LLaMA3 8B版本的表现已经能和GPT-4还有Claude3这些大佬一较高下了！想象一下70B版本得有多牛，是不是得飞上天和太阳肩并肩了？
不过，原版的LLaMA3主要是用英文世界的语料喂大的，虽然它对中文也能点头哈腰，但因为中文语料不够丰盛，所以用中文和它聊天时，它的表现就像是个刚学中文的老外，还有点懵。
现在社区里出现了好些用中文语料二次训练的LLaMA3项目，数量多得跟星星似的。这种开源社区的热情固然让人热血沸腾，但我这心里啊，就像吃了颗没熟的葡萄，有点酸溜溜的。

首先，我得打个问号，这一波Chinese-LLaMA3的训练热潮，是不是有点炒作的嫌疑？大家争先恐后地想要坐上中文版的头把交椅，但这训练质量、语料的靠谱程度、安全性啥的，真的能让人放心吗？再说了，中文语料和英文语料在知识层面是不是能无缝对接，基于训练团队的语料质量，最终的成果能否在中文上和英文一样溜？

我还有个疑问，如果LLaMA3的能力可以用分数来衡量，那是不是意味着任何团队做的中文训练，最后都得给个相同的分数？最后，我们真的非得要个中文版的LLaMA3吗？用非中文版的难道就不能满足我们的需求了？中文训练后的模型，还能不能和原版的保持同样的默契？

就我个人而言，我觉得吧，现在已经是2024年了，我们可能真的不需要一个Chinese-LLaMA3。我之前看过一篇文章，研究团队发现，用中文语料训练的模型在中文交互下的表现，还不如把中文prompt翻译成英文后再给LLaMA3来得效果好。

从感性的角度来看，这种情况也不难理解。中文世界的语料，无论是数量还是质量，都还比不上英文世界的语料。而且，中文语料训练出的结果，并不能像人脑那样，和英文语料训练出的结果直接画上等号。

那我们能不能通过优化应用架构，来达到更好的效果呢？其实，我们只需要一个中文语境下的大模型作为中间的Agent，让两个大模型手拉手，一起实现我们的目标。

在适当的开发工具中（类似各种agnent，比如coze，longchain），我们只需要搭建一个简单的workflow，里面包含三个过程节点：先把中文翻译成英文，再传给LLaMA3，最后把结果从英文翻译回中文。

这个workflow里有两个LLM，其中LLaMA3是目标模型，我们还需要一个在中英翻译方面特别强悍的大模型作为中介。根据当前的业务场景，它能提供system prompt，翻译出行业的专业术语。
在用户端，后台架构的这些变化对前端用户来说几乎是透明的，用户该怎么聊天还是怎么聊天，一点感觉都没有。但在结果的表现上，却能享受到LLaMA3的加持，变得更聪明。

基于同样的道理，将来如果出现了更强大的大模型，我们只需要替换workflow中的节点，而无需在应用后台做大规模的调整和开发。这样一来，我们就能像换衣服一样轻松地跟上时代的步伐了！