12月6日，Meta AI推出了新开源模型Llama 3.3 70B。Meta AI副总裁Ahmad Al-Dahle在社交媒体平台发布的一篇帖子中表示，这款仅支持文本的Llama 3.3 70B模型与Meta最大型模型Llama 3.1 405B的性能相当，但运行起来更简单、更经济高效。

据了解，Llama 3.3 70B上下文长度为128K，是一款自回归（auto-regressive）语言模型，使用优化的transformer架构，其调整版本使用了监督式微调（SFT）和基于人类反馈的强化学习（RLHF），以符合人类对有用性和安全性的偏好。

在针对大模型语言理解能力的一系列行业基准测试之中，Llama 3.3 70B的表现优于谷歌的Gemini 1.5 Pro、OpenAI的GPT-4o等模型。其中，在指令遵循（IFEval）、数学（MATH）、推理（GPQA Diamond）等领域，水平更是都超过了自家的大型模型Llama 3.1 405B。不仅如此，在语言（MMLU）、代码（HumanEval）、长文本和多语种能力上，成绩也和Llama 3.1 405B比较接近。

> 在302.AI上使用

按照惯例，302.AI第一时间上线了Llama 3.3 70B模型，用户可以在聊天机器人或者API超市获取该模型，而且302.AI提供按需付费的使用方式，无捆绑套餐和月费，更灵活便捷！以下是具体的步骤：

【聊天机器人】

进入302.AI，在左侧菜单栏点击【使用机器人】——【聊天机器人】——选择【模型】——下滑至开源模型找到【Llama-3.3-70B】——点击【确定】按钮，最后创建聊天机器人即可。

点击左下角的设置，即可打开Artifacts功能。

【API超市】

在左侧菜单栏点击【使用API】——【API超市】——分类中选择【语言大模型】——【开源模型】。

接下来可以选择【查看文档】或者【在线体验】功能。

【查看文档】：可帮助用户快速接入模型API；

【在线体验】：则可以更高效地对模型参数进行测试；

以【查看文档】为例，进入后点击左侧开源模型，然后选择Chat（LLaMA3.3）即可。

> 实测模型对比

对比模型：Llama 3.3 70B、Llama 3.1 405B、GPT-4o-2024-11-20

一、语言、推理逻辑测试

除了聊天机器人和API超市，用户还可以通过302.AI的模型竞技场直观对比不同模型的效果。

第一部分实测将会通过302.AI的模型竞技场对比模型中文支持、推理逻辑方面的表现。

实测1：中英文提示词对比测试：

提示词：如果一个房间里有1000本书，我读了2本，房间里还有多少本书？请简洁回答。

分析：这是前段时间在国外比较火的逻辑测试题目，题目本身非常简单，但这个“简单”是相对于我们人类来说的，对于大语言模型来说，这属于一个“陷阱型”题目，非常容易答错。下面看下三个模型的回答：

GPT-4o-2024-11-20：解释正确，回答正确。

Llama 3.3 70B：即使使用中文提示词提问，也没有出现模型幻觉，回答正确。

Llama 3.1 405B：回答错误，405B模型存在一个明显的问题，当使用中文提示词提问，模型更容易出现幻觉。

英文提示词提问结果如下，三个模型都是回答正确的：

实测2：中文繁体支持测试：

提示词：請給我講一個100字的故事

分析：在面对中文繁体提示词提问的情景下，三个模型都能够转换成中文繁体回答。

GPT-4o-2024-11-20：中文繁体支持。

Llama 3.3 70B：中文繁体支持。

Llama 3.1 405B：中文繁体支持。

实测3：逻辑推理测试

提示词：

分析：这是经典的逻辑分析题，正确答案是选项B。

GPT-4o-2024-11-20：答案非常长，最终的结果是正确的。

Llama 3.3 70B：分析错误，回答错误。

Llama 3.1 405B：分析错误，回答错误。

二、编程测试

第二部分为编程测试，分为编程正确性检验和编程效果对比两部分内容。

实测1、2会借助编程学习平台，从平台中找到简单-困难两种级别的编程题目提问模型，模型生成代码后，会粘贴到平台上检验对比结果。

实测3则是通过使用302.AI聊天机器人的Artifacts功能预览各模型的代码实现效果，并进行对比。

实测1：编程正确性检验-简单级别

提示词：

分析：题目一属于简单级别的算法编程题目，需要模型根据要求编写一个函数，当给定序列中对应的三角形数时，返回点的个数。

GPT-4o-2024-11-20：代码非常简洁，验证通过！

Llama 3.3 70B：可以看到，Llama会给出两个版本的代码，一个是详细版本，另一个是简洁版本，经过验证都是正确。

Llama 3.1 405B：Llama 3.1 405B生成的代码也没问题，验证通过。

实测2：编程正确性检验-困难级别

提示词：

分析：编程检验第二题为非常困难级别，如下三个模型的答案：

GPT-4o-2024-11-20：非常困难级别也没有难倒最新版GPT-4o，验证通过。

Llama 3.3 70B：虽然第二题也生成了两种版本的代码，但可惜生成的代码均有错误。

Llama 3.1 405B：令人意外的是，Llama 3.1 405B也是没有问题，代码验证通过！

实测3：编程效果对比

提示词：请用前端代码实现推箱子游戏，将所有代码放在一起输出。

分析：每个模型会在初始效果出来后，再统一给一次机会 优化，以下为优化后输出的最终效果。

GPT-4o-2024-11-20：界面设计很好看，最终输出的效果涵盖了游戏说明、开始游戏按钮等板块。游戏能通过键盘方向键直接开玩，游戏结束后会有得分提示，非常完整。

Llama 3.3 70B：从游戏界面来看，Llama 3.3 70B最终输出的效果比较简洁清晰，基本的元素虽然涵盖了，但是游戏存在bug。如下图，我们在操作的时候发现，绿色箱子通过操作移动到红、蓝箱子旁边，按理会得分，但是并没有看到分数有变化。

Llama 3.1 405B：最终实现的效果界面比较乱，看起来像没有经过排版的半成品，游戏操作和Llama 3.3 70B一样存在bug，如下图，即使红色块箱子移动到目标灰色块中，也没有实现被推动的效果。

> 总结

根据以上实测，可以初步得出以下结论：

语言、推理逻辑测试中：

1、在中文简体提示词下，Llama 3.3 70B的表现对比Llama 3.1 405B更优，能够更好地保持模型的稳定性，避免产生幻觉现象。

2、同时通过实测2可以清楚看到，Llama 3.3 70B对于中文繁体的效果是不错的。

3、在复杂的逻辑推理问题上，无论是Llama 3.3 70B还是Llama 3.1 405B，表现都不如最新版的GPT-4o。

编程测试：

1、在简单的编程测试中，Llama 3.3 70B能够生成正确且多样化的代码版本，显示出其在代码生成方面的灵活性。

2、对于困难级别的代码编程题目，表现仍显不足。

3、从编程效果对比来看，虽然Llama 3.3 70B的界面设计比Llama 3.1 405B简洁清晰，但代码实现中出现了bug。相比之下，GPT-4o在界面设计和功能实现上都表现出色，提供了更为完整的用户体验。

总的来说，Llama 3.3 70B在处理中文提示词的稳定性及对繁体中文的支持上，展现了一定的的优势。此外，Llama 3.3 70B虽然在编程上能够生成多样化的代码版本，但面对复杂任务上，局限性还是比较明显。

据说，这是Meta AI今年最后一次AI大模型更新，明年或许我们会迎来Llama 4？可以一起期待下！