Présentation de "Construire avec Llama 4." Ce cours court est créé avec @Meta @AIatMeta, et enseigné par @asangani7, Directeur de l'ingénierie des partenaires pour l'équipe AI de Meta. Le nouveau Llama 4 de Meta a ajouté trois nouveaux modèles et introduit l'architecture Mixture-of-Experts (MoE) à sa famille de modèles à poids ouverts, les rendant plus efficaces à servir. Dans ce cours, vous travaillerez avec deux des trois nouveaux modèles introduits dans Llama 4. Le premier est Maverick, un modèle de 400B paramètres, avec 128 experts et 17B paramètres actifs. Le second est Scout, un modèle de 109B paramètres avec 16 experts et 17B paramètres actifs. Maverick et Scout prennent en charge de longues fenêtres de contexte allant jusqu'à un million de tokens et 10M tokens, respectivement. Ce dernier est suffisant pour permettre l'entrée directe même de dépôts GitHub assez volumineux pour analyse ! Dans des leçons pratiques, vous construirez des applications utilisant les nouvelles capacités multimodales de Llama 4, y compris le raisonnement à travers plusieurs images et le grounding d'images, dans lequel vous pouvez identifier des éléments dans les images. Vous utiliserez également l'API officielle de Llama, travaillerez avec les capacités de long contexte de Llama 4, et apprendrez à connaître les nouveaux outils open-source de Llama : son outil d'optimisation de prompt qui améliore automatiquement les prompts système et son kit de données synthétiques qui génère des ensembles de données de haute qualité pour le fine-tuning. Si vous avez besoin d'un modèle ouvert, Llama est une excellente option, et la famille Llama 4 est une partie importante de la boîte à outils de tout développeur GenAI. Grâce à ce cours, vous apprendrez à appeler Llama 4 via API, à utiliser ses outils d'optimisation, et à construire des fonctionnalités qui englobent texte, images et grands contextes. Veuillez vous inscrire ici :