在旧金山举行的 LlamaCon Hackathon 大赛圆满落幕，这是一场汇聚了全球开发者的 AI 盛会。本次活动吸引了超过 600 名注册者，最终有 238 名才华横溢的开发者和创新者齐聚一堂，进行了为期一天的项目构建。挑战在于，在短短 24 小时内，使用 Llama API、Llama 4 Scout 或 Llama 4 Maverick（或这些尖端工具的任意组合）创建一个可演示的项目。
比赛奖金丰厚，总额高达 3.5 万美元的现金奖励，包括一等奖、二等奖和三等奖，以及 Llama API 最佳使用奖。来自 Meta 和赞助合作伙伴的评审团认真评估了提交的 44 个项目。
我们衷心感谢我们的合作伙伴 Groq、Crew AI、Tavus、Lambda、Nebius 和 SambaNova，他们在整个黑客马拉松期间提供了宝贵的支持。每家赞助商都提供了信贷使用、专家演讲者的研讨会、指导、现场问答展位、评委和 Discord 上的远程支持。
获奖者名单
经过两轮评审，我们从 44 个提交的项目中选出了前六名，最终决出了第一名、第二名、第三名和 Llama API 的最佳使用奖。
OrgLens – 一等奖
OrgLens 创建了一个支持 AI 的专家匹配系统，可将您与组织内的合适专业人士联系起来。通过分析来自各种来源的数据，包括 Jira 任务、GitHub 代码和问题、内部文档以及简历，OrgLens 会为每个贡献者创建全面的知识图谱和详细的个人资料。这使您可以使用高级 AI 支持的搜索功能搜索专家，甚至与个人的数字孪生互动，在联系之前提出问题。为了展示其功能，使用 React、Tailwind 和 Django 构建了一个演示 Web 应用程序，利用 GitHub API 和 Llama API 来处理和存储数据。OrgLens 简化了专家匹配，使寻找适合工作的合适人选变得更加容易。
深入了解 OrgLens 的创新之处，它不仅仅是一个专家匹配系统，更是一个企业内部知识共享和协作的加速器。它巧妙地利用人工智能的力量，打破了信息孤岛，将隐藏在组织各个角落的专业知识连接起来。想象一下，当你在一个复杂的项目上遇到难题时，不再需要漫无目的地在内部邮件和文档中搜索，而是通过 OrgLens，就能迅速找到拥有相关经验和技能的同事，并直接与他们的“数字孪生”进行初步沟通，这无疑将大大提高工作效率和问题解决的速度。OrgLens 的核心优势在于其对数据的深度挖掘和分析能力。它不仅能抓取 Jira、GitHub 等平台上的数据，还能分析内部文档和简历，从而构建出一个全面的知识图谱。这个知识图谱不仅包含了员工的技能和经验，还记录了他们在不同项目中的贡献和互动。通过这个知识图谱，OrgLens 能够准确地识别出最适合特定任务的专家，并将其推荐给需要帮助的人。此外，OrgLens 还注重用户体验。它提供了一个直观易用的 Web 界面，用户可以通过关键词搜索或使用 advanced filters to find the right expert. Moreover, the “digital twin” feature allows users to ask preliminary questions and get quick answers, saving both the expert’s and the seeker’s time. By integrating artificial intelligence into the expert matching process, OrgLens has the potential to revolutionize the way companies manage and utilize their internal talent resources, leading to improved collaboration, innovation, and overall performance.
OrgLens 的成功之处在于它解决了企业内部普遍存在的知识管理难题。许多公司都面临着员工技能分散、信息难以获取的问题，导致资源浪费和效率低下。OrgLens 通过自动化专家匹配流程，有效地解决了这个问题，为企业带来了以下显着优势：
- 提高生产力： 员工可以更快地找到需要的帮助，从而加快项目进度。
- 促进创新： 通过连接不同领域的专家，可以激发新的想法和解决方案。
- 优化资源利用： 避免了重复劳动和资源浪费，提高了整体效率。
- 增强员工参与度： 让员工更容易分享知识和经验，从而增强他们的参与感和归属感。
Compliance Wizards – 二等奖
Compliance Wizards 创建了一个支持 AI 的事务分析器，用于检测欺诈并根据自定义风险评估算法提醒用户。电子邮件通知会发送给用户，提示报告或确认交易。然后，用户可以与 AI 语音助手进行报告和确认。使用 Llama API 的多模态，欺诈评估员可以上传客户信息并搜索有关其客户的相关新闻，以帮助确定客户是否参与任何值得注意的犯罪活动。
合规监管机构创造了一个人工智能支持的交易分析仪，旨在通过复杂的风险评估算法来识别可疑活动并向用户发出警报。此系统通过向用户发送电子邮件通知来运作，提示用户审查并确认某些交易。然后，用户可以与 AI 驱动的语音助手互动，以报告交易或确认其合法性。通过利用 Llama API 的多模式功能，欺诈评估员可以上传客户信息并搜索相关新闻，以帮助确定客户是否参与任何值得注意的犯罪活动。
Compliance Wizards 的核心在于其强大的 AI 引擎，该引擎能够深入分析交易数据，识别潜在的欺诈模式。该引擎不仅能检测传统的欺诈行为，还能根据客户的特定风险状况进行定制化的风险评估，从而提高欺诈检测的准确性。此外，Compliance Wizards 还集成了新闻搜索功能， позволяющее fraud assessors to quickly gather relevant information about their clients, such as media mentions and legal records. This contextual information can be crucial in assessing the overall risk profile of the client and identifying potential red flags.
The AI-powered voice assistant is another key component of Compliance Wizards. It provides users with a convenient and efficient way to report and acknowledge transactions, especially when they are on the go. The voice assistant can also answer questions about the transactions and provide guidance on how to comply with relevant regulations.
Compliance Wizards 的主要优势在于其多层面的安全方法：
- 高级风险评估： 通过定制化的风险评估算法，能够更准确地识别潜在的欺诈行为。
- 实时交易分析： 对所有交易进行实时监控，及时发现可疑活动。
- 情境感知： 能够抓取新闻信息，从而全面评估客户的风险状况。
- **便捷reporting：**提供语音助手，简化了报告和确认流程。
Compliance Wizards 不仅仅是一个工具，而是一个全面的合规解决方案，可帮助公司最大限度地降低欺诈风险并遵守相关法规。
Llama CCTV Operator – 三等奖
一个由 Agajan Torayev 领导的团队构建了一个 Llama CCTV AI 控制室操作员，无需任何模型微调即可自动识别自定义监控视频事件。操作员能够用简单的语言定义视频事件。使用 Llama 4 的多模式图像理解，系统每五帧捕获并检测一次运动，以评估这些预定义的事件并将其报告给操作员。
Llama CCTV Operator 背后的理念是赋予监控系统智能，使其能够主动识别异常事件，而不是仅仅被动地记录视频。该系统利用 Llama 4 的强大的图像理解能力， позволяющее to analyze video feeds in real-time and detect a wide range of predetermined events, such as suspicious activity, unauthorized access, or safety hazards. The operator can define these events using simple language, without requiring any specialized knowledge of machine learning or computer vision.
The system works by capturing and analyzing motion every five frames, and then using Llama 4’s multimodal capabilities to assess whether the captured motion matches any of the predefined events. If a match is found, the system will immediately report the event to the operator, along with relevant contextual information.
Llama CCTV Operator 的主要优势包括：
- 无需微调： 无需对模型进行任何微调，大大简化了部署和维护过程。
- 自定义事件检测： 操作员可以使用简单的语言定义自定义监控事件，从而满足特定的安全需求。
- 实时分析： 系统能够实时分析视频馈送，从而尽快检测到可疑活动。
- 自动报告： 系统会自动将检测到的事件报告给操作员，从而减少了人工监控的需求。
Geo-ML – Llama API 的最佳使用
地质学家 William Davis 使用 Llama 4 Maverick 和 GemPy 生成可能的挖掘地点、地形图和矿藏的 3D 地质模型。Geo-ML 的工作原理是处理 400 页的地质报告，将信息整合到结构化的地质领域特定语言中，然后使用它来生成地下地质的 3D 表示。
“这是我第一次真正使用 LLM API 从长篇地质研究论文中提取超长文本和图像，所以我使用了 Llama Maverick 的超长上下文窗口以及文本和图像多模式功能来提取文本并将其转换为特定于域的语言，从而给出了文档中存储的所有内容的压缩版本，” Davis说。“我大部分时间都花在阅读地质文档上。拥有一个可以在后台为我完成这项工作的 LLM 将非常棒。”
地质学家威廉·戴维斯 (William Davis) 巧妙地运用 Llama 4 Maverick 和 GemPy，开创了一个全新的地质建模方法。Geo-ML 的目标是利用人工智能的力量，从大量的地质报告中提取隐藏的信息，并将其转化为有用且易于理解的 3D 模型。
The system works by processing long geological research papers, often 400 pages or more, and consolidating the information into a structured geology domain-specific language. This language captures the key geological features, structures, and mineral deposits described in the reports. Then, the 系统 使用这种语言来生成地下地质的 3D 表示，帮助地质学家更容易地可视化和分析地下环境。
Davis himself emphasized the importance of Llama 4 Maverick’s long context window and multimodal capabilities in making Geo-ML possible. The long context window allows the system to process entire research papers at once, while the multimodal capabilities enable it to extract both text and images from the documents.
Geo-ML 的主要优势在于其能够：
- 自动化地质建模： 自动化了地质建模过程，减少了人工分析的时间和精力。
- 提取隐藏信息： 从大量的地质报告中提取隐藏的信息，帮助地质学家发现潜在的挖掘地点和矿藏。
- 生成 3D 模型： 生成地下地质的 3D 表示，帮助地质学家更容易地可视化和分析地下环境。
- 加速地质研究： 通过加快地质建模过程，从而加速地质研究的进程。
特别表彰：团队礼宾部
一个名为 Concierge 的决赛选手中，他们自带 GPU 参加比赛，这在竞争中脱颖而出。
“我们相信 Llama 4 Maverick 最好的方面是其稀疏的专家混合性质和开源可用性，允许进行微调，”该团队说。“Meta 最近发布了一个出色的微调工具，即 GitHub 上的工具。使用 Llama API，我们编译了来自多个来源的数据来创建 QA 数据集并微调了 Llama 4 Maverick 模型。我们计划将其提交给开放基准测试，因为我们目前缺少 Llama 4 编码器，并且凭借 1M 上下文窗口，它有望成为例外。”
Concierge 的独特方法在于它专注于微调 Llama 4 Maverick 模型，以提高其在特定任务上的性能. The team believed that the sparse mixture of experts nature of Llama 4 Maverick, combined with its open source availability, made it an ideal candidate for fine-tuning.
To fine-tune the model, the team compiled data from multiple sources to create QA datasets. Then, they used Meta’s fine-tuning tool to train the model. The team планирует to submit the fine-tuned model to open benchmarks to evaluate its performance.
观看决赛选手演示
您可以在 YouTube 上观看决赛选手演示。
加入下一个 Llama 黑客马拉松
开发者可以申请参加下一个 Llama 黑客马拉松，该马拉松将于 2025 年 5 月 31 日至 6 月 1 日在纽约市举行。