如何用 Llama 3 免费本地 AI 分析数据和可视化？

帮助你消除调用大模型 API 带来的数据安全烦恼。

模型

今天我们来探讨一个有趣的话题 —— 如何使用 Llama 3 免费地进行数据分析和可视化。

Meta 团队在 2024 年 4 月发布了两款 Llama 3 新模型，一款是 8B，即 80 亿参数；另一款则是 70B，即 700 亿参数。关于 700 亿参数的模型，我之前已经为你撰写了一篇文章《如何免费用 Llama 3 70B 帮你做数据分析与可视化？》，如果你感兴趣，欢迎点击链接阅读。

咱们今天的讨论重点是较小款 80 亿参数的模型。相比之前的 Llama 2 的同规模模型，它的性能有了显著提升。我们今天将使用一个名为 Ollama 的工具在本地运行这款模型。下面我会向你展示相关的安装和设置方法。

安装

首先，你需要 访问 Ollama 的官网。

在网站首页选择下载选项，请确保选择与你操作系统相匹配的版本。例如，我选择了适用于 mac 的版本。如果你使用的是 Windows 或 Linux，应选择相应的版本。

安装过程非常简单，基本上按照常规操作进行即可。在 macOS 上，下载的安装包解压后包含一个可执行文件，你只需将其拖到应用程序文件夹即可完成安装。安装后，你需要进行一些基本设置。

打开程序后，界面会提示你点击 next，然后点击 install，程序将帮助你安装所需的命令行工具。

安装完成后，程序会提供一个默认链接，你可以复制此链接来启动 Llama 2。

但是我们今天的目标是使用 Llama 3，因此我们返回网站首页，寻找关于 Llama 3 的信息。链接在这里。

当你进入模型页面时，页面上会提供详细信息，包括一个下拉框，让你查看各种选项。例如，Latest 标签实际上默认指的就是 8B 模型。

大多数人还是希望在本地运行这种较小的模型。因为 70B 模型虽然功能强大，但仅下载就需 40GB，同时你的机器还需要一定的显存才能运行它。相比之下，8B 模型只需要 4.7GB 的存储空间，占用的显存也只有大约 4GB。

在 M 系列芯片的 Mac 上，内存和显存是统一分配的，所以我这里就不详细区分了。如果你使用的是其他类型的系统，你可能需要区分显存和内存。

在我的机器上，由于只有十几 GB 的内存，所以我认为选择 8B 模型更实际。使用方法是复制界面右侧的命令，然后在终端命令行中执行它。

执行

打开终端，输入：

ollama run llama3

系统会自动帮你下载相关的文件。

稍等片刻文件下载完成后，系统会帮你删除所有不需要的文件，并通知你安装已完成，你就可以直接在这里输入命令与其交互。

对，就是这么简单。

测试

环境准备好了，咱们测试一下吧。

我在 Ollama 中输入给 Llama 3 8B 的第一个问题是

你的知识更新到什么时候？

这个问题最近经常有小伙伴在 ChatGPT 网站上问出来。为什么要问这个问题？因为这个问题可以帮助用户检验当前的 ChatGPT Plus 下的 GPT-4 模式，究竟是老版本 GPT-4 Turbo 还是最新的 2024 年 4 月版本。

很多人都希望自己的 ChatGPT 能尽早升级到最新版本，因此经常用这个问题来「骚扰」ChatGPT。

本地运行的 Llama 3 8B 回答说，它的知识截止于 2022 年。这个截止日期是否准确？欢迎你回头去查看 Llama 3 发布的文档。

然后 Llama 3 8B 还提到，它的这些知识来源于新闻、书籍、网页及众多学术论文。这证明了它接触过很多学术资料。我们后续使用它来完成学术工作时应该会更加得心应手。

接下来，我提出了第二个问题：

写一首歌颂天津春天的诗歌。

Llama 3 8B 给我的回答是一首英文诗 Tianjin Spring（天津之春）。

我注意到第二段提到了扬子江，但你知道的，天津离长江还有一定的距离。显然 Llama 3 8B 模型在创作诗歌时，对我们天津的了解还不够深入。

而之前我使用 Groq 和 Llama 3 70B 模型输出的天津春天诗歌，连海河与柳絮都描写了进去，非常贴切。

显然 Llama 3 8B 这个小模型在诗歌创作方面还有待提升，而且它输出的是英文。我在想，能否让它输出中文诗呢？

于是，我要求：

• 用中文写一首歌颂天津春天的诗歌

⠀

然后它给我的回应是…… 空白。

之后，它还对空白的中文诗歌部分，给出了英文的翻译。这让我非常失望，看来很明显目前它在处理中文内容时还存在问题。

接着，我提出了第三个问题：

用 Python 编写一个打乒乓球的游戏程序（write me a pong game in python）。

⠀

它输出所有代码后的情况，还贴心地告诉我该如何玩。

你可以在左侧使用键盘的 W 和 S 键来控制，右侧则使用上下箭头键。

Llama 3 8B 还提醒我，如果无法运行，别忘了首先安装 Python 的 Pygame 库。够耐心。

我直接将这段代码复制粘贴到我的 Visual Studio Code 中，并为文件命名为 pong_llama3_ollama。

这里也给你顺便提个醒 —— 起文件名时要尽量详细些，这样将来自己更容易辨识。旁边那个 pong.py 就是个反面例子。

运行效果嘛，毫无报错，一遍过。

尝试使用这个程序后，我觉得还不错，可玩性相当好。

融合

进而我考虑将这种编程能力融入到我的当前工作流中。毕竟，我希望 Llama 3 8B 能帮我完成更多工作。你已经了解到 Open Interpreter 可以结合 GPT-4, Haiku，以及 Groq 下面的 Llama 3 70B 帮助我们进行数据分析与可视化了。那么这个本地的小模型 Llama 3 8B 行不行呢？

测试一下呗。

这里只需要把原先的调用指令，替换成这样：

interpreter --model ollama/llama3 -y --context_window 200000 --max_tokens 8196 --max_output 8196

你看，直接调用 Ollama 的模型，非常方便。根本不需要再找其他大模型的 API key 了。关键是，它效果如何？

我还是首先让它展示 2024 年 1 月 1 日到 4 月 19 日特斯拉和苹果股票的价格变化，它思考片刻后开始执行。

虽然一开始就出错了，但它很快自我更新，之后的输出就显得靠谱了。没有人工干预，它自己就完成了编程输出。结果是这样的：

这些日子，经常拿这两只股票价格绘制进行测试，我估计拥有特斯拉股票的朋友们可能不太高兴。无意冒犯，只是因为这些公司比较有名而已。多担待。

下面我们来看看如何绘制词云。我在这里使用了一篇简短的分季介绍老友记（Friends）的文章。下面的演示动图，我剪掉了它前面的思考过程那的一部分。

最初，Llama 3 8B 的编程完全失败，什么代码也没有写就开始执行。这能行吗？第二次它直接输出了一个反引号，这是在开玩笑吧？第三次，它居然尝试使用我现在的 TXT 文件的路径，找寻 requirements 来安装缺失的软件包…… 看到这里，我几乎已经失去了信心。

但是它能够自我迭代和修复。这就是 Open Interpreter 的厉害。这不，第四次，它安装了 wordcloud 词云包，我觉得终于有点意思了。再之后它开始编写代码。这段代码看起来非常好，但这里有一个问题，plt.show () 在 Open Interpreter 命令行方式下调用都是无效的。于是它停了下来。

不过没关系，我告诉它，你干脆就把图存成一个文件，而不要在这里尝试直接显示。

它于是立即对这个问题进行了思考，然后开始先回顾前面的流程，看看之前都做了什么。然后它说，现在我不再使用显示功能了，我直接把图保存，并且给出了对应更新的代码。你可以看到，它两次对话间的上下文记录全面，连接得很好的，执行没有报错。

我们来看看效果怎样？

我不能说这张词云非常完美，但基本里面显示的这些主要人物对吧？大号字体出现的这些名字，我觉得没有什么大问题。

问题

只不过在利用 Llama 3 8B + Open Interpreter 执行数据分析过程中，你仍然会遇到一些障碍。例如有时候明明它已经完成了任务，却依然还在执着地尝试着重新编程执行，不知道该停下来。这种过度勤劳，有时候也挺讨厌的。

例如上面这个动图展现的情况 ——Llama 3 8B 已经为我们输出了股票价格变动的图表，但之后它又开始尝试再次输出新的代码，这完全是多余的。

我期待未来出现微调优化模型能与 Open Interpreter 更好地连接解决这些问题。

可是，我们明明已经有了便宜甚至现阶段还免费的 Llama 3 70B，那么使用能力相对弱一些的 Llama 3 8B 意义是什么？它不够稳定，输出的时候有时没有代码，有时只有一个反引号，有时甚至是无中生有自作主张运行 requirements.txt……

原因在于「本地化」。本地化的作用是什么？

首先，你不难想到，本地化的模型免费。你不需要再租用远端的API，可以用自己的计算资源来执行操作。

但更重要的，是安全性。很多朋友在交流中反复提到，他们企业或机构内部的数据是严格限制不能上网的。即便是调用开源大模型的 API ，也不行。在这种情况下，使用本地开源模型运行时，则根本不涉及到联网问题。机构数据的安全性可以得到最大限度的保障。

小结

我们来总结一下，Llama 3 相对于前一代产品有了实质性的进步。这种进步现在还不完美。但是你可以在自己机器上，运行一个 ChatGPT 3.5 能力级别的模型（Llama 3 8B），而在足够的计算资源加持下，则可以本地运行一个 GPT-4 能力级别的模型（Llama 3 70B）。这样一来，本地模型可以应用到更多的场景中，从而创造了更多的可能性，打开了人们更多的想象空间。

赶快动手在本地用 Ollama 或者 LM Studio 试试看吧。祝 AI 辅助数据分析愉快！