Як і всі великі технологічні компанії сьогодні, Meta має свою флагманську модель генеративного штучного інтелекту, яку називають Llama. Llama є дещо унікальною серед основних моделей, адже вона є «відкритою», що означає, що розробники можуть завантажувати та використовувати її на свій розсуд (з певними обмеженнями). Це відрізняється від моделей, таких як Claude від Anthropic, Gemini від Google, Grok від xAI та більшості моделей ChatGPT від OpenAI, які доступні лише через API.
В інтересах надання вибору розробникам, Meta також уклала партнерство з постачальниками, такими як AWS, Google Cloud і Microsoft Azure, щоб зробити хмарні версії Llama доступними. Крім того, компанія публікує інструменти, бібліотеки та рецепти у своєму кулінарному посібнику Llama, щоб допомогти розробникам налаштовувати, оцінювати та адаптувати моделі під свої потреби. З новими поколіннями, такими як Llama 3 і Llama 4, ці можливості розширилися на підтримку мультимодальних функцій та більше хмарних впроваджень.
Ось все, що потрібно знати про Llama від Meta, від її можливостей і версій до місць, де її можна використовувати. Ми будемо оновлювати цю інформацію у міру виходу оновлень від Meta та впровадження нових інструментів для підтримки використання моделі.
Що таке Llama
Llama — це сім’я моделей — не одна єдина модель. Остання версія — Llama 4; вона була випущена у квітні 2025 року і включає три моделі:
- Scout: 17 мільярдів активних параметрів, 109 мільярдів загальних параметрів і контекстне вікно в 10 мільйонів токенів.
- Maverick: 17 мільярдів активних параметрів, 400 мільярдів загальних параметрів і контекстне вікно в 1 мільйон токенів.
- Behemoth: Ще не випущена, але матиме 288 мільярдів активних параметрів і 2 трильйони загальних параметрів.
(У термінах науки про дані токени — це підрозділені частки сирих даних, такі як склади «fan», «tas» і «tic» у слові «fantastic». )
Контекст моделі або контекстне вікно визначає вхідні дані (наприклад, текст), які модель враховує перед створенням виходу (наприклад, додаткового тексту). Довгий контекст може запобігти «забуванню» вмісту нещодавніх документів і даних, а також відхиленню від теми та помилковим висновкам. Однак, довші контекстні вікна також можуть призвести до того, що модель «забуває» певні заходи безпеки і може бути більш схильною до виробництва вмісту, що відповідає розмові, що привело деяких користувачів до ілюзійного мислення.
Для довідки, контекстне вікно в 10 мільйонів токенів, яке обіцяє Llama 4 Scout, приблизно відповідає змісту 80 середніх романів. Контекстне вікно у 1 мільйон токенів для Llama 4 Maverick дорівнює приблизно восьми романам.
Усі моделі Llama 4 були навчено на «великих обсягах не підписаного тексту, зображень та відеоданих» для забезпечення «широкого візуального розуміння», а також на 200 мовах, згідно з інформацією Meta.
Llama 4 Scout і Maverick є першими відкритими нативно мультимодальними моделями Meta. Вони побудовані на основі архітектури «мішок експертів» (MoE), що зменшує обчислювальне навантаження і підвищує ефективність під час навчання та інференції. Наприклад, Scout має 16 експертів, а Maverick — 128 експертів.
Llama 4 Behemoth включає 16 експертів, і Meta називає цю модель вчителем для менших моделей.
Llama 4 розвивається з серії Llama 3, до якої входили моделі 3.1 і 3.2, які широко використовувалися для налаштування застосувань та хмарного впровадження.
На що здатна Llama
Як і інші моделі генеративного ШІ, Llama може виконувати широкий спектр допоміжних завдань, таких як кодування та відповідь на базові математичні питання, а також підсумовувати документи принаймні 12 мовами (арабською, англійською, німецькою, французькою, гінді, індонезійською, італійською, португальською, іспанською, тагальською, тайською та в’єтнамською). Більшість текстових завдань — наприклад, аналіз великих файлів, таких як PDF і електронні таблиці — входять до її можливостей, і всі моделі Llama 4 підтримують текстовий, зображеневий та відео вхід.
Llama 4 Scout розроблено для тривалих потоків роботи та масового аналізу даних. Maverick є універсальною моделлю, яка краще балансує потужність міркування та швидкість відповіді і підходить для кодування, чат-ботів і технічних асистентів. А Behemoth створено для проведення передових досліджень, дистиляції моделей та STEM-завдань.
Моделі Llama, включаючи Llama 3.1, можуть бути налаштовані для використання сторонніх застосунків, інструментів та API для виконання завдань. Вони навчені використовувати Brave Search для відповідей на питання про нещодавні події; API Wolfram Alpha для математичних і наукових запитів; і Python-інтерпретатор для перевірки коду. Однак ці інструменти вимагають належної конфігурації і не активуються автоматично.
Де я можу використовувати Llama
Якщо ви хочете просто поспілкуватися з Llama, вона забезпечує досвід чат-бота Meta AI на Facebook Messenger, WhatsApp, Instagram, Oculus та Meta.ai у 40 країнах. Налаштовані версії Llama використовуються в Meta AI у понад 200 країнах і територіях.
Моделі Llama 4 Scout і Maverick доступні на Llama.com та у партнерів Meta, включаючи платформу розробки ШІ Hugging Face. Behemoth все ще перебуває на стадії навчання. Розробники, які працюють з Llama, можуть завантажувати, використовувати або налаштовувати модель на більшості популярних хмарних платформ. Meta стверджує, що вони мають понад 25 партнерів, які хостять Llama, включаючи Nvidia, Databricks, Groq, Dell і Snowflake. І хоча «продаж доступу» до відкритих моделей Meta не є бізнес-моделлю компанії, вона отримує дохід через угоди про розподіл доходів з хостами моделей.
Деякі з цих партнерів розробили додаткові інструменти та послуги на основі Llama, включаючи інструменти, які дозволяють моделям звертатися до власних даних і запускатися з меншими затримками.
Важливо зазначити, що ліцензія на Llama обмежує способи, якими розробники можуть впроваджувати модель: розробники додатків з більш ніж 700 мільйонами щомісячних користувачів повинні подати запит на спеціальну ліцензію від Meta, яку компанія надасть на свій розсуд.
У травні 2025 року Meta запустила нову програму для стимулювання стартапів впроваджувати свої моделі Llama. Llama для стартапів надає компаніям з боку команди Llama Meta та доступ до потенційного фінансування.
Окрім Llama, Meta пропонує інструменти, призначені для забезпечення більшої безпеки використання моделі:
- Llama Guard, рамки модерації.
- CyberSecEval, набір для оцінки ризиків у сфері кібербезпеки.
- Llama Firewall, механізм захисту, призначений для забезпечення безпечного створення систем штучного інтелекту.
- Code Shield, який забезпечує підтримку фільтрації небезпечного коду, що генерують LLM.
Llama Guard намагається виявити потенційно проблемний контент, або ввели в модель, або згенерували модель, включаючи контент, що стосується злочинної діяльності, експлуатації дітей, порушення авторських прав, ненависті, самопошкодження та сексуального насильства.
Проте це не є панацеєю, оскільки попередні рекомендації Meta дозволяли чат-боту вести чутливі та романтичні бесіди з підлітками, і деякі звіти показують, що це призводило до сексуальних розмов. Розробники можуть налаштовувати категорії заблокованого контенту та застосовувати блокування до всіх мов, які підтримує Llama.
Як і Llama Guard, Prompt Guard може блокувати текст, призначений для Llama, але тільки текст, що має намір «атаки» на модель, щоб змусити її поводитися небажаним чином. Meta стверджує, що Llama Guard може захистити від явно зловмисних запитів (тобто jailbreaks, які намагаються обійти вбудовані механізми безпеки Llama), а також запитів, які містять «ін’єковані дані». Llama Firewall працює над виявленням і запобіганням ризикам, таким як ін’єкція запитів, небезпечний код і ризиковані взаємодії з інструментами. А Code Shield допомагає зменшити ризик небезпечних кодових рекомендацій та пропонує безпечне виконання команд для семи мов програмування.
Що стосується CyberSecEval, він є більше набором еталонів для оцінки безпеки моделі. CyberSecEval може оцінити ризик, який представляє модель Llama (принаймні згідно з критеріями Meta) для розробників додатків і кінцевих користувачів у таких галузях, як «автоматизоване соціальне інженерування» та «масштабування агресивних кібероперацій».
Обмеження Llama
Llama має певні ризики та обмеження, як і всі моделі генеративного ШІ. Наприклад, хоча її остання модель має мультимодальні функції, вони, на даний момент, переважно обмежені англійською мовою.
Заглядаючи в минуле, Meta використовувала набір піратських електронних книг та статей для навчання своїх моделей Llama. Неодавно федеральний суд на боці Meta в справі про авторські права, поданій 13 авторами книг, ухвалив, що використання захищених авторським правом творів для навчання підпадає під категорію «добросовісного використання». Однак, якщо Llama відтворює захищений фрагмент, і хтось використовує його в продукті, це може призвести до порушення авторських прав.
Meta також спірно тренує свій ШІ на публікаціях, фотографіях та підписах у Instagram і Facebook, ускладнюючи для користувачів можливість відмовитися.
Програмування — ще одна область, де варто бути обережним при використанні Llama. Це пов’язано з тим, що Llama може, можливо, більше ніж її генертивні аналоги, створювати buggy або небезпечний код. На LiveCodeBench, еталоні, що тестує моделі ШІ на конкурентних кодінгових завданнях, модель Llama 4 Maverick отримала 40%. Це в порівнянні з 85% для GPT-5 від OpenAI і 83% для Grok 4 Fast від xAI.
Як завжди, найкраще, щоб людина-експерт перевірила будь-який код, згенерований ШІ, перед його впровадженням у сервіс чи софт.
Нарешті, як і інші моделі ШІ, моделі Llama все ще можуть генерувати ймовірно правдоподібну, але помилкову або оманливу інформацію, чи то в програмуванні, юридичних консультаціях, чи в емоційних розмовах з персонажами ШІ.
