Meta/LLaMA正在消除其模型对HuggingFace栈的依赖，这非常有趣（而且聪明）。
LLaMA模型现在：
- 有自己的网站可以下载权重。
- 拥有最好的大型语言模型（LLM）手册之一。
- 提供广泛的文档/教程。
- 可以通过torchtune轻松微调。
- 有多个托管/部署框架（ExecuTorch、TorchChat、OLLaMA等）。
- 可以通过LLaMAStack移植到许多不同的环境和应用程序设置（RAG、代理等）。
开源语言模型领域长期以来一直与HuggingFace紧密耦合。就我个人而言，自从大约2018年（在pytorch-pretrained-bert时代！）以来，我几乎在我所参与的每个项目中都使用了HuggingFace。我仍然认为HuggingFace是一个非常有用的工具，但这种竞争是有价值的。它迫使每个人构建更好且更用户友好的软件。
为什么这很重要？
人工智能领域的研究和发展总是跟随并加速可用的工具和资源。例如：
- ImageNet推动了计算机视觉领域多年。
- PyTorch通过其简单性大大加速了深度学习研究，并使其民主化。
- HuggingFace使下载和微调（L）LMs变得非常简单，在过去的6年里鼓励了研究/参与。
如果我们有易于使用的工具和许多资源可用，更多的人将参与进来，更多的创意将被提出，该领域将总体上发展得更快！
LLaMA生态系统似乎正在成为新的标准。它如此广泛，以至于类似于2018-2020年的HuggingFace，发布一个与LLaMA软件工具不兼容的成功模型正变得越来越困难。
重要的不仅仅是模型/权重，工具本身也是一种护城河！
网友：
这里讨论了LLaMA模型如何减少对HuggingFace的依赖，并提供了自己的一套工具和资源，这对于推动人工智能领域的发展具有重要意义。作者认为，这种竞争对于促进更好的软件工具开发是有益的，因为它鼓励了更多的研究和参与。
LLaMA通过提供易于访问的资源和工具，正在成为新的行业标准，这可能会对HuggingFace的主导地位构成挑战。作者强调了工具和资源的可用性对于加速领域发展的重要性，并且认为LLaMA生态系统的广泛性可能会成为未来模型开发的一个重要因素。
总的来说，作者对LLaMA生态系统的崛起给予了积极的评价，并认为它可能会对人工智能领域的研究和发展产生深远的影响。