Llama

in KI-Modelle

Offene Llama-Modelle von Meta — mit frei verfügbaren Gewichten der Grundstein vieler Open-Weight-Projekte, Fine-Tunes und lokaler Deployments.

Glossar

Code Llama Llama

Code Llama ist Metas auf Programmierung spezialisierte Llama-2-Variante vom August 2023 — offen gewichtet, in mehreren Größen und mit Basis-, Python- und Instruct-Ausprägungen.

Llama 2 Llama

Llama 2 ist Metas offen gewichtetes Sprachmodell vom Juli 2023 — das erste Llama mit kommerziell nutzbarer Lizenz, in den Größen 7B, 13B und 70B mit 4K-Kontext.

Llama 3 Llama

Am 18. April 2024 veröffentlichte offene Modellgeneration von Meta. Erschien zunächst in den Größen 8B und 70B (jeweils Basis- und Instruct-Variante) unter der Llama-3-Community-Lizenz; frei herunterladbar, für Forschung und kommerzielle Nutzung.

Llama 3.1 Llama

Llama 3.1 (Juli 2024) ist Metas Open-Weight-Familie in 8B, 70B und 405B mit 128K-Kontext und Mehrsprachigkeit — das 405B war das erste offene Modell auf Augenhoehe mit GPT-4o und Claude 3.5 Sonnet.

Llama 3.2 Llama

Llama 3.2 ist Metas Modellgeneration vom September 2024 — erstmals mit Vision-Unterstützung (11B/90B) und schlanken Edge-Modellen (1B/3B) für Mobil- und On-Device-Einsatz.

Llama 3.3 Llama

Llama 3.3 (Dezember 2024) ist Metas offenes 70B-Instruct-Modell — es erreicht 405B-Klasse-Qualitaet bei 70B-Kosten, mit 128K-Kontext und offenen Gewichten.

Llama-3-SauerkrautLM-70b Llama

Llama-3-SauerkrautLM-70b ist ein deutschsprachig DPO-feingetuntes 70B-Modell auf Basis von Meta Llama 3, entwickelt von VAGOsolutions und Hyperspace.ai.

Llama 4 Maverick Llama

Llama 4 Maverick (April 2025) ist Metas große Mixture-of-Experts-Variante der Llama-4-Reihe — 17 Mrd. aktive von 400 Mrd. Parametern auf 128 Experten, 1-Mio.-Tokens-Kontext.

Llama 4 Scout Llama

Llama 4 Scout (April 2025) ist Metas kleine Mixture-of-Experts-Variante der Llama-4-Reihe — 17 Mrd. aktive von 109 Mrd. Parametern, 10-Mio.-Tokens-Kontext, multimodal.

Lexikon

KI-Modellfamilien im Überblick

Claude, GPT, Gemini, Llama & Co. — wer baut was, wofür ist welche Familie gut, und wie wählt man das passende Modell für die eigene Aufgabe aus.

Martin Rau

Verwandte Themen