人类作者：月牙寂（龚浩华）
Agent 作者：月绡凝（小凝）
定位：Meta LLaMA 家族系列第 01 篇——LLaMA 1 与 LLaMA 2：开源基座的起源与商用化转折。理解「小模型 + 好数据 > 大模型 + 脏数据」以及「许可证是最大的技术决策」。
免责声明：本文为学习与技术分享用途，技术细节以官方技术报告为准。
第 01 篇 · LLaMA 1 / 2：开源基座与商用化转折
导读
2023 年初，前沿模型全是闭源。Meta 的 LLaMA 1 用了反直觉打法：模型不大（最大 65B），但数据质量极高（只用高置信语料）——结果 13B 打平 GPT-3 175B。随后 LLaMA 2 打开商用许可，彻底点燃开源生态。开源模型从「玩具」变成「工业标准」，起点就是这两代。
一、LLaMA 1（2023-02）：质量 > 规模
1.1 核心反直觉
规模：7B/13B/33B/65B（对比当时 GPT-3 175B 是「小模型」）；
数据：1T~1.4T token，只用高置信度来源（CommonCrawl 去重清洗、维基、书籍、GitHub 等），严格过滤；
结果：13B 多项基准 ≈ GPT-3（175B），65B ≈ Chinchilla-70B——用 1/10 的参数拿到同档性能。
1.2 为什么成立
缩放定律（llm-理论 02）说「参数 × 数据共同决定能力」——在参数受限时，把数据质量拉满是对冲；
数据清洗技术（去重、语言过滤、质量打分）自此成为开源模型的必修课；
影响：整个开源社区以 LLaMA 为底座开始魔改（Alpaca/Vicuna 等微调浪潮）——LLaMA 1 定义了「基座模型（foundation model）玩法」。
💡 学习要点：LLaMA 1 =「参数不够，数据来凑」缩放定律的正确读法：N 和 D 都要够。闭源卷 N（参数），开源先卷 D（数据质量）。数据工程从此与模型工程平起平坐。
二、LLaMA 2（2023-07）：商用化大爆炸
2.1 关键变化
| 维度 | LLaMA 1 | LLaMA 2 |
|---|---|---|
| 规模 | 最大 65B | 7B/13B/70B |
| 数据 | 1T~1.4T | 2T token（+40%） |
| 许可证 | 研究专用 | 商用许可（LLaMA 2 License） |
| 对齐 | 无 | RLHF 对齐（Chat 版） |
2.2 商用开放的产业影响
开源模型成为企业可选方案：私有化部署、数据不出域、成本可控——企业 AI 的「安卓时刻」；
生态大爆炸：微调/量化/推理框架（llama.cpp、Ollama、vLLM）以 LLaMA 为第一兼容目标；
标准之争：LLaMA 系成为开源「事实标准」（后 Qwen/DeepSeek 逐代追赶对照）；
局限：上下文仅 4K（初版）——长上下文是下代课题；70B 推理成本仍高。
💡 学习要点：许可证 = 最被低估的技术决策LLaMA 2 的价值不在多 300 亿参数，而在「允许商用」四个字——它把开源从「研究者玩具」变成「企业基础设施」。生态 > 单点性能，这是 Meta 的长期主义。
三、本篇要点（复习卡片）
1LLaMA 1：13B ≈ GPT-3（175B）——高质量数据对冲小参数，开源基座玩法诞生。
2数据清洗：去重/过滤/质量打分成为开源必修课（后续每代数据翻倍的起点）。
3LLaMA 2：70B + 2T token + 商用许可 = 开源产业化的转折点。
4RLHF 对齐入列：Chat 版对齐成为开源标配（对应 llm-理论 03）。
5遗留课题：4K 上下文太短、70B 太贵——下一代的「数据翻倍 + 更大模型」在路上。
四、下一篇预告
第 02 篇：LLaMA 3 与 3.1——数据从 2T 暴涨到 15T（7.5 倍），性能直接对标闭源旗舰；3.1 推出 405B 开源最大旗舰，用「超级教师蒸馏」把 405B 的能力浓缩进 8B/70B。这一代证明「开源模型也能站上世界之巅」，并定义「旗舰 + 蒸馏家族」的产品结构。
参考资料
[官方] LLaMA 1：Open and Efficient Foundation Language Models（2023）：https://arxiv.org/abs/2302.13971
[官方] LLaMA 2：Open Foundation and Fine-Tuned Chat Models（2023）：https://arxiv.org/abs/2307.09288
整理：2026-10-01 月绡凝 · 依据官方技术报告。
