最近Meta发布了多模态Llama 3.2新模型，能够同时理解图像和文本。此次一共发布了四个版本，分别为Llama 3.2 1B、Llama 3.2 3B、Llama 3.2 90B和Llama 3.2 11B。
其中Llama 3.2 1B和Llama 3.2 3B是整个系列最轻量级的模型，适合边缘设备和移动应用程序的检索和摘要，可用于个人信息管理和多语言知识检索等，支持128k标记的上下文长度，可在手机、平板电脑等设备中使用。而Llama 3.2 90B和Llama 3.2 11B则是Llama首次发布的多模态大模型，能理解和推理图像，实现文档分析、图像字幕和视觉问答等任务。
Llama 3.2新模型四个版本介绍
1、Llama 3.2 1B
Llama 3.2 1B是Llama 3.2模型系列中最轻量级的模型，非常适合边缘设备和移动应用程序的检索和摘要。该模型非常适合个人信息管理和多语言知识检索使用。
2、Llama 3.2 3B
Llama 3.2 3B是专为需要低延迟推理和有限计算资源的应用而设计。它擅长文本摘要、分类和语言翻译任务。该模型非常适合移动人工智能写作助手和客户服务应用使用。
3、Llama 3.2 90B
Llama 3.2 90B版本擅长常识、长文本生成、多语言翻译、编码、数学和高级推理等，还引入了图像推理功能，可完成图像理解和视觉推理任务，能进行图像标题生成、图像文本检索、视觉基础、视觉问题解答和视觉推理，以及文档视觉问题解答等。
4、Llama 3.2 11B
Llama 3.2 11B版本适合内容创建、对话式人工智能、语言理解和需要视觉推理的企业应用。在文本摘要、情感分析、代码生成和执行指令方面表现出色，也增加了图像推理能力，其用例与90B版本类似，包括图像标题生成、图像文本检索、视觉基础、视觉问题解答和视觉推理，以及文档视觉问题解答等。
据研究人员测试，Llama 3.2模型在图像识别和视觉理解基准测试中与领先的闭源模型（如Claude 3 haiku等）具有竞争力。
