Llama 4 Scout
5292°
Meta | 1,310,720 令牌上下文 | 输入 $0.18/千，输出 $0.59/千。Llama 4 Scout 17B Instruct (16E) 是 Meta 开发的专家混合（MoE）语言模型，激活 170 亿参数，总参数量 1090 亿。支持原生多模态输入（文本和图像）及多语言输出（文本和代码），涵盖 12 种支持语言。专为助手式交互和视觉推理设计，Scout 每次前向传递使用 16 个专家，支持 1000 万令牌上下文，训练语料约 40 万亿令牌。为高效本地或商业部署打造，Llama 4 Scout 采用早期融合实现无缝模态集成。经过指令微调，适用于多语言聊天、字幕和图像理解任务。根据 Llama 4 社区许可证发布，最后训练数据截止至 2024 年 8 月，公开发布于 2025 年 4 月 5 日。
本模型的指南
Ollama 与 LM Studio（2026）：选择哪个本地 AI 应用，以及各自支持的顶级模型
按使用场景选最佳本地大语言模型（2026年10月）：每个任务的合适开源模型
本地AI到底需要多少显存？
什么是 GGUF 文件？量化模型详解（Q4、Q8、fp8、NF4）
船长笔记
2026-10-13 的笔记
Llama 4 Scout 是 Meta 的高效专家混合模型，每次前向激活 170 亿个参数（总计 1090 亿参数）。其最大亮点是 1000 万令牌的上下文窗口，发布时为所有开放权重模型中最长，配合原生跨 12 种语言的图像理解能力。适合需要多模态能力且价格远低于前沿封闭模型的开发者和研究人员，或希望本地运行强大视觉语言模型的用户。
以……著称
- 1000 万令牌上下文窗口，开放权重中最长
- 通过早期融合实现原生图像和文本输入，无需外挂视觉适配器
- MoE 架构保持激活参数为 170 亿，降低推理成本
- 支持 12 种语言的多语言聊天、图像描述和代码
- 基于 Llama 4 社区许可证开放权重，允许本地部署
注意
- Llama 4 社区许可证非完全自由许可，商业部署前请确认使用限制。
- 1090 亿总参数量意味着本地推理仍需强大硬件，尽管激活参数较少。
- 训练数据截止至 2024 年 8 月，之后的信息不在模型知识范围内。
推荐尝试的提示词
分析密集文档
我将粘贴一份长合同。请通读全文，列出所有对我公司产生财务义务的条款、涉及的金额或计算公式及所在章节。标记任何义务开放或无限制的条款。
描述并推理一张图片
请看我附上的图片。精确描述发生了什么，然后指出与该场景通常预期不符或异常的地方。请逐步说明你的推理。
多语言客户回复
客户用法语写信投诉订单损坏并要求退款。请用法语草拟一封专业回复，表达歉意，确认将在 5 个工作日内全额退款，并请求客户保留损坏商品以备记录。语气温和但不过分热情。
与……比较
- Llama 3.2 3B Instruct开源权重模型131,072 令牌上下文 · $0.05/M 输入，$0.33/M 输出
- Llama 3.1 70B Instruct开源权重模型131,072 令牌上下文 · $0.40/M 输入，$0.40/M 输出
- Llama Guard 4 12B开源权重模型163,840 令牌上下文 · $0.18/M 输入，$0.18/M 输出
- Llama 4 Scout 17B 16E Instruct开源权重模型327,680 令牌上下文 · $0.10/M 输入，$0.30/M 输出
来自 meta-llama 的更多文本模型
常见问题
- 我可以本地运行 Llama 4 Scout 吗？
- 可以，权重已开放并在 Hugging Face 上以 Llama 4 社区许可证发布。请注意完整模型有 1090 亿参数，需强大硬件；量化版本可大幅降低硬件需求。
- 通过 API 使用 Llama 4 Scout 的价格和上下文窗口是多少？
- 价格为每百万输入令牌 0.18 美元，输出令牌 0.59 美元。API 支持的上下文窗口为 1,310,720 令牌，模型训练时支持最高 1000 万令牌。
- Scout 与 Llama 4 Maverick 有何区别？
- 两者均为 Llama 4 MoE 模型，但 Scout 激活 170 亿参数，拥有 16 个专家，定位为更轻量、易部署的版本；Maverick 是更大、更高性能的兄弟型号。
船长评语开放权重、真正具备视觉能力和极端上下文窗口的罕见组合，价格让前沿封闭模型显得过于昂贵。
Hugging Face 上的模型卡
船长根据模型自身描述和模型卡撰写这些笔记。价格和上下文大小为撰写时提供商的数据，可能会变动。
Ranking badge
Updated Oct 22, 2026
Made this model? Show this badge on your page.
Paste it into your Hugging Face card or Civitai description.
这个评分是怎么计算的
这个模型还没有任何来源的流行度数据，所以它用一个低于 7,000° 的替代数值来保持列表完整。它永远不会排在有数据的模型前面。一旦有来源报告数据，分解就会显示在这里。
术语表：这里用到的术语
- 热度得分
- 一个数字，表示模型当前的使用和需求程度，范围从0°到9,999°。本站所有标注为最热门的榜单都按这个分数排序，别无他物。
- 基准线
- 所有有真实数据的模型起始于7,000°。分数范围是0°到9,999°；基准线以下的部分保留给无数据的替代模型，这样有数据的模型总是排在无数据模型之上。基准线对所有人相同，不影响排名；超过基准线的度数才是实际测量值。
- 下载等价量
- 得分中当作下载计算的所有项目总和：下载本身，每个种子上传者算1,000，每个AI Horde图片和每次生成网站的运行算一个。
- 对数刻度
- 以十为单位计数，而不是以一为单位：从1,000到10,000下载增加的热度和从10,000到100,000增加的热度相同。这样可以防止巨头压倒一切。
- 点赞
- 来自所有来源的点赞和竖起大拇指，每个点赞在对数刻度上价值半个下载。
- 采用率
- 模型当前每天的下载次数，基于两次读数的差值。权重是下载项的四分之一。
- 测量与估算
- 测量表示有两个来源的读数，且差异是真实的。估算表示只知道今天的总数，过去的数据是根据模型的生命周期分配的；网站会说明显示的是哪种。
- 做种者
- 指那些在线保存权重副本供他人通过种子下载的人，或者提供同样服务的托管镜像。每个做种者相当于1000次下载。
- AI Horde
- 一个志愿者网络，在捐赠的电脑上免费生成图片。它用某个模型生成的图片数量是公开的，每张图片算作一次下载。
- 生成网站
- 托管自己模型副本并允许用户生成的站点，比如PixAI、SeaArt和Yodayo。它们的下载计数和Civitai一样，每次生成算一次下载。
- OpenRouter 令牌
- 通过API提供的文本模型，如Claude或GPT，没有权重需要下载，因此其使用量以令牌计量：过去30天内通过OpenRouter（一种许多应用使用的网关）读取和生成的文本片段。每10,000,000个令牌计为一次下载。来源：OpenRouter (openrouter.ai/rankings)，CC BY 4.0。
- 完整模型（检查点）
- 权重文件本身，是能独立生成的文件。它会获得额外加分，因为附加组件依赖它。
- LoRA和嵌入
- 小型附加文件，用来引导别人的权重朝向某种风格、角色或概念。它们不能单独运行。
- 家族与权重
- 模型构建所基于的基础，比如SD 1.5、SDXL、Flux或Wan。每个模型继承其家族权重的发布日期。
- 年龄
- 根据家族权重发布多久，扣除的度数：每年150°，最多750°。它保留了那些积累了多年下载量的老模型，防止它们被挤出榜单顶部。
- 家族加成
- 对当前网站重点推广的某个家族的LoRA给予的小幅度限制性加分，总是在分数细目中列出。
- 替代分数
- 给还没有任何来源报告的模型一个稳定的最低分数，这样榜单才完整。它永远不会高于有数据的模型。
- 新模型！（宽限期）
- 不到7天的新模型显示“新模型！”而非分数，且不参与排名。其分数从第一天开始计算，但一天大的模型增长最快，若不等待，周榜#1总是昨天刚发布的模型，而非持续一周的。
- 趋势
- 模型在某段时间内的增长与同一时间段内典型模型增长的对比。比典型快表示上升，比典型慢表示下降。
- 典型模型
- 目录的中间值：一半有数据的模型增长比它快，一半比它慢。
Llama 4 Scout 是 Text / LLM 系列的一个文本模型，收录于 ModelTrends.ai——一个只读的开源 AI 图像、视频和文本模型目录。你可以将它与其他 Text / LLM 模型比较，并查看热度分数了解趋势。
按模型系列浏览
Text / LLM 模型
434
Anima 模型
528
Chroma 模型
19
Fibo 模型
2
Flux 模型
1,496
Flux 2 / Klein 模型
1,239
Flux 3 模型
3
Moss 模型
3
Iris 模型
1
MiniMax H3 模型
364
Hunyuan 模型
204
Ideogram 模型
20
Krea2 模型
717
Qwen 模型
20
Qwen2 模型
47
Ltx2 模型
153