Einführung in "Building with Llama 4." Dieser kurze Kurs wurde in Zusammenarbeit mit @Meta @AIatMeta erstellt und wird von @asangani7, dem Direktor für Partnertechnik des AI-Teams von Meta, gelehrt. Metas neues Llama 4 hat drei neue Modelle hinzugefügt und die Mixture-of-Experts (MoE) Architektur in seine Familie von offenen Modellen eingeführt, was sie effizienter macht. In diesem Kurs werden Sie mit zwei der drei neuen Modelle arbeiten, die in Llama 4 eingeführt wurden. Zuerst ist da Maverick, ein Modell mit 400B Parametern, 128 Experten und 17B aktiven Parametern. Zweitens ist Scout, ein Modell mit 109B Parametern, 16 Experten und 17B aktiven Parametern. Maverick und Scout unterstützen lange Kontextfenster von bis zu einer Million Tokens bzw. 10M Tokens. Letzteres reicht aus, um sogar recht große GitHub-Repos direkt zur Analyse einzugeben! In praktischen Lektionen werden Sie Apps mit den neuen multimodalen Fähigkeiten von Llama 4 erstellen, einschließlich des Denkens über mehrere Bilder hinweg und der Bildverankerung, bei der Sie Elemente in Bildern identifizieren können. Sie werden auch die offizielle Llama-API verwenden, mit den langen Kontextfähigkeiten von Llama 4 arbeiten und mehr über Llamas neueste Open-Source-Tools erfahren: sein Tool zur Optimierung von Eingabeaufforderungen, das automatisch Systemaufforderungen verbessert, und das Kit für synthetische Daten, das hochwertige Datensätze für das Fine-Tuning generiert. Wenn Sie ein offenes Modell benötigen, ist Llama eine großartige Option, und die Llama 4-Familie ist ein wichtiger Bestandteil des Werkzeugkastens eines jeden GenAI-Entwicklers. Durch diesen Kurs lernen Sie, Llama 4 über die API aufzurufen, seine Optimierungstools zu verwenden und Funktionen zu erstellen, die Text, Bilder und großen Kontext umfassen. Bitte melden Sie sich hier an: