#Llama 3.2
Llama-Guard-3-1B - 改进AI模型内容安全分类，降低在多平台部署成本
MetaGithub开源项目内容安全文本生成模型许可Llama 3.2Huggingface模型
Llama Guard 3-1B是一款专为内容安全分类设计的精调模型，能够识别大规模语言模型输入和输出中的安全性问题。模型优化后符合MLCommons标准，并降低了在移动设备上的部署成本。可通过transformers库或原始llama代码库调用，支持自定义和剔除类别。提供1B及其精简版两种版本，适用于多种操作环境。
Llama-3.2-1B-Instruct-GGUF - 通过量化优化技术改进多语言文本生成
社区许可证MetaGithub开源项目许可协议Llama 3.2HuggingfaceLLM模型
本项目采用llama.cpp和imatrix量化技术，提高了多语言文本生成的能力。结合Bartowski的校准文件，以及IQ和Q系列多种量化方法，明显降低了模型的困惑度并提高了文本生成的准确性。这些优化在多种条件下保持高效，且降低了存储空间的需求，提供更灵活的AI应用优化和部署方案。
Llama-3.2-1B-Instruct-4bit - 精简高效的多语言文本生成工具
HuggingfaceLlama 3.2可接受使用政策Meta模型许可协议Github开源项目机器学习
Llama-3.2-1B-Instruct-4bit是从Meta的Llama 3.2-1B-Instruct模型转换为MLX格式的产品，支持包括英语、德语、法语在内的多语言文本生成。引入4bit量化技术以提升运行效率与支持更大输入扩展。提供便捷的Python接口以实现文本生成，适合对话系统和内容创作等应用。遵循Meta的社区许可协议以确保合法使用。
Llama-3.2-3B-Instruct-GGUF - Llama 3.2多语言模型的高效量化部署方案
Llama 3.2语言模型多语言模型Github量化模型机器学习开源项目Huggingface
Llama 3.2系列多语言模型的GGUF量化版本，针对对话、检索和摘要任务进行优化。通过多种量化方案实现4.66GB至9.38GB的灵活内存占用，适合在资源受限环境部署。该模型在主流行业基准测试中展现了良好性能。
Llama-3.2-3B-GGUF - 高性能多语言型大语言模型支持8种语言
Github机器学习开源项目模型语言模型多语言人工智能HuggingfaceLlama 3.2
Llama-3.2-3B是Meta开发的多语言大型语言模型,支持8种语言,适用于对话和代理任务。本项目使用llama.cpp对原模型进行量化,保留了128k上下文长度和分组查询注意力等特性。该模型在行业基准测试中表现优异,可用于聊天、知识检索、摘要等自然语言生成任务,适合商业和研究使用。
Llama-3.2-1B - 提升2.4倍速度的语言模型微调框架
Github开源项目Unsloth模型模型微调Huggingface内存优化多语言支持Llama 3.2
Meta发布的Llama-3.2-1B是一款支持8种语言的大规模语言模型。通过集成Unsloth工具，该项目实现了模型微调速度提升2.4倍、内存占用降低58%的性能优化。项目提供Google Colab环境支持，可快速进行模型训练，并支持将成果导出为GGUF、vLLM格式或部署至Hugging Face平台。
Llama-3.2-11B-Vision-Instruct-bnb-4bit - Llama 3.2视觉语言模型的4bit优化版实现快速低资源微调
大语言模型Github开源项目模型模型微调MetaHuggingface深度学习Llama 3.2
Llama 3.2系列模型的4bit优化版专注多语言对话和视觉语言处理。Unsloth优化提升训练速度2.4倍，节省58%内存。支持8种官方语言，适用对话生成、检索和总结任务。采用优化Transformer架构，通过SFT和RLHF实现人类偏好对齐，保证高效性能和安全性。该版本为开源社区提供了更易于部署和微调的Llama 3.2模型选择。
Llama-3.2-90B-Vision - 前沿视觉语言模型助力图像识别和推理
MetaGithub开源项目Llama 3.2计算机视觉自然语言处理Huggingface多模态大语言模型模型
Llama-3.2-90B-Vision是Meta开发的多模态大语言模型,支持图像和文本输入并输出文本。该模型在视觉识别、图像推理、描述和问答等任务中表现优异,性能超越多个开源和闭源多模态模型。基于Llama 3.1文本模型,通过视觉适配器实现图像理解,支持128K上下文长度。经指令微调后可用于商业和研究,适用于多种视觉语言任务。使用需遵守Llama 3.2社区许可协议。
Llama-3.2-11B-Vision-Instruct - Meta推出支持图文交互的语言模型
多模态大语言模型图像识别Llama 3.2Meta模型Github开源项目问答系统Huggingface
Llama-3.2-11B-Vision-Instruct是一款由Meta开发的大型语言模型，集成了文本理解和图像识别能力。模型采用11B和90B两种参数规模，支持128K长度的上下文处理。基于Llama 3.1架构，通过监督学习和人类反馈优化，在视觉问答、图像描述、文档理解等任务中展现出优秀性能。该项目开放商用授权，需遵循Llama 3.2社区许可协议。
Llama-3.2-1B - 多语言大型语言模型引领自然语言处理新纪元
社区许可Huggingface开源项目多语言模型MetaGithub生成模型Llama 3.2
Llama 3.2是由Meta开发的多语言大型语言模型，通过优化的Transformer架构和多语言对话定制，尤其适用于问答、总结等任务。支持8种语言，可进行超越官方语言的定制训练，以适应多种自然语言生成任务。此项目展示了语言模型在商业和研究应用中日益增长的重要性，提供高效的多语言文本生成能力，助力移动AI写作助手等智能应用的发展。用户需遵循Llama 3.2社区许可规定，确保使用场景的安全性和合规性。
Llama-3.2-3B - 利用优化技术实现提速和内存节省的开源语言模型项目
Llama 3.2算力优化模型Github开源项目大语言模型多语言处理模型微调Huggingface
这是一个基于Unsloth技术的大型语言模型优化项目。支持8种官方语言，采用改进的transformer架构和GQA技术。训练速度提升2.4倍，内存使用减少58%。提供Google Colab环境，支持对话、文本补全等场景的模型微调，适合各级用户。该项目基于Meta的原始模型，遵循社区许可协议。
Llama-3.2-3B-Instruct-GGUF - 多语言模型优化文本生成与对话
多语言文本生成元学习Llama 3.2MetaHuggingfaceGithub开源项目模型许可协议
Llama 3.2作为多语言生成模型，通过优化变换器架构，在文本生成和对话中表现出色，适用于商业和研究。支持英语、德语、法语等多种语言，并可通过监督微调和人类反馈提升性能，特别在信息检索和总结任务中表现优异。使用需遵循许可协议。
Llama-3.2-3B-Instruct-4bit - MLX框架专用的Llama 3.2指令模型4位精度优化版
开源许可机器学习Huggingface开源项目模型MLX框架Github语言模型Llama 3.2
这是基于Meta原版Llama-3.2-3B-Instruct转换的MLX框架专用模型，采用4位精度量化以提升效率。模型支持英语、德语、法语等多种语言处理能力，通过mlx-lm库即可实现模型加载和文本生成。该模型遵循Llama 3.2社区许可协议，保持了原版模型的核心功能。
Llama-3.2-3B-Instruct-abliterated - 模型性能改进与评估提升
abliterationLlama 3.2无删减评估模型Github开源项目Huggingface
Llama 3.2 3B Instruct经过aboliteration技术处理，生成未审查版本，其在IF_Eval、MMLU Pro、TruthfulQA等基准测试中取得了小幅性能提升，适合对未审查AI模型有研究兴趣的技术人员和研究者进行进一步分析和使用。
Llama-3.2-1B-Instruct-GGUF - 多语言大型语言模型提升对话与摘要任务表现
社区许可协议HuggingfaceLlama 3.2Meta模型Github开源项目大语言模型多语言
Meta的多语言大模型Llama 3.2支持多种语言，优化对话与摘要任务。模型提供1B和3B版本，通过监督微调和人类反馈强化学习提升互动有用性与安全性。采用优化的Transformer架构，并利用Grouped-Query Attention提升推理能力。开发者可以根据需求进行模型微调。模型发布于2024年9月25日，采用商用许可协议，建议在商业与研究中谨慎使用。
Llama-3.2-1B-Instruct-GGUF - 多语言模型优化，提升对话和信息处理效率
Github生成模型开源项目行业基准Llama 3.2模型多语言对话Huggingface优化
这个项目提供了经过优化的多语言大语言模型，提升了对话应用的效果和效率。Llama 3.2系列在1B和3B规格中进行了预训练及指令优化，能够处理信息提取和文本总结等多种任务。该模型在常用的行业基准测试中表现优于许多其他开源和闭源模型。SanctumAI通过量化增加了模型的操作效率，并提供多种量化选项以适应不同的硬件需求。在多语言对话的使用案例中，这些优化后的模型确保了良好的性能表现。