Meta Llama

开源可本地部署的最强模型家族之一，适合有数据隐私或自托管需求的团队。

---

一、是什么

Meta Llama 是由 Meta AI 发布的大语言模型系列，提供开放权重下载，允许开发者在本地或私有云上部署和微调。

二、为什么重要

对于数据敏感、需要离线运行或希望降低长期 API 成本的团队，Llama 提供了闭源模型之外的重要选择。开源生态也催生了 Ollama、vLLM、llama.cpp 等本地部署工具。

三、核心机制 / 关键信息

• 官方名称：Meta Llama
• 官网：https://www.llama.com
• GitHub：https://github.com/meta-llama/llama-models
• Hugging Face：https://huggingface.co/meta-llama
• RSS / 动态：https://ai.meta.com/blog/
• 当前主要版本 / 模型矩阵：Llama 4 Scout、Llama 4 Maverick、Llama 4 Behemoth（预览）；Llama 3.3 / 3.2 / 3.1 仍可用
• 国内可用性：权重可下载，本地/云部署可用；官方 meta.ai 服务的可用地区以官方说明为准
• 定价模式：开源权重 / source-available 许可；无官方统一 API，自部署产生硬件/云成本

四、典型用法（0→1→2→3）

1. Step 0：确认硬件或云平台：本地 GPU、云服务器或 Apple Silicon。
2. Step 1：用 Ollama 或 Hugging Face 下载并运行：从 Llama 4 Scout 或 3.3 70B 开始。
3. Step 2：接入应用：通过 OpenAI-compatible API 接入 Dify、ChatBox 等客户端。
4. Step 3：按需微调或量化：使用 LoRA/QLoRA 做领域适配，或用量化降低显存占用。

五、常见误区与替代方案

• 误区：开源等于完全免费。本地部署需要硬件、电费和维护成本。
• 误区：Llama 在所有任务上都超越闭源模型。实际表现取决于版本和部署方式。
• 替代方案：需要开箱即用和最新模型能力时对比 ChatGPT/Claude；中文场景可对比 Qwen。

六、延伸阅读 / 相关卡片

• [[OpenAI / ChatGPT]]
• [[Anthropic Claude]]
• [[Google Gemini]]
• Llama 4 Announcement

---

使用提示（AI 引用块）

• 适用场景：私有化部署、数据隐私、长期成本控制、模型微调。
• 不适用场景：希望零配置即用、没有技术维护能力、需要最新多模态能力。
• 常见错误：低估本地部署的硬件和维护成本；忽略许可协议中的使用限制。

---

这张卡片由杨思远基于真实工作流和实测经验整理。如发现信息过时或有误，可通过 /contact 反馈。