搜尋意圖： 如果你在找「羊駝語言模型 是什麼」或「羊駝語言模型 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： LLaMA（Large Language Model Meta AI）是 Meta 開發的開放權重（open-weight）大型語言模型系列，可免費下載、修改、自行部署，採 Meta 自訂 community license 授權，非 OSI 認證開源。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你有沒有想過，把大型語言模型放到自己電腦或公司伺服器上跑會是什麼樣子？ 你可以把 LLaMA 想成一套可自己部署、可自己調整的開放權重（open-weight）語言模型。 它其實就是 Meta 推出的開放權重大型語言模型系列，採 Meta 自訂的 community license 授權，不是 OSI 認證的開源授權。 對想控制資料、成本和部署方式的人來說，它很有吸引力。
容易混淆
「開源」vs「開放權重」 LLaMA 常被叫「開源模型」，但 Meta 用的是自家的 Llama Community License，不是 OSI 認證的開源授權。 正確說法是 open-weight（開放權重）：權重可以下載自用，但授權有附帶條件。
LLaMA vs ChatGPT LLaMA 可以自己部署，ChatGPT 主要是雲端服務。 一個偏開放，一個偏成品。
LLaMA vs 一般開放權重小模型 LLaMA 不是只有能跑，它還有較完整的生態和較強的基礎能力。 不同尺寸和版本會決定你能拿它做多大的事。
最關鍵的區別： 重點不是名字像不像，而是你能不能自己掌控部署。
記住這句就好
能自己部署的開放權重大型語言模型。
實際案例
公司內部知識助理 資料不能外流時，團隊會把 LLaMA 放到內網伺服器，讓員工查文件又不用把內容送到外部。
研究者本地測試 研究者可以直接在本機跑小版本，先驗證提示詞、微調或量化策略，再決定要不要上更大硬體。
算法與應用
LLaMA 是基於 Transformer 的大型語言模型，核心差異多在模型尺寸、授權和部署方式。 實務上常搭配量化、LoRA 微調和本地推理工具來降低成本。 它最重要的價值，是讓你能把大模型控制在自己的環境裡。
情境判斷
Q1（直覺題）： 如果你要避免文件送到外部服務，應該考慮哪種模型路線？
Q2（判斷題）： 只要模型權重開放下載，就一定適合直接拿去商業上線嗎？
常見問題
LLaMA 是開源（open source）的嗎？
嚴格來說不是。LLaMA 採 Meta 自訂的 Llama Community License，屬於開放權重（open-weight）模型：權重可免費下載、修改與商用，但月活躍用戶超過 7 億的企業須另向 Meta 申請授權，並須遵守 Acceptable Use Policy，並非 OSI 認證的開源授權。
LLaMA 和 GPT 最大差異是什麼？
最大差異通常在部署與掌控權，LLaMA 更適合自己管硬體和資料，GPT 則偏向雲端成品服務。
LLaMA 一定要很強的硬體嗎？
不一定，小版本和量化後的模型可以在較普通的硬體上跑，但速度和能力會有取捨。
LLaMA 適合用在哪些場景？
適合在意資料隱私、部署彈性、成本控制的內部助理和研究場景。