Llama（Meta）

Llama 是 Meta 发布的开源大语言模型系列，也是开源 AI 生态最重要的基石之一。它最早只面向研究用途开放，随后逐步放开商业使用，并覆盖从可在单机运行的小尺寸到超大规模旗舰的多种规格。它真正的价值不只在模型本身，而在于一个可下载、可微调、可私有化部署的底座，让全球开发者能在没有天价预算的情况下参与大模型开发。

开放性体现在哪些层面

这里的开源主要指开放模型权重：任何人都能下载参数，在自己的机器或私有云上运行，也能用自己的数据继续训练。对个人开发者，这意味着可以离线使用、无需按调用量付费；对企业，意味着数据不出内网，更容易满足合规与安全要求。

代价是部署与维护要自己承担：显卡选型、推理框架适配、微调流程与效果评测都由使用者负责。开放权重把选择的自由连同工程的复杂度一起交给了你。

版本演进与策略变化

这条产品线经历了明显的策略转向。早期的模型仅限研究用途，权重开放但商用受限；随后的一代放开了商业使用，让企业敢于把它接入正式业务；再往后训练数据规模与上下文长度大幅提升，并推出超大参数旗舰来证明开放权重也可以冲上第一梯队；更新的一代则转向稀疏专家结构（MoE，Mixture of Experts）并加入多模态能力。

这一路线的外界评价始终存在分歧：支持者认为它把大模型能力从少数公司手里释放出来，批评者则认为开源是换取生态话语权的商业手段。无论动机如何，可下载的强模型确实降低了整个行业参与大模型的门槛。

它撑起了哪些生态

Llama 的影响远超单一模型。大量开源模型在早期直接沿用它公开的结构与训练范式，其中就包括不少中文模型；面向消费级显卡的轻量推理工具链最初也以支持 Llama 为起点，逐步长成今天完整的本地部署方案。

结果是本地 AI 成为一条独立路线：个人电脑上跑对话助手、企业内网部署私有知识问答、边缘设备上做离线语音与文本处理，都建立在这一类开放权重模型之上。

实践要点

• 按硬件选尺寸：先看显存容量，再决定用哪个参数量级，并用量化版本换取更低门槛
• 中文任务要实测：英文表现好不代表中文同样出色，务必用自己的业务语料做对比
• 微调前先做提示工程：多数场景通过提示模板与检索增强即可解决，微调是最后手段
• 核对许可条款：开放权重通常附带使用条件与命名要求，商用前逐条确认

常见误区

• 把开放权重等同完全自由：许可仍有约束，且不提供官方服务质量保证
• 以为开源就是落后：在私有化、可定制与成本可控上，开源路线具备闭源服务无法替代的优势
• 忽视推理成本：自建服务省下调用费，但显卡、电力与运维同样计入总成本
• 只追最新最大：小尺寸模型配上针对性微调，常在特定任务上比通用大模型更划算