Meta 一口气发布了多个模型系列：包含 70 亿、130 亿和 700 亿三种参数变体，此外还训练了一个 340 亿参数变体。
公布的测评结果显示，Llama 2 在包括推理、编码、精通性和知识测试等许多外部基准测试中都优于其他开源语言模型。
不同于 ChatGPT、GPT-4 等闭源模型，由于 Llama 2 可用于商业目的，一经发布就吸引了一大波 AI 研究人员的注意。由于任何人都可以通过在 Meta 网站上填写表格来请求下载 Llama 2，根据官方消息，自发布以来，Llama 2 一周内就有超过 15 万次的下载请求。Meta 对于这一数字的描述是难以置信，并且用户请求数量还在增长。
Llama 2 请求地址：https://ai.meta.com/resources/models-and-libraries/llama-downloads/
随着 Llama 2 的逐渐走红，大家对它的二次开发开始流行起来。前几天，OpenAI 科学家 Karpathy 利用周末时间开发了一个明星项目 llama2.c，借助 GPT-4，该项目仅用 500 行 C 语言就实现了对 Llama 2 baby 模型的推理。该项目可以在苹果 M1 笔记本上每秒输出 98 个 token。
刚刚，又有一个和 LLaMA 2 相关的项目 llama2.rs 开始得到大家的关注，项目作者是来自康奈尔大学的助理教授 Alexander Rush。
总结而言，该项目主要是用 Rust 实现 Llama2，结果表明，用这种方式实现的 LLaMA 2 非常安全，而且很快。值得一提的是，该项目用到了 Karpathy 的 llama2.c 项目的 Rust 端口。
项目地址：https://github.com/srush/llama2.rs
深度学习三巨头之一的 Yann LeCun 也宣传了一波：
接下来我们看看，如何使用 llama2.rs。
构建 llama2.rs 非常简单，只需一行代码：
> cargo build --release运行程序如下，显示 tok/s 为 0.92618316：
> target/release/llama2_rs ../llama2.c/llama2_7b.bin 0.0 11 "
The only thing"The only thing that is certain in life is change.
achieved tok/s: 0.92618316作为对比，下面是作者在电脑上运行原始 llama2.c，显示 tok/s 为 0.139889：
> ./run llama2_7b.bin 0.0 11 "
The only thing"The only thing that is certain in life is change.
achieved tok/s: 0.139889在谈到为何开发这一项目时，Alexander Rush 表示，自己只是想做一些关于 Rust 的练习，与此同时，学习该如何进行程序移植，比如内存映射、并行处理和一些数学技巧。
接下来，Alexander Rush 打算尝试移植 minitorch，感兴趣的读者可以关注一下了。
