街角那家赵奶奶面馆，最近做了一件让全城沸腾的事：她把祖传高汤的配方抄了一份，贴在门口，说“配方免费送，谁想开面馆都能用”。第二天，半个城的人都来抄配方。可仔细的人会发现，配方背面还有几行小字：生意做到月客流 7 亿人要回来单独谈；改良出新口味必须挂“赵氏衍生”的招牌；绝不能用这锅汤去帮隔壁面馆调汤底。这不是“捐配方”，而是“免费借你用”。 Meta 的 Llama 系列模型，本质就是这张配方。权重免费下载、商用不收费，让无数团队兴奋地冲进大模型创业潮。但那份《Llama 社区许可协议》里的小字条款——7 亿月活门槛、衍生命名要求、禁止用输出改进其他大模型——决定了它不是 Apache 那样“捐给社区”的真开源，而是“免费但保留控制”的定制授权。这篇文章就用赵奶奶的配方当导游，从使用门槛、衍生命名、限制条款，到与 Apache/MIT 的区别、版本演变，把 Llama 协议的红线一条条拆给你看。本文是科普解读，具体商业决策请以协议原文和律师意见为准。

岗位关联

理解 Llama 协议，是商用大模型产品从“能跑通”走向“敢上线”的必修课，也是算法、法务与创业团队共同守住法律底线的起点。

目录
  1. 可视化演示
  2. 协议本质：免费但附条件的授权
  3. 商用门槛：7 亿月活那条红线
  4. 衍生命名：招牌必须带"Llama"
  5. 使用限制：不能拿 Llama 喂别的模型
  6. 开源对比：捐菜谱与借菜谱的区别
  7. 版本演变：从 Llama 2 到 Llama 3
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

动态演示Llama开源协议解读的核心机制，通过架构/数据/状态/性能四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Llama开源协议解读：Llam Llama协议的法律性质与定位 活跃用户阈值与商用授权触发 核心机制可视化 Llama开源协议解读整体架构与关键组件

协议本质：免费但附条件的授权

赵奶奶把高汤配方贴在门口时，街坊们的第一反应是“天上掉馅饼”。可有人细心，读到纸条背面才发现：配方不是“捐”给全村的，而是“借”给你用——你可以用它开店赚钱，但必须遵守背面那几行小字。免费，不代表无条件；分享，不等于放弃控制。

Llama 模型的开源叙事也是如此。Meta 在 2023 年发布 Llama 2 时，同步推出了《Llama 2 Community License Agreement》（Llama 2 社区许可协议），允许个人和企业免费商用。但这份协议不是 Apache、MIT 那种经过 OSI（开放源代码促进会）认证的开源许可证，而是 Meta 自己起草的定制授权合同。法律上更准确的叫法是“源代码可得”（source-available），业界常说“开放权重”模型。

从授权内容看，协议授予你非独占、全球范围、免版税的权利，覆盖使用、复制、分发、创建衍生作品（也就是微调）等动作。但所有这些权利前面都挂着同一句话：“在遵守条款的前提下”。条款分成几类：商业门槛（7 亿月活）、衍生命名、使用限制、违约终止。任何一条踩线，授权立即失效。

所以，拿到免费的配方不等于没有规则。赵奶奶不收钱，是希望全城面馆都用她的汤底，把“赵氏”招牌做大；Meta 开放 Llama，也是想借生态之力抢占大模型高地，但始终把最终控制权攥在自己手里。理解了“免费但保留控制”这个底色，后面每一条红线就都说得通了。

授权={使用, 复制, 分发, 衍生}∣遵守附加条款\displaystyle \text{授权} = \{\text{使用, 复制, 分发, 衍生}\} \big|_{\text{遵守附加条款}}
这个式子把协议的本质压缩成一句话：授权范围是一组“可做动作”的集合，但竖线后面写着前提条件——必须在遵守附加条款的前提下，这些动作才合法。
  1. 授权集合列出协议明确授予的动作类型，包括使用模型、复制权重、对外分发、创建衍生作品。
    {使用, 复制, 分发, 衍生}\{\text{使用, 复制, 分发, 衍生}\}
  2. 条件竖线分隔符读作“在……条件下”，强调所有授权动作都受附加条款约束。
    ∣遵守附加条款\big|_{\text{遵守附加条款}}

商用门槛：7 亿月活那条红线

赵奶奶的小字里有一条最显眼：如果面馆开成全球连锁，单月进店客流超过 7 亿人次，就必须回来单独谈。普通面馆一辈子够不到这条线，但真做到脸书、抖音那个体量，这就是一道必须停下的闸门。奶奶不想自己的配方被最大的几个玩家悄悄变成免费基础设施。

Llama 协议里对应的条款叫 “Additional Commercial Terms“（附加商业条款）。它的逻辑是：如果你分发或提供基于 Llama 的产品或服务，且该产品或服务在分发或提供之前的那个自然月，月活跃用户（MAU）超过 7 亿（700,000,000），你必须联系 Meta 另行申请商业授权。注意统计口径是”月活跃用户”，不是注册用户，也不是累计下载量。

这个数字为什么是 7 亿？大约对标全球顶级互联网平台的量级。意思是：普通创业团队、中小企业根本够不着，相当于自动放行；可一旦你做成了超级平台，Meta 就要求你回到谈判桌上，重新谈授权费或合作条件。也正是这条基于用户规模的限制，让 OSI 认定 Llama 协议不符合开源定义——真开源不许“看人下菜碟”。

换句话说，小面馆用奶奶的配方开店，月客流过不了 7 亿，安心经营即可；但真做到全球连锁，就得回头敲门。创业团队做产品时，别只盯着“免费”两个字，要把月活预测放进合规评估——哪怕概率再低，条款都真实存在于合同里。

需另签授权  ⟺  MAU(产品或服务)>7×108\displaystyle \text{需另签授权} \iff \text{MAU}(\text{产品或服务}) > 7 \times 10^8
这是一个触发条件：当“产品或服务的月活”大于 7 亿时，判断为真，启动另行授权流程；否则继续享受免费商用。
  1. 月活口径MAU 指上一个自然月的月活跃用户数，不是注册数或下载量。
    MAU(产品或服务)\text{MAU}(\text{产品或服务})
  2. 阈值比较7×10⁸ 就是 7 亿，超过才算触发，刚好等于 7 亿不触发。
    >7×108> 7 \times 10^8
  3. 等价关系双箭头表示“当且仅当”，即触发与另签授权严格绑定。
      ⟺  \iff

衍生命名：招牌必须带"Llama"

赵奶奶还有一条规矩：你拿我的配方改良出新口味，比如“陈皮牛肉面”，开店可以，但招牌上必须写明“赵氏衍生”，菜单上还要印一行“祖传之法源自赵奶奶面馆”。这不是虚荣，是品牌溯源——让所有顾客知道这碗面的源头在哪里，也让奶奶的招牌跟着你的生意一起变大。

Llama 协议把这条规矩写进了“衍生作品”条款。Llama 2 协议要求：你创建的衍生模型，名称中必须包含 “Llama 2“；分发任何 Llama 材料或衍生作品时，必须附上协议副本，并按要求保留版权声明和归属声明，例如 ”Built with Meta Llama 2“。到 Llama 3 协议，命名要求顺势升级为名称中包含 ”Llama 3”。

这意味着，哪怕你只是在 Llama 2 上加了一层 LoRA 低秩微调，产出的新模型在协议上仍然是 Llama 衍生作品，命名和分发义务一样都不能少。同时，协议明确禁止把 Meta 的名称、Logo 和商标用在产品上（条款允许的署名除外），更不许暗示 Meta 官方背书。命名合规和不误导公众，是两件必须同时做到的事。

所以，给模型起名时别再随手写个 "XX-Chat-7B" 就发布到 ModelScope 或 Hugging Face。仔细读协议，把 Llama 字样放进名字，把署名带在发布说明里，既守了规矩，也是在替 Meta 的品牌做溯源——这本来就是协议设计者想要的效果。

名称(衍生模型)⊇{Llama}∧分发需附协议与署名\displaystyle \text{名称}(\text{衍生模型}) \supseteq \{\text{Llama}\} \quad \wedge \quad \text{分发需附协议与署名}
这个式子表示：衍生模型的名称集合必须包含"Llama“元素；同时，分发时附带协议和署名。两个条件用”并且"连接，缺一不可。
  1. 名称约束“包含”符号表示衍生模型的名字里必须有 Llama 字样。
    ⊇{Llama}\supseteq \{\text{Llama}\}
  2. 分发义务逻辑“与”符号表示命名义务与分发义务同时成立。
    ∧\wedge

使用限制：不能拿 Llama 喂别的模型

赵奶奶的配方里藏着一个最容易被忽略的铁规矩：我的汤你可以用来煮面、炖菜，但绝不能把汤舀给隔壁“李记”，帮他们改良汤头；更不许从汤里提取精华，反推出一种新汤料卖给其他面馆。街坊们常犯嘀咕：免费给的配方，怎么还管我拿去帮谁？

Llama 协议里对应的是 “Limitation of Use“（使用限制）条款：你不得使用 Llama 材料，或使用 Llama 材料产生的任何输出（outputs），去改进任何其他大语言模型（排除 Llama 本身及其衍生作品）。这句话的关键词有两个——”输出“和”改进”。不仅不能直接拿权重去微调别的模型，连用 Llama 生成海量文本去训练或蒸馏另一个模型，都算踩线。

这堵住了一条常见的“薅羊毛”路径：很多团队习惯用大模型生成数据，再去训练自己的小模型，也就是合成数据和知识蒸馏。Llama 协议明确把这条路划为禁区。而违反任何条款的后果是授权自动终止；协议同时声明不提供任何担保，Meta 不对使用造成的损害承担责任。对商用团队来说，违约风险完全自担。

简单说，锅是你的，汤是奶奶的。你可以靠这锅汤发家，但每一勺都得用在“赵氏”体系里。做合成数据、做蒸馏、做多模型集成的团队，尤其要重新审视自己的数据管线，别让数据流动在不经意间碰到这条红线。

Llama输出∩其他大模型的训练集=∅\displaystyle \text{Llama输出} \cap \text{其他大模型的训练集} = \varnothing
公式表达的是“两个集合不相交”：Llama 的输出数据与其他大模型的训练数据之间必须保持空集，翻译成大白话就是——这锅汤不能喂别人家的模型。
  1. 输出变量Llama 输出包括生成文本、中间结果、权重参数等一切产物。
    Llama输出\text{Llama输出}
  2. 空集约束交集为空集，表示两类数据不得有任何重合。
    ∩=∅\cap = \varnothing

开源对比：捐菜谱与借菜谱的区别

同样是免费给出配方，背后有两种截然不同的姿态。真正的开源菜谱——Apache、MIT——是奶奶把配方捐给全村，谁拿走、怎么改、开多大的店，她都不再过问，配方归社区共同所有；Llama 的做法则是“配方可以看、可以学、可以开店，但我保留三道闸门”。

OSI 的“开源定义”要求许可证不得限制使用领域、不得有用户规模歧视、不得限制商业使用。Apache 2.0 全部满足：允许任意修改、商用、再分发，还带有明确的专利授权条款，保护使用者不被发起专利诉讼。MIT 更简单，核心义务就是保留版权声明。而 Llama 协议既有 7 亿月活门槛，又限制“改进其他大模型”，两条都不符合 OSI 标准。

因此业界的准确说法是：Llama 属于“开放权重模型”（open-weight model），Meta 官方后来的表述也越来越谨慎，不再直接自称"open source"。对开发者最实际的影响是：你可以拿 Llama 快速搭产品，但协议不保证你能把它当长期稳定的基础设施——条款可能随版本更新，违约风险也始终在你身上。选型时，开源度和模型精度应该一起放进评估矩阵。

选配方之前，先分清是“捐”还是“借”：Apache/MIT 是把配方捐给了全村，Llama 是奶奶亲自把控的免费学徒制。如果产品对“无门槛、可永久放心使用”有硬要求，Apache 系的开放权重模型更稳妥；如果追求效果和生态热度，Llama 的条款也在可接受范围内——关键是知情，而不是误以为它是真开源。

OSI开源⇒无用户门槛∧无用途限制;Llama⊭OSI\displaystyle \text{OSI开源} \Rightarrow \text{无用户门槛} \wedge \text{无用途限制};\quad \text{Llama} \not\models \text{OSI}
这个式子说明：如果一个许可证满足 OSI 开源定义，就必须同时做到“无用户门槛”和“无用途限制”；而 Llama 协议不满足这个判定，所以它只是“类开源”。
  1. 蕴含关系箭头表示“如果……那么……”，即 OSI 开源是后两个条件的充分条件。
    ⇒\Rightarrow
  2. 合取条件逻辑“与”表示“无门槛”与“无用途限制”必须同时成立。
    ∧\wedge
  3. 不满足判断“不满足”符号表示 Llama 协议不符合 OSI 的开源定义。
    ⊭\not\models

版本演变：从 Llama 2 到 Llama 3

第二年，赵奶奶更新了配方，加了新的配料表，也重写了门口的告示。街坊们赶紧围上去看：客流 7 亿的门槛还在，但招牌上要写的字样从“赵氏衍”换成了“赵氏三代”。配方在升级，规矩的骨架没变。

2024 年，Meta 发布 Llama 3，改用《Llama 3 Community License Agreement》。对比 Llama 2，核心条款延续了骨架：7 亿月活门槛原封不动——社区曾猜测它会被提高或取消，实际保留；衍生模型命名要求从“含 Llama 2”变为“含 Llama 3”；协议还新增了一份独立的“可接受使用政策”（Acceptable Use Policy, AUP），对模型输出内容提出合规要求。

Llama 3 协议进一步明确了衍生模型的范畴，微调、蒸馏、LoRA 等产物都被纳入约束；对“分发”的定义也更细，涉及 API 服务、云平台托管等新型分发方式时，都要回到条款原文逐字核对。从趋势看，Meta 在“开放生态”和“商业控制”之间的天平并没有向开源社区倾斜——Llama 始终是“Meta 的 Llama”，而不是“社区的 Llama”。

所以，如果你两年前为 Llama 2 写过合规清单，现在切换 Llama 3 只需增量更新：改称呼、读 AUP、重新确认分发方式。配方越传越新，但“7 亿客流回来谈”那句话一直贴在门口。团队最好的策略，是把协议条款像依赖库一样做版本化管理，每次升级模型就同步更新一次合规评估。

Llama3协议=Llama2协议+Δ(命名)+Δ(AUP),Δ(阈值)=0\displaystyle \text{Llama3协议} = \text{Llama2协议} + \Delta(\text{命名}) + \Delta(\text{AUP}), \quad \Delta(\text{阈值}) = 0
这个式子描述版本差异：Llama 3 协议等于 Llama 2 协议，加上命名要求的增量和 AUP 的新增；而月活门槛的增量为 0，说明 7 亿这条线原样保留。
  1. 增量记法Δ 读作“变化量”，表示版本之间新增或修改的部分。
    Δ(命名), Δ(AUP)\Delta(\text{命名}),\ \Delta(\text{AUP})
  2. 阈值不变增量等于 0，表示 7 亿月活门槛在 Llama 3 中延续。
    Δ(阈值)=0\Delta(\text{阈值}) = 0

AI 应用场景

创业公司商用前的协议体检

阶段：商业化立项与合规评审

解决的问题：传统做法是“先上线、后补法务”，等收到侵权警告才发现踩线，轻则下架重则吃官司。AI 时代的解法是在立项时就把协议条款变成产品需求：预估月活、检查衍生模型命名、确认训练数据来源、核对分发方式，把“能不能商用”从悬案变成清单。

具体案例：一家客服机器人创业团队基于 Llama 2 微调出 7B 模型，上线前用自查脚本跑了一遍：月活预估 2 亿，安全；但模型名 “KefuBot-7B“ 不含 Llama 字样，不合规。团队把模型改名为 ”KefuBot-Llama2-7B“，并在发布页补上 ”Built with Meta Llama 2” 署名，顺利通过法务评审。

企业微调模型的开源发布合规

阶段：模型发布与分发

解决的问题：企业在 Llama 基础上微调出新模型，发布到 Hugging Face、ModelScope 等平台时，如果 license 字段填错、协议文本缺失、命名不合规，平台可能拒绝展示，合作方也会产生信任危机。AI 解法是把协议要求嵌入发布流水线，发布前自动校验。

具体案例：某车企微调出行业问答模型，发布前合规脚本提示：模型名 "AutoQA-7B" 缺少 Llama 标识，且 model card 未附 Llama 3 协议文本。工程师修改名称、补齐 license 字段后重新发布，模型上架当天即被多个开发者社区收录。

月活红线的自动化监控预警

阶段：运维与风控

解决的问题：7 亿月活红线不是一次性判断，而是持续状态。传统人工统计滞后且容易漏报；AI 解法是把月活指标接入监控系统，当 MAU 达到阈值的 80% 时自动预警，给法务团队留出与 Meta 谈判的窗口期。

具体案例：一家做 AI 陪聊产品的公司把月活指标接入 Grafana 监控，设定 5.6 亿预警线。产品增长超预期，半年后触发预警，法务提前三个月启动与 Meta 的授权沟通，避免了业务突然停摆的风险。

Python 演示

python62 行
# -*- coding: utf-8 -*-"""Llama 商用合规自查工具.根据 Llama Community License 核心条款做初步判断.仅用于演示协议逻辑, 不构成法律意见.""" MAU_LIMIT = 700_000_000  def check_mau_threshold(mau_value):    """产品月活超过 7 亿时, 需联系 Meta 申请额外授权."""    if mau_value > MAU_LIMIT:        return ("触发门槛", "月活超过7亿, 需向Meta申请额外商业授权")    return ("未触发", "月活未超7亿, 可依社区许可继续商用")  def check_derivative_name(model_name):    """衍生模型名称必须包含 Llama 字样."""    if "llama" in model_name.lower():        return ("通过", "衍生模型命名符合协议要求")    return ("警告", "衍生模型名称应包含Llama字样")  def check_train_limit(base_model, data_source):    """禁止用 Llama 输出去改进其他大模型."""    if data_source == "llama" and base_model != "llama":        return ("违规", "禁止用Llama输出改进其他大模型")    return ("通过", "训练目标未触碰协议红线")  def compliance_report(scene):    """打印一份场景化的合规自查报告."""    print("===== Llama商用合规自查报告 =====")    print("月活(人)     :", scene["mau"])    print("模型名称     :", scene["model_name"])    print("基座模型     :", scene["base_model"])    print("训练数据来源 :", scene["data_source"])    print("----------------------------------")    print("1. 月活门槛:", check_mau_threshold(scene["mau"])[1])    print("2. 衍生命名:", check_derivative_name(scene["model_name"])[1])    print("3. 训练限制:", check_train_limit(scene["base_model"], scene["data_source"])[1])    risks = []    if scene["mau"] > MAU_LIMIT:        risks.append("触发7亿月活门槛")    if "llama" not in scene["model_name"].lower():        risks.append("衍生模型未包含Llama名称")    if scene["data_source"] == "llama" and scene["base_model"] != "llama":        risks.append("违规使用Llama输出训练其他模型")    if risks:        print("风险点:", "; ".join(risks))    else:        print("结论: 未发现明显协议风险, 建议法务复核")  if __name__ == "__main__":    demo_scene = {        "mau": 120_000_000,        "model_name": "CustomerChat-Llama2-7B",        "base_model": "llama",        "data_source": "human",    }    compliance_report(demo_scene)
目的：把 Llama 协议的三条核心条款（7 亿月活门槛、衍生命名、禁止改进其他模型）封装成一个可执行的合规自查脚本，输入你的使用场景，输出风险报告。
  1. MAU_LIMIT = 700_000_000把 7 亿月活门槛定义成常量，下划线只是让大数字更易读。
  2. def check_mau_threshold(mau_value):把门槛判断封装成函数，输入月活、输出结论。
  3. if mau_value > MAU_LIMIT:与协议条文逐字对应：超过 7 亿即触发另授权。
  4. if "llama" in model_name.lower():忽略大小写判断衍生模型名是否含 Llama。
  5. def check_train_limit(base_model, data_source):模拟“禁止改进其他大模型”条款。
  6. risks = []用列表收集违规点，最后统一输出，方便法务快速定位。
  7. if __name__ == "__main__":保证脚本既能被 import 复用，也能直接运行演示。

常见误区

误区很多初学者看到 Llama 模型免费下载、协议写得很宽松，就默认它和 Apache、MIT 一样，是真正的开源软件，想怎么用就怎么用，顶多署个名。

正解Llama 协议是 Meta 自定义授权，OSI 明确不认可它是开源许可证。“免费”只是不收许可费，但协议里绑着 7 亿月活门槛、衍生命名、禁止改进其他大模型等条件。它更像赵奶奶“免费借用”的配方，而不是捐给全村的菜谱。

为何常见：大家习惯把“开放权重 + 免费下载”直接等同于“开源”，忽略了许可证文本才是判断依据。

误区有些团队一看自己月活才几百万，离 7 亿远得很，就认为整份协议对自己不构成任何约束，后面几页条款看都不看。

正解7 亿月活只是“触发额外商业授权”的一条线。衍生命名、署名义务、禁止用输出改进其他大模型等条款，对任何规模的团队都生效。哪怕你只有 1 万用户，微调后不署名、拿去训练别的模型，一样构成违约。

为何常见：人脑容易被最显眼的大数字吸引，误以为它是唯一门槛，忽视了协议里大量与规模无关的普通义务。

误区很多开发者觉得命名只是形式主义，自己微调出来的模型取一个全新的原创名字，就不用挂 Llama 字样，也不用署名了。

正解协议明确要求衍生作品名称包含 Llama，且分发时必须保留协议文本和归属声明。换名字不是规避，而是违约。就像用了赵奶奶的配方却不挂“赵氏衍生”招牌，奶奶找上门时，理由可不会听你解释。

为何常见：把合同义务当成可以变通的产品命名问题，低估了许可协议的法律效力。

误区有人觉得协议禁止的是“直接改权重”，我用 Llama 生成文本当训练语料，喂给另一个自研小模型，没有复制权重，应该没问题。

正解协议原文明确把“输出或结果”也纳入限制范围，用 Llama 输出去改进其他大模型同样违约。合成数据、知识蒸馏、多模型蒸馏都属于高风险动作。这就像奶奶不许你把她的汤舀去隔壁李记——哪怕你只是舀了一勺“精华”。

为何常见：只记住了“模型”二字，忽略了协议里“输出”这个关键扩张词，被自己的数据工程惯性带偏。

面试题

Q1. Meta Llama 2 协议中，产品月活用户超过多少须联系 Meta 另行申请授权？

单选题 · easy

  • A.超过 1 亿用户
  • B.超过 7 亿用户← 正确答案
  • C.超过 10 亿用户
  • D.超过 20 亿用户

答案：B。Llama 2 协议的“附加商业条款”写明，产品或服务的月活跃用户超过 7 亿（700,000,000）就必须联系 Meta 另行申请授权。这就像赵奶奶“月客流 7 亿人回来谈”的规矩，普通团队够不着，超级平台才触发。

Q2. 从 OSI 开源定义看，Llama 社区许可协议属于？

单选题 · easy

  • A.标准开源许可证
  • B.自定义授权协议← 正确答案
  • C.与 MIT 完全等价
  • D.公共领域软件

答案：B。Llama 协议是 Meta 自己起草的定制授权合同，OSI 明确不认可它为开源许可证。它与 MIT 的宽松程度完全不同，更不是公共领域。它更像“免费借你用”的配方，而非“捐给社区”的菜谱。

Q3. 在 Llama 2 上微调出衍生模型并发布，命名最合规的是？

单选题 · easy

  • A.名称包含 Llama 2← 正确答案
  • B.名称完全不提 Llama
  • C.自创一个全新名称
  • D.名称使用 Meta 商标

答案：A。协议要求衍生模型名称必须包含 Llama 2，同时不能滥用 Meta 商标暗示官方背书。换全新名字属于变相规避，反而违约。合规做法就像挂“赵氏衍生”招牌，注明配方源头。

Q4. Llama 2 协议禁止你把 Llama 材料或其输出用于？

单选题 · mid

  • A.商用客服对话场景
  • B.学术论文的对比实验
  • C.改进其他大语言模型← 正确答案
  • D.内部开发环境的测试

答案：C。协议“使用限制”条款禁止用 Llama 材料或其输出去改进任何其他大语言模型（Llama 衍生除外）。商用对话、学术实验、内部测试都不在禁止之列。这对应“不能拿奶奶的汤去帮隔壁面馆调汤底”。

Q5. 你的产品上个月月活刚突破 7.3 亿，最合规的行动是？

单选题 · mid

  • A.下线全部推理服务
  • B.联系 Meta 申请另授权← 正确答案
  • C.给模型换个马甲发布
  • D.停止分发权重文件

答案：B。月活超过 7 亿的触发条件已经满足，正确动作是联系 Meta 另行申请授权。下线服务、换名字、停止分发都不是协议要求的处理方式。就像面馆客流突破 7 亿，得回去找奶奶谈，而不是偷偷改招牌。

Q6. 相比 Apache 2.0，Llama 协议包含哪些额外限制？

多选题 · mid

  • A.月活超 7 亿需另授权← 正确答案
  • B.不得改进其他大模型← 正确答案
  • C.衍生名必须包含 Llama← 正确答案
  • D.完全禁止商业应用

答案：ABC。Llama 协议有月活门槛、训练限制和命名要求，这些都是 Apache 2.0 没有的。但 Llama 协议允许免费商用，所以 D 错误。Apache 是“捐菜谱”，Llama 是“借菜谱”，差异就在这些额外条件上。

Q7. 以下哪些行为会触发 Llama 协议违约风险？

多选题 · mid

  • A.用 Llama 输出训练其他模型← 正确答案
  • B.微调后不附协议直接分发← 正确答案
  • C.月活 3 亿未联系 Meta
  • D.正确标注模型出处

答案：AB。用 Llama 输出改进其他大模型、微调后不附协议直接分发，都属于违约。月活 3 亿低于 7 亿门槛，不需要联系 Meta。正确标注出处是合规行为。违约的后果是授权自动终止，所以红线不能碰。

Q8. 关于 Llama 3 协议相对 Llama 2 的变化，正确的是？

单选题 · hard

  • A.已完全取消月活门槛
  • B.衍生命名改为含 Llama 3← 正确答案
  • C.允许输出改进其他模型
  • D.通过 OSI 开源认证

答案：B。Llama 3 协议把衍生命名要求从“含 Llama 2”升级为“含 Llama 3”，7 亿月活门槛原样保留，也并未通过 OSI 认证，更没有放开训练限制。变化的是配方细节，门槛和骨架没松。

Q9. 按 Llama 2 协议，触发额外授权的月活统计口径是？

单选题 · extreme

  • A.分发或提供前的自然月← 正确答案
  • B.产品上线以来的累计用户
  • C.数据库中的注册用户总数
  • D.历史单日峰值在线人数

答案：A。协议写的是“在分发或提供之前的那个自然月”的月活跃用户数，既不是累计用户、注册总数，也不是单日峰值。这个口径细节常被忽略，但恰好是判断是否触发 7 亿门槛的关键，属于“小字里的坑”。

Q10. OSI 不认可 Llama 协议为开源，最根本原因是？

单选题 · hard

  • A.存在规模和用途限制← 正确答案
  • B.模型权重需要付费购买
  • C.代码里存在恶意逻辑
  • D.Meta 未公开训练数据

答案：A。OSI 的开源定义禁止限制使用领域和用户规模，而 Llama 协议的 7 亿月活门槛和“不得改进其他大模型”恰好踩线。权重本身免费，也不存在恶意逻辑，训练数据未公开更不是开源定义的判定标准。