本文详细评测了 Meta 发布的 Llama 3.2 系列模型，涵盖 1B、3B、11B 及 90B 四个版本。重点分析了其在视觉理解、OCR 识别、代码生成及复杂推理任务中的表现。实测表明，90B 模型在视觉基准上接近 GPT-4o-mini，但存在幻觉和计数不准问题；1B/3B 模型适合端侧部署。对比 Qwen 2 VL 等竞品，Llama 3.2 在视觉任务上虽性能提升明显，但在审查机制和部分精度上仍有不足。文章提供了具体的测试案例与部署建议，帮助开发者评估是否将其作为最优选择。
Meta 发布了 Llama 3.2 系列模型，当前的基准测试显示，Llama 3.2 在各种基准测试中表现优于 Claude 3.5 Haiku 以及 GPT-4o-mini。加上前几天的 Qwen2.5，开源的模型正在一步步缩小和闭源模型之间的差距。
这是 Meta 第一次开源多模态大模型系列，总共有 4 个版本：
Llama 3.2 作为 Llama 3.1 的替代品，经过优化后速度、准确性提高，特别擅长图像标题生成、视觉问答（VQA），甚至图像文本检索。
在演示中可以看到，Llama 3.2 模型能够准确分析和分类收据数据，随后以表格形式展示结果，这正是其核心优势所在。
轻量级模型（1B 和 3B）是专为设备使用场景设计的。它们通过以下两种主要技术创建：
这种策略使得开发者能够构建个性化的本地代理应用程序，确保数据始终留在设备上。这也是目前支持工具调用的最小 SLLM（小型语言模型）之一。
如果我们看看视觉基准，11B 模型的表现类似于 Claude 3.5 Haiku，而 90B 模型的表现则类似于 GPT-4o-mini。它们都支持图像推理用例，比如文档级理解（包括图表和图形）、图像标注以及基于自然语言描述精准定位图像中的物体。
同时，小型模型的表现与 Gemma 2 和 Phi 3.5 相当，虽然没有巨大的突破，但在端侧场景下已足够实用。
问题：5 片这种产品有多少卡路里？ 结果：11B 和 90B 均正确识别并给出答案（约 100 卡路里）。
问题：把上面的第一个基准测试转成 CSV。 结果：两个模型都做到了，且没有数值上的错误。
问题：使用 HTML, CSS, JS 制作一个精确的副本，将所有代码放在一个文件中。 结果：90B 生成的效果较好，但 11B 生成的代码结构与预期有差异，相似度不高。
问题：图片里有多少种水果？哪种水果最小，哪种水果最酸？它们具体放在哪里？ 结果：
连续两轮测试 90B 发现，位置能找到（甚至能精确到行列数），但数量摇摆不定，关于酸度、大小的认知仍有偏差。
问题：识别图片中的两个问题（验证码类型）。 结果：
OCR 识别手稿：
总的来说，虽然这几款模型都还不错，回答一些问题中也表现了一些较理想的效果，但在测试过程中发现 Llama 3.2 对于问题的审查很严格，好几次让它创建其他网页截图代码都不通过，或者其他有关的图片问题直接不回答。
Qwen 2 VL 72B 与 Llama 3.2 90B 模型相当，意味着一个更小的模型可以做到 90B 所做的事情，而且它的审查更少。11B 模型相对而言幻觉更多，部分竞品在这个领域要好得多，甚至 Qwen 2 VL 7B 也更好。
Qwen 2 VL 72B 可能仍然是视觉任务的最佳模型，Llama 3.2 这些模型还不够好，而且它们比竞争对手大，却提供较低的结果。当然，你可以去做更多的测试，根据具体业务场景选择最适合的模型。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online
