---
title: "羊駝語言模型（LLaMA）"
slug: llama
language: zh-TW
source: https://aiterms.tw/terms/llama
updated_at: 2026-06-03
tags: [自然語言處理, 深度學習, 模型訓練, 大型語言模型, AI基礎, 神經網路, 生成式AI, AI倫理與治理]
ipas_term: false
---

# 羊駝語言模型（LLaMA）

> **你有沒有想過，把大型語言模型放到自己電腦或公司伺服器上跑會是什麼樣子？**
> 你可以把 LLaMA 想成一套可自己部署、可自己調整的開放權重（open-weight）語言模型。
> 它其實就是 Meta 推出的開放權重大型語言模型系列，採 Meta 自訂的 community license 授權，不是 OSI 認證的開源授權。
> 對想控制資料、成本和部署方式的人來說，它很有吸引力。
>
### 容易混淆
> **「開源」vs「開放權重」**
> LLaMA 常被叫「開源模型」，但 Meta 用的是自家的 Llama Community License，不是 OSI 認證的開源授權。
> 正確說法是 open-weight（開放權重）：權重可以下載自用，但授權有附帶條件。
>
> **LLaMA vs ChatGPT**
> LLaMA 可以自己部署，ChatGPT 主要是雲端服務。
> 一個偏開放，一個偏成品。
>
> **LLaMA vs 一般開放權重小模型**
> LLaMA 不是只有能跑，它還有較完整的生態和較強的基礎能力。
> 不同尺寸和版本會決定你能拿它做多大的事。
>
> **最關鍵的區別：** 重點不是名字像不像，而是你能不能自己掌控部署。
>
### 記住這句就好
> 能自己部署的開放權重大型語言模型。
>
### 實際案例
> **公司內部知識助理**
> 資料不能外流時，團隊會把 LLaMA 放到內網伺服器，讓員工查文件又不用把內容送到外部。
>
> **研究者本地測試**
> 研究者可以直接在本機跑小版本，先驗證提示詞、微調或量化策略，再決定要不要上更大硬體。
>
### 算法與應用
> LLaMA 是基於 Transformer 的大型語言模型，核心差異多在模型尺寸、授權和部署方式。
> 實務上常搭配量化、LoRA 微調和本地推理工具來降低成本。
> 它最重要的價值，是讓你能把大模型控制在自己的環境裡。
>
### 情境判斷
> **Q1（直覺題）： 如果你要避免文件送到外部服務，應該考慮哪種模型路線？**
>
> → 像 LLaMA 這種可本地部署的開放權重模型會更合適。
>
> **Q2（判斷題）： 只要模型權重開放下載，就一定適合直接拿去商業上線嗎？**
>
> → 不一定，還要看授權條件（如 Llama Community License 對超大規模企業的額外授權要求）、硬體成本和效能是否符合需求。
>
### 常見問題
> **Q：LLaMA 是開源（open source）的嗎？**
> 嚴格來說不是。LLaMA 採 Meta 自訂的 Llama Community License，屬於開放權重（open-weight）模型：權重可免費下載、修改與商用，但月活躍用戶超過 7 億的企業須另向 Meta 申請授權，並須遵守 Acceptable Use Policy，並非 OSI 認證的開源授權。
>
> **Q：LLaMA 和 GPT 最大差異是什麼？**
> 最大差異通常在部署與掌控權，LLaMA 更適合自己管硬體和資料，GPT 則偏向雲端成品服務。
>
> **Q：LLaMA 一定要很強的硬體嗎？**
> 不一定，小版本和量化後的模型可以在較普通的硬體上跑，但速度和能力會有取捨。
>
> **Q：LLaMA 適合用在哪些場景？**
> 適合在意資料隱私、部署彈性、成本控制的內部助理和研究場景。
>
### 相關術語
> - **大型語言模型**：先理解這個，再看 LLaMA 才知道它屬於哪一類。
> - **微調**：想把 LLaMA 調成專屬風格，這是下一步。
> - **提示工程**：很多人會先從提示設計開始玩 LLaMA。
> - **基礎模型**：LLaMA 的價值很大一部分來自這個特性。

---

來源：https://aiterms.tw/terms/llama
快查頁：https://aiterms.tw/terms/llama
外部參考：https://www.llama.com/llama3_1/license/
最後更新：2026/06/03
深度解說：https://aiterms.tw/learning/what-is-llama