接着问它数据截止到什么时候？从 Llama 2 的回答中，我们可以得知，它掌握的数据截止日期是 2022 年 12 月。
接着，我们向 Llama 2 询问了一个不那么贴切的问题。Llama 2 指出了标题的不合理性，并给出了一些建议：
但是，Llama 2 对鸡兔同笼问题还是不擅长。
测试地址：https://llama-2.replit.app/
在推特上，Vicuna（小羊驼）项目创建者公布了他们的系统测试结果，结论如下：
- Llama-2 表现出更强的指令遵循能力，但在信息提取、编码和数学方面仍明显落后于 GPT-3.5/Claude；
- 对于安全性的过度敏感可能导致对用户查询的错误解读；
- 在聊天性能上与基于 Llama-1 的领先模型（如 Vicuna、WizardLM）相当；
- 非英语语言技能有限。
以下是一些测试数据和结果：
哪些设备能在本地跑这些模型？
由于 Llama 2 开源了不同大小的版本，这些模型在本地部署方面非常灵活。如果你不想把自己的数据传上网，那么本地部署就是最好的选择。这一想法可以通过陈天奇等人打造的 MLC-LLM 项目来实现：
项目地址：https://github.com/mlc-ai/mlc-llm
在之前的报道中，我们提到过这个项目。它的目标是让你「在任何设备上都能编译运行大语言模型」，包括移动端、消费级电脑端和 Web 浏览器。它支持的平台包括：
在 Llama 2 发布后，陈天奇等项目成员表示，MLC-LLM 现在支持在本地部署 Llama-2-70B-chat（需要一个带有 50GB VRAM 的 Apple Silicon Mac 来运行）。在 M2 Ultra 上，解码速度可以达到～10.0token / 秒。
当然，借助 MLC-LLM，运行其他版本的 Llama 2 模型更是不在话下：7B 模型在 Apple M2 Max 上的运行速度约为 46 tok/s，在 RTX 4090 上约为 156 tok/s。
此外，借助陈天奇等人发布的「MLC Chat」APP（苹果应用商店可以搜到），我们还可以尝试在手机、iPad 上使用 Llama 2（无需联网）。
Llama 2 将带来哪些影响？
如果 Meta 没有在今年 2 月份开源 Llama，你可能不知道「羊驼」原来有那么多种写法：基于这一开源模型的「二创」项目几乎占用了生物学羊驼属的所有英文单词。在 Meta 将模型迭代到 2.0 版本后，这些项目自然也被拉到了新的起点。
在 Llama 2 发布不到一天的时间里，能够像 GPT-4 一样处理图像信息的大型多模态模型「熔岩羊驼 LLaVA」的开发者就宣布，他们基于 Llama 2 对 LLaVA 进行了更新。新版本增加了对 LLaMA-2 的支持，同时还支持使用学术界 GPU 进行 LoRA 训练，以及更高的分辨率（336x336）和 4-/8- 推理等功能。
此外，他们还发布了新的 LLaVA 变体的预览版本，该版本基于最新的经过 RLHF 微调的 LLaMA-2-Chat 检查点，提供更长的上下文窗口。这些新发布的版本支持并验证了在 RTX 3090 和 RTX A6000 上进行的训练，从而使大型多模态模型的训练更加便捷、更加适用于广大社区用户。
当然，这只是一个开始。假以时日，那些基于 Llama 2 的模型会陆陆续续上线或更新，「千模大战」一触即发。
对于 Llama 的未来发展及影响，英伟达高级 AI 科学家 Jim Fan 也给出了自己的预测：
- Llama-2 的训练成本可能超过 2000 万美元。之前，一些大公司的人工智能研究人员因为商业许可问题对 Llama-1 持谨慎态度，但 Llama-2 的商业限制大大松绑，未来很多人可能会加入 Llama 阵营，并贡献他们的实力。
- 虽然 Llama-2 目前还没有达到 GPT-3.5 的水平，在编程等问题上存在明显短板，但由于它的权重是开放的，这些问题早晚会得到改进；
- Llama-2 将极大地推动多模态人工智能和机器人技术的研究。这些领域需要的不仅仅是对 API 的黑盒访问。目前，我们必须将复杂的感官信号（视频、音频、3D 感知）转换为文本描述，然后再输入到 LLM（语言与视觉融合模型）中，这样做非常笨拙，导致信息损失非常严重。直接将感知模块嫁接到强大的 LLM 骨干上将更加高效。
对于研发闭源大模型的企业来说，Llama 2 的发布也是意义重大。如果他们研发的模型本身不够强大，或者和开源 Llama 2 及其衍生模型的差距不大，那么其商业价值将很难变现。
