰਥਿਤ ਭਾਸ਼ਾਵਾਂ ਅੰਗਰੇਜ਼ੀ, ਜਰਮਨ, ਫ੍ਰੈਂਚ, ਇਤਾਲਵੀ, ਪੁਰਤਗਾਲੀ, ਹਿੰਦੀ, ਸਪੈਨਿਸ਼ ਅਤੇ ਥਾਈ ਹਨ। Llama 3.2 ਨੂੰ ਭਾਸ਼ਾਵਾਂ ਦੇ ਇੱਕ ਵਿਸ਼ਾਲ ਸਮੂਹ ‘ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਹੈ, ਪਰ ਚਿੱਤਰ+ਟੈਕਸਟ ਐਪਲੀਕੇਸ਼ਨਾਂ ਲਈ, ਅੰਗਰੇਜ਼ੀ ਇੱਕੋ ਇੱਕ ਸਮਰਥਿਤ ਭਾਸ਼ਾ ਹੈ।

Meta Llama 3.3: ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ 70B ਮਾਡਲ

Meta Llama 3.3 ਬਹੁ-ਭਾਸ਼ਾਈ ਵੱਡਾ ਭਾਸ਼ਾ ਮਾਡਲ 70 ਬਿਲੀਅਨ ਪੈਰਾਮੀਟਰਾਂ (ਟੈਕਸਟ ਇਨਪੁਟ, ਟੈਕਸਟ ਆਉਟਪੁੱਟ) ਵਾਲਾ ਇੱਕ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਅਤੇ ਨਿਰਦੇਸ਼-ਟਿਊਨਡ ਉਤਪਾਦਕ ਮਾਡਲ ਹੈ।

ਸਮਰਥਿਤ ਭਾਸ਼ਾਵਾਂ: ਅੰਗਰੇਜ਼ੀ, ਜਰਮਨ, ਫ੍ਰੈਂਚ, ਇਤਾਲਵੀ, ਪੁਰਤਗਾਲੀ, ਹਿੰਦੀ, ਸਪੈਨਿਸ਼ ਅਤੇ ਥਾਈ।

ਇਹ ਸਮਝਣਾ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ, Llama 3.2 ਸਮੇਤ, ਇਕੱਲੇ ਤੈਨਾਤੀ ਲਈ ਨਹੀਂ ਹਨ। ਉਹਨਾਂ ਨੂੰ ਉਚਿਤ ਸੁਰੱਖਿਆ ਗਾਰਡਰੇਲਾਂ ਦੇ ਨਾਲ ਇੱਕ ਵਿਆਪਕ AI ਸਿਸਟਮ ਵਿੱਚ ਜੋੜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਡਿਵੈਲਪਰਾਂ ਤੋਂ ਸਿਸਟਮ ਸੁਰੱਖਿਆ ਉਪਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਖਾਸ ਕਰਕੇ ਜਦੋਂ ਏਜੰਟਿਕ ਸਿਸਟਮ ਬਣਾਉਂਦੇ ਹਨ।

Llama 3.3, Llama 3.2 ਟੈਕਸਟ-ਓਨਲੀ ਮਾਡਲ, ਅਤੇ Llama 3.1 ਹੇਠਾਂ ਦਿੱਤੇ ਟੂਲਸ ਲਈ ਬਿਲਟ-ਇਨ ਸਮਰਥਨ ਸ਼ਾਮਲ ਕਰਦੇ ਹਨ:

• Brave Search: ਵੈੱਬ ਖੋਜਾਂ ਕਰਨ ਲਈ ਇੱਕ ਟੂਲ ਕਾਲ।
• Wolfram Alpha: ਗੁੰਝਲਦਾਰ ਗਣਿਤਿਕ ਗਣਨਾਵਾਂ ਨੂੰ ਚਲਾਉਣ ਲਈ ਇੱਕ ਟੂਲ ਕਾਲ।
• Code Interpreter: ਇੱਕ ਟੂਲ ਕਾਲ ਜੋ ਮਾਡਲ ਨੂੰ Python ਕੋਡ ਆਉਟਪੁੱਟ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।

ਨੋਟ: Llama 3.2 ਵਿਜ਼ਨ ਮਾਡਲ ਟੈਕਸਟ+ਚਿੱਤਰ ਇਨਪੁਟਸ ਦੇ ਨਾਲ ਟੂਲ ਕਾਲਿੰਗ ਦਾ ਸਮਰਥਨ ਨਹੀਂ ਕਰਦੇ ਹਨ।

Llama Stack: ਇੱਕ ਯੂਨੀਫਾਈਡ ਫਰੇਮਵਰਕ

ਲਾਮਾ ਮਾਡਲਾਂ ਦੀ ਸਿਰਫ਼ ਗਿਣਤੀ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੋ ਸਕਦੀ ਹੈ। ਚੋਣ ਅਤੇ ਏਕੀਕਰਣ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਰਲ ਬਣਾਉਣ ਲਈ, ਮੈਟਾ Llama Stack ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ। ਇਹ ਫਰੇਮਵਰਕ ਲਾਮਾ ਮਾਡਲਾਂ ‘ਤੇ ਜ਼ੋਰ ਦਿੰਦਾ ਹੈ ਪਰ ਸੰਬੰਧਿਤ ਸਮਰੱਥਾਵਾਂ ਲਈ ਅਡਾਪਟਰ ਵੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਪ੍ਰਾਪਤੀ-ਵਧਾਉਣ ਵਾਲੀ ਪੀੜ੍ਹੀ (RAG) ਲਈ ਵੈਕਟਰ ਡੇਟਾਬੇਸ।

Llama Stack ਵਰਤਮਾਨ ਵਿੱਚ Python, Swift, Node, ਅਤੇ Kotlin ਵਿੱਚ SDKs ਦਾ ਸਮਰਥਨ ਕਰਦਾ ਹੈ। ਇਹ ਵੱਖ-ਵੱਖ ਵੰਡਾਂ ਦੀ ਪੇਸ਼ਕਸ਼ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

• ਸਥਾਨਕ ਵੰਡ (Ollama ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ): ਸਥਾਨਕ ਵਿਕਾਸ ਅਤੇ ਜਾਂਚ ਲਈ।
• ਡਿਵਾਈਸ ‘ਤੇ ਵੰਡਾਂ (iOS ਅਤੇ Android): ਮੋਬਾਈਲ ਡਿਵਾਈਸਾਂ ‘ਤੇ ਲਾਮਾ ਮਾਡਲਾਂ ਨੂੰ ਤੈਨਾਤ ਕਰਨ ਲਈ।
• GPUs ਲਈ ਵੰਡਾਂ: ਤੇਜ਼ ਪ੍ਰੋਸੈਸਿੰਗ ਲਈ GPUs ਦੀ ਸ਼ਕਤੀ ਦਾ ਲਾਭ ਉਠਾਉਣ ਲਈ।
• ਰਿਮੋਟ-ਹੋਸਟਡ ਵੰਡਾਂ (Together ਅਤੇ Fireworks): ਕਲਾਉਡ-ਅਧਾਰਤ ਸੇਵਾਵਾਂ ਰਾਹੀਂ ਲਾਮਾ ਮਾਡਲਾਂ ਤੱਕ ਪਹੁੰਚ ਕਰਨ ਲਈ।

Llama Stack ਦੇ ਪਿੱਛੇ ਮੁੱਖ ਸੰਕਲਪ ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਸਥਾਨਕ ਤੌਰ ‘ਤੇ ਐਪਲੀਕੇਸ਼ਨਾਂ ਬਣਾਉਣ ਅਤੇ ਫਿਰ ਆਸਾਨੀ ਨਾਲ ਉਤਪਾਦਨ ਵਾਤਾਵਰਣ ਵਿੱਚ ਤਬਦੀਲ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਣਾ ਹੈ। ਇਹ ਇੱਕ ਰਿਮੋਟ Llama Stack ਦੇ ਵਿਰੁੱਧ ਸਥਾਨਕ ਵਿਕਾਸ ਲਈ ਇੱਕ ਇੰਟਰਐਕਟਿਵ Llama Stack Playground ਵੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।

ਲਾਮਾ ਮਾਡਲਾਂ ਨੂੰ ਚਲਾਉਣਾ: ਬਹੁਪੱਖੀ ਤੈਨਾਤੀ ਵਿਕਲਪ

ਲਾਮਾ ਮਾਡਲਾਂ ਨੂੰ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਪਲੇਟਫਾਰਮਾਂ ‘ਤੇ ਤੈਨਾਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ Linux, Windows, macOS, ਅਤੇ ਕਲਾਉਡ ਸ਼ਾਮਲ ਹਨ। ਕੁਆਂਟਾਈਜ਼ਡ ਲਾਮਾ ਮਾਡਲ, ਜਿਵੇਂ ਕਿ Llama 3.2 ਅਤੇ Llama 3.2-Vision, ਆਧੁਨਿਕ ਹਾਰਡਵੇਅਰ ‘ਤੇ, ਇੱਥੋਂ ਤੱਕ ਕਿ M4 Pro MacBook Pro ਵਰਗੇ ਲੈਪਟਾਪਾਂ ‘ਤੇ ਵੀ Ollama ਵਰਗੇ ਟੂਲਸ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਚੱਲ ਸਕਦੇ ਹਨ।

ਮੈਟਾ ਲਾਮਾ ਮਾਡਲਾਂ ਨੂੰ ਤੈਨਾਤ ਕਰਨ ਅਤੇ ਵਰਤਣ ਲਈ ਵਿਆਪਕ ਕਿਵੇਂ-ਕਰਨ ਗਾਈਡਾਂ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, LangChain ਅਤੇ LlamaIndex ਵਰਗੇ ਪ੍ਰਸਿੱਧ ਫਰੇਮਵਰਕ ਲਈ ਏਕੀਕਰਣ ਗਾਈਡਾਂ ਉਪਲਬਧ ਹਨ।

ਸੰਖੇਪ ਵਿੱਚ, ਲਾਮਾ ਸਿਰਫ਼ ਇੱਕ ਸਧਾਰਨ ਭਾਸ਼ਾ ਮਾਡਲ ਹੋਣ ਤੋਂ ਅੱਗੇ ਵਧ ਗਿਆ ਹੈ, ਹੁਣ ਇਹ ਸੁਰੱਖਿਆ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ, ਕੋਡ ਉਤਪਾਦਨ, ਅਤੇ ਕਈ ਭਾਸ਼ਾਵਾਂ ਲਈ ਸਮਰਥਨ ਦੇ ਨਾਲ ਇੱਕ ਮਲਟੀ-ਮੋਡਲ AI ਫਰੇਮਵਰਕ ਹੈ। ਮੈਟਾ ਦਾ ਸਿਸਟਮ ਇਸਨੂੰ ਕਈ ਥਾਵਾਂ ‘ਤੇ ਤੈਨਾਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਪਰ ਸਿਖਲਾਈ ਡੇਟਾ ਨਾਲ ਕਾਨੂੰਨੀ ਮੁੱਦੇ, ਅਤੇ ਇਹ ਬਹਿਸ ਕਿ ਕੀ ਲਾਮਾ ਓਪਨ ਸੋਰਸ ਹੈ, ਜਾਰੀ ਹਨ।