Vă prezentăm "Construind cu Llama 4". Acest curs scurt este creat cu @Meta @AIatMeta și predat de @asangani7, director de inginerie parteneră pentru echipa AI a Meta. Noul Llama 4 de la Meta a adăugat trei noi modele și a introdus arhitectura Mixture-of-Experts (MoE) în familia sa de modele cu greutate deschisă, făcându-le mai eficiente de servit. În acest curs, veți lucra cu două dintre cele trei modele noi introduse în Llama 4. Primul este Maverick, un model de parametri 400B, cu 128 de experți și 17B parametri activi. Al doilea este Scout, un model de 109B parametri cu 16 experți și 17B parametri activi. Maverick și Scout acceptă ferestre de context lungi de până la un milion de token-uri și, respectiv, 10 milioane de token-uri. Acesta din urmă este suficient pentru a accepta introducerea directă chiar și a depozitelor GitHub destul de mari pentru analiză! În lecțiile practice, veți construi aplicații folosind noile capabilități multimodale ale Llama 4, inclusiv raționamentul pe mai multe imagini și împământarea imaginii, în care puteți identifica elemente din imagini. Veți utiliza, de asemenea, API-ul oficial Lama, veți lucra cu abilitățile de context lung ale Llama 4 și veți afla despre cele mai noi instrumente open-source ale Llama: instrumentul său de optimizare promptă care îmbunătățește automat solicitările de sistem și kitul de date sintetice care generează seturi de date de înaltă calitate pentru reglare fină. Dacă aveți nevoie de un model deschis, Llama este o opțiune excelentă, iar familia Llama 4 este o parte importantă a setului de instrumente al oricărui dezvoltator GenAI. Prin acest curs, veți învăța să apelați Llama 4 prin API, să utilizați instrumentele sale de optimizare și să construiți funcții care acoperă text, imagini și context mare. Vă rugăm să vă înscrieți aici: