近期教程：
前言
Meta Llama 3 是 Meta Inc. 开发的一系列最先进的模型，提供8B和70B参数大小（预训练或指令调整）。性能强悍，支持 AI文生图(需要下载70B)，完全开源免费。Llama 3 模型将数据和规模提升到新的高度。迄今为止最强大的 Llama 模型，它支持 8K 上下文长度，是 Llama 2 容量的两倍。
最新的 LLM排行榜（），已经把新的趋势变化凸显在所有人面前。
下图可以看的出 llama3 70B比 8B强了好多，但使用成本也高呀，普通电脑根本带不动，过两天在我 windows电脑上试试
本地为了节省空间和性能，下载安装8B参数的，模型4.7G；（70B参数的需要下载40G）。
注意：8B至少需要 6G显存才能跑起来
下面是大模型Llama3参数信息
下载 Ollama
下载下来一步步安装即可。
安装Llama3模型
models下载地址
windows、mac和 Linux安装Llama3模型的方法一样，打开终端执行即可
安装并运行 llama3模型
ollama run llama3 #或ollama run llama3:70b
总共4.7G，我这边安装了20分钟，我开的科学上网下载还算快。不开那就费劲了
测试 Llama3 模型
1、写简历
2、写一个爬虫脚本
发送指令: 从现在起，你是一个 python开发程序员，帮我写一个爬虫，爬取 youtube.com
```python import requests from bs4 import BeautifulSoup import json # 爬取 URL url = "https://www.youtube.com" # 发送 GET 请求 response = requests.get(url) # 检查响应是否成功 (200 OK) if response.status_code == 200: # 解析 HTML 内容使用 BeautifulSoup soup = BeautifulSoup(response.content, 'html.parser') # 找到首页视频列表 video_list = soup.find_all('ytd-video-renderer', limit=10) # 爬取视频信息 for video in video_list: title = video.find('h3', class_='title').text.strip() author = video.find('a', class_='yt-uix-tooltip-text').text.strip() thumbnail = video.find('img')['src'] view_count = video.find('span', class_='view-count').text.strip() # 打印爬取数据 print(f"标题：{title}, 作者：{author}, 视imeo：{thumbnail}, 浏览量：{view_count}") else: print("无法获取页面") ``` **如何使用**:* 1. 我们发送 GET 请求到 YouTube 首页 URL 使用 `requests`。 2. 我们检查响应是否成功 (200 OK)。如果不是，我们打印错误信息。 3. 我们解析 HTML 内容使用 `BeautifulSoup` 并找到首页视频列表。 4. 对于每个视频，我们爬取标题 (`h3`), 作者 (`a`), 视imeo (`img`) 和浏览量 (`span`) 使用 `find()` 方法。 5. 我们打印爬取数据。 **注意**:* * YouTube 的 robots.txt 文件中规定了爬取频率和限制，遵守这些限制，以避免被 YouTube 封禁。 * 这个爬虫可能会导致服务器压力过高，请在使用前检查是否符合 YouTube 的政策。 运行代码： ``` $ python youtube_scraper.py 标题：视频 1, 作者：约翰·史密斯, 视imeo：https://i.ytimg.com/vi/...jpg, 浏览量：10,000 标题：视频 2, 作者：简·朵, 视imeo：https://i.ytimg.com/vi/...jpg, 浏览量：5,000 ... ``` 经过测试，Llama一般2～3秒左右给回复，速度很快，这主要取决于电脑的性能
总结
使用的时候，发的中文问题，有时候却回答的英文，要想让回答都是中文，给它设定一下：请每次使用中文回答，牢记！
8B不能作图，70B又太大了，一般人玩不起哈，企业和有兴趣的朋友可以试试，普通人还是建议使用 chatgpt4哈