Llama 3.3 70B Instruct, ontwikkeld door Meta, is een meertalig groot taalmodel dat specifiek is afgestemd op instructiegebaseerde taken en geoptimaliseerd voor conversatietoepassingen. Het kan tekst in meerdere talen verwerken en genereren, met een contextvenster dat tot 128.000 tokens ondersteunt. Gelanceerd op 6 december 2024, overtreft het model talrijke open-source en propriëtaire chatmodellen in verschillende branchebenchmarks. Het maakt gebruik van Grouped-Query Attention (GQA) om de schaalbaarheid te verbeteren en is getraind op een diverse dataset van meer dan 15 biljoen tokens uit openbaar beschikbare bronnen. De kennis van het model is actueel tot december 2023.
Website AI Model Webpagina | |
Aanbieder De entiteit die dit model aanbiedt. | |
Chat Voer een bericht in om te beginnen met chatten | - |
Releasedatum Wanneer het model voor het eerst is vrijgegeven. | 1 jaar ago Dec 06, 2024 |
Modaliteiten Soorten gegevens die dit model kan verwerken | tekst |
API-Aanbieders De aanbieders die dit model leveren. (Dit is geen uitputtende lijst.) | Fireworks, Together, DeepInfra, Hyperbolic |
Kennisafsluitdatum Wanneer de kennis van het model voor het laatst is bijgewerkt. | 12.2024 |
Open Source Of de code van het model beschikbaar is voor publiek gebruik. | Ja |
Prijzen Invoer Kosten voor het verwerken van tokens in uw prompts | $0.23 per miljoen tokens |
Prijzen Uitvoer Kosten voor tokens gegenereerd door het model | $0.40 per miljoen tokens |
MMLU Massive Multitask Language Understanding - Test kennis over 57 onderwerpen, waaronder wiskunde, geschiedenis, recht en meer | 86% 0-shot, CoT Bron |
MMLU-Pro Een robuustere MMLU-benchmark met moeilijkere, op redenering gerichte vragen, een grotere keuzeset en verminderde gevoeligheid voor prompts | 68.9% 5-shot, CoT Bron |
MMMU Massive Multitask Multimodal Understanding - Test begrip van tekst, afbeeldingen, audio en video | Niet beschikbaar |
HellaSwag Een uitdagende benchmark voor zinsvoltooiing | Niet beschikbaar |
HumanEval Evalueert codegeneratie en probleemoplossende vaardigheden | 88.4% pass@1 Bron |
MATH Test wiskundige probleemoplossende vaardigheden op verschillende moeilijkheidsniveaus | 77% 0-shot, CoT Bron |
GPQA Test PhD-niveau kennis in scheikunde, biologie en natuurkunde door meerkeuzevragen die diepgaande domeinkennis vereisen | 50.5% 0-shot, CoT Bron |
IFEval Test het vermogen van het model om expliciete opmaakinstructies nauwkeurig te volgen, geschikte uitvoer te genereren en consistente instructienaleving te behouden bij verschillende taken | 92.1% Bron |
SimpleQA Evaluatie van de nauwkeurigheid van eenvoudige vragen | - |
AIME 2024 | - |
AIME 2025 | - |
Aider Polyglot Meertalige programmeerbenchmark. | - |
LiveCodeBench v5 Benchmark voor realtime programmeren | - |
Global MMLU (Lite) Een vereenvoudigde versie van de benchmark om de universaliteit van modellen op wereldwijd niveau te beoordelen. | - |
MathVista Evalueert de wiskundige redeneervermogens van AI-modellen binnen visuele contexten | - |
Mobiele applicatie | - |
Compare AI. Test. Benchmarks. Mobiele Chatbot-apps, Sketch
Copyright © 2026 All Right Reserved.