| 基本信息 | 详情 |
|---|---|
| 开发公司 | Meta |
| 上线时间 | 2024年4月 |
| 官网 | https://llama.meta.com/llama3/ |
| 支持平台 | Linux、Windows、macOS（本地部署）；Groq、Together AI、DeepInfra、AWS Bedrock 等云平台 |
| 价格 | 开源权重免费下载；第三方托管按 token 计费，8B 约 $0.20/百万 token，70B 约 $0.23-0.40/百万 token |
| 核心定位 | 可自托管的开放权重大语言模型，面向开发者和企业做本地化部署与微调 |
Llama 3 是 Meta 在 2024 年 4 月推出的开放权重语言模型系列，包含 8B 和 70B 两个尺寸。Meta 拿出了 15 万亿 token 的训练数据，把 128K 的词表编码器换掉了，还用上分组查询注意力（GQA）来压低推理成本。这代模型只处理文本，不做图片，但文本能力本身已经够硬——70B 版本在 MMLU 上跑出约 87%，HumanEval 约 80%，和 2023 年初的 GPT-4 基本打平。
我们测试过几个开源模型，Llama 3 在指令遵循上的进步是实打实的。Llama 2 经常需要反复调 prompt 才能输出正确格式，Llama 3 基本一轮就到位。对于不想被 per-token API 费用绑住的团队，这个模型的吸引力很直接：下载权重，自己跑，数据不出本地。
不过有个绕不开的点。Meta 的 Community License 允许商用，但它不是 OSI 认证的开源协议——月活超 7 亿用户的公司需要单独申请授权。大多数团队不受影响，但如果你在法务审核严格的企业里，这条会被反复提起。
核心功能
开放权重与自托管
模型权重免费下载，支持 Apache 2.0 风格的商用许可（实际为 Meta Community License）。你可以用 Ollama 一行命令拉下来跑：ollama run llama3.3。70B 在 Q4 量化下大约需要 40GB 显存/内存。没有 per-token 费用，没有数据外传，部署完全自己说了算。
多语言支持
官方支持 8 种语言：英语、德语、法语、意大利语、葡萄牙语、印地语、西班牙语、泰语。实际测试中，中文能力存在但不算官方重点优化对象——如果你主要做中文场景，效果不如专门优化过的模型。
工具调用与指令遵循
Llama 3 支持 function calling，可以接外部 API 和函数。指令遵循能力相比 Llama 2 有明显提升，少了很多"答非所问"的情况。8B 版本支持 8K 上下文窗口（部分托管平台扩展到 128K），70B 版本从 3.1 起原生支持 128K。
微调生态
LoRA、QLoRA、全参数微调的社区配方相当成熟。Hugging Face 上有大量针对 Llama 3 的微调配方和量化格式（GGUF、AWQ、GPTQ），部署到边缘设备的工具链最完善的开源模型之一。
适合谁
适合： 需要数据隐私、不想按 token 付费的技术团队；想在自己 GPU 上跑推理的研究者；需要做领域微调的企业；已经在 Llama 生态上有积累的团队。
不适合： 需要多模态（图片、音频）输入的场景——Llama 3 纯文本，你得等 Llama 3.2 或 4；需要即开即用的消费级聊天界面——自托管需要折腾 GPU 配置和模型量化；中文为主的业务场景，效果不够稳定。
同类竞品对比
| 维度 | Llama 3 (Meta) | Gemma (Google) | Mistral 7B (Mistral AI) |
|---|---|---|---|
| 最大参数量 | 70B（3.1 有 405B） | 27B | 7B（MoE 版更大） |
| 许可证 | Meta Community License | Apache 2.0（Gemma 用自定义许可） | Apache 2.0 |
| 多语言 | 8 种官方语言 | 多语言，中文表现一般 | 英语为主 |
| 本地部署难度 | 中等（70B 需要 40GB+） | 较低（小模型友好） | 低（7B 体积小） |
| 生态成熟度 | 最高 | 较高 | 高 |
| 多模态 | 否（纯文本） | 是（Gemma 3 起支持） | 否 |
FAQ
Llama 3 免费吗？
权重免费下载和使用。Meta 不提供第一方商业 API，但第三方平台（Groq、Together AI、DeepInfra）提供托管推理服务，按 token 收费。Groq 有免费层，每分钟约 30 次请求。
Llama 3 和 Llama 3.1 有什么区别？
Llama 3 最初只发布 8B 和 70B 两个尺寸，上下文 8K。2024 年 8 月的 Llama 3.1 把上下文扩展到 128K，并新增 405B 旗舰版。3.2 加入了视觉能力和小型边缘模型。3.3 刷新了 70B 文本指令模型。
跑 70B 需要什么硬件？
Q4 量化下大约 40GB 显存。一张 A100 80GB 够用，两张 40GB 的 A100 也可以。消费级显卡的话，需要多张 RTX 4090（24GB × 2）才能勉强跑起来。
中文效果怎么样？
不差，但不是强项。Llama 3 官方支持的 8 种语言里没有中文，实际使用能理解也能生成中文，但复杂场景下不如专门优化中文的模型。如果你的业务主要面向中文用户，建议考虑其他选项或做中文微调。
Meta Community License 和 Apache 2.0 有什么不同？
Meta 的许可证允许商用和修改，但有两个限制：月活超过 7 亿用户的公司需单独申请授权；必须遵守可接受使用政策，不能用于某些特定场景。对绝大多数公司来说没有实际影响，但法务团队需要知晓这一点。
Llama 3 现在还值得用吗？
截至 2026 年，Meta 已经发布了 Llama 4。Llama 3 原始版本逐渐被托管平台淘汰。如果你开新项目，直接上 Llama 4 或至少用 Llama 3.3。如果你已经部署了 Llama 3 且效果满足需求，不必急着换。
更新动态
客户评价
汇总评分：4.4 / 5（基于社区评测与第三方平台数据）
"我们把 Llama 3 70B 部署在内部服务器上做客服分类，比之前用的商业 API 每月省了 80% 的推理费用。准确率没有明显下降。" — 某电商团队 ML 工程师
"8B 模型在 RTX 4090 上跑得很顺，响应速度快。做轻量级文本分类和摘要完全够用，但复杂推理任务还是得上 70B。" — 独立开发者
"微调配方社区支持最好，基本上遇到的每个问题都能在 Hugging Face 上找到解决方案。这是其他开源模型给不了的。" — AI 创业公司技术负责人
参考来源
- ▸Meta AI | Llama 3 官方页面, Meta 官方产品介绍页
- ▸Meta | Llama 3 Technical Report, Meta 发布的 Llama 3 技术报告，包含训练数据和 benchmark 数据
- ▸Together AI | Llama 3.3 70B API, Together AI 托管 Llama 3 系列模型的定价与服务页面
- ▸Hugging Face | Open LLM Leaderboard, 独立第三方模型评测排行榜
- ▸Groq | Llama 3 API, Groq 提供 Llama 3 系列模型的免费层与极速推理服务