Bisakah saya menjalankan Llama 4 Scout secara lokal?

Ya, bobotnya terbuka dan tersedia di Hugging Face di bawah Llama 4 Community License. Perlu diingat model penuh 109 miliar parameter, jadi Anda butuh perangkat keras besar; versi kuantisasi mengurangi kebutuhan tersebut secara signifikan.

Berapa biaya Llama 4 Scout via API dan seberapa panjang konteksnya?

Harga $0,18 per juta token input dan $0,59 per juta token output. Jendela konteks yang didukung via API adalah 1.310.720 token, sementara model dasarnya dilatih untuk menangani hingga 10 juta token.

Apa perbedaan Scout dengan Llama 4 Maverick?

Keduanya adalah model Llama 4 MoE, tapi Scout mengaktifkan 17 miliar parameter dengan 16 ahli dan diposisikan sebagai opsi yang lebih ramping dan ramah deploy; Maverick adalah saudara yang lebih besar untuk tugas berkapabilitas lebih tinggi.

Llama 4 Scout

5292°

#llm #meta-llama #visi #multibahasa #konteks panjang #lokal

Jalankan model ini

Penawaran / Iklan

OpenRouter Terminal / API

Bayar per token

Ngobrol dengan model ini di browser atau panggil dari kode kamu dengan satu API key.

Meta | konteks token 1.310.720 | $0,18/M input, $0,59/M output. Llama 4 Scout 17B Instruct (16E) adalah model bahasa campuran-ahli (MoE) yang dikembangkan oleh Meta, mengaktifkan 17 miliar parameter dari total 109 miliar. Model ini mendukung input multimodal asli (teks dan gambar) dan output multibahasa (teks dan kode) dalam 12 bahasa yang didukung. Dirancang untuk interaksi gaya asisten dan penalaran visual, Scout menggunakan 16 ahli per proses maju dan memiliki panjang konteks 10 juta token, dengan korpus pelatihan sekitar 40 triliun token. Dibangun untuk efisiensi tinggi dan penerapan…Meta | konteks token 1.310.720 | $0,18/M input, $0,59/M output. Llama 4 Scout 17B Instruct (16E) adalah model bahasa campuran-ahli (MoE) yang dikembangkan oleh Meta, mengaktifkan 17 miliar parameter dari total 109 miliar. Model ini mendukung input multimodal asli (teks dan gambar) dan output multibahasa (teks dan kode) dalam 12 bahasa yang didukung. Dirancang untuk interaksi gaya asisten dan penalaran visual, Scout menggunakan 16 ahli per proses maju dan memiliki panjang konteks 10 juta token, dengan korpus pelatihan sekitar 40 triliun token. Dibangun untuk efisiensi tinggi dan penerapan lokal atau komersial, Llama 4 Scout menggabungkan fusi awal untuk integrasi modalitas yang mulus. Model ini disesuaikan untuk mengikuti instruksi dalam obrolan multibahasa, pembuatan keterangan, dan tugas pemahaman gambar. Dirilis di bawah Lisensi Komunitas Llama 4, model ini terakhir dilatih dengan data hingga Agustus 2024 dan diluncurkan secara publik pada 5 April 2025.

Panduan untuk model ini

Ollama vs LM Studio (2026): aplikasi AI lokal mana yang harus digunakan, dan model top mana yang dijalankan masing-masing

LLM lokal terbaik berdasarkan kasus penggunaan (Oktober 2026): model terbuka yang tepat untuk setiap pekerjaan

Berapa banyak VRAM yang sebenarnya saya butuhkan untuk AI lokal?

Apa itu file GGUF? Penjelasan model terkuantisasi (Q4, Q8, fp8, NF4)

Semua panduan

Catatan Kapten

Ditulis oleh Captain, editor rumah

Catatan dari 2026-10-13

Llama 4 Scout adalah model mixture-of-experts efisien dari Meta, mengaktifkan 17 miliar dari total 109 miliar parameternya per proses inferensi. Fitur utamanya adalah jendela konteks 10 juta token, terpanjang dari model bobot terbuka saat peluncuran, dipadukan dengan pemahaman gambar asli dalam 12 bahasa. Cocok untuk pengembang dan peneliti yang butuh kemampuan multimodal dengan harga jauh di bawah model frontier tertutup, atau yang ingin menjalankan model visi-bahasa mumpuni secara lokal.

Dikenal untuk

Jendela konteks 10 juta token, terpanjang di bobot terbuka
Input gambar dan teks asli via fusi awal, tanpa adaptor visi tambahan
Arsitektur MoE menjaga parameter aktif di 17 miliar, mengurangi biaya inferensi
Multibahasa dalam 12 bahasa, mencakup chat, captioning, dan kode
Bobot terbuka di bawah Llama 4 Community License, memungkinkan deploy lokal

Waspadai

Llama 4 Community License tidak sepenuhnya permisif; periksa batasan penggunaan sebelum deploy komersial.
109 miliar parameter total berarti inferensi lokal butuh perangkat keras serius meski parameter aktif 17 miliar.
Data pelatihan berakhir Agustus 2024; apa pun setelah itu tidak diketahui model.

Terbaik untuk

Penglihatan

Multibahasa

Konteks panjang

Jalankan secara lokal

Anggaran

Prompt untuk dicoba

Analisis dokumen padat

Saya menempelkan kontrak panjang di bawah. Baca seluruhnya, lalu daftarkan setiap klausul yang menciptakan kewajiban finansial pada perusahaan saya, jumlah dolar atau rumus yang terlibat, dan nomor bagian tempat klausul itu muncul. Tandai klausul yang kewajibannya terbuka atau tanpa batas.

Deskripsikan dan beralasan tentang gambar

Lihat gambar yang saya lampirkan. Jelaskan secara tepat apa yang terjadi, lalu sebutkan apa yang tidak biasa atau inkonsisten dibandingkan dengan yang biasanya Anda harapkan di adegan seperti ini. Berikan penalaran Anda langkah demi langkah.

Balasan pelanggan multibahasa

Seorang pelanggan menulis kepada kami dalam bahasa Prancis mengeluhkan pesanan mereka tiba dalam kondisi rusak dan mereka ingin pengembalian dana. Buat balasan profesional dalam bahasa Prancis yang meminta maaf, mengonfirmasi kami akan memproses pengembalian dana penuh dalam 5 hari kerja, dan meminta mereka menyimpan barang rusak untuk arsip kami. Gunakan nada hangat tapi tidak berlebihan.

Bandingkan dengan

Llama 3.2 3B Instruct
Model dengan bobot terbuka
konteks 131,072 token · $0.05/M input, $0.33/M output
Llama 3.1 70B Instruct
Model dengan bobot terbuka
konteks 131,072 token · $0.40/M input, $0.40/M output
Llama Guard 4 12B
Model dengan bobot terbuka
konteks 163,840 token · $0.18/M input, $0.18/M output
Llama 4 Scout 17B 16E Instruct
Model dengan bobot terbuka
konteks 327,680 token · $0.10/M input, $0.30/M output

Model teks lain dari meta-llama

Pertanyaan yang sering diajukan

Bisakah saya menjalankan Llama 4 Scout secara lokal?: Ya, bobotnya terbuka dan tersedia di Hugging Face di bawah Llama 4 Community License. Perlu diingat model penuh 109 miliar parameter, jadi Anda butuh perangkat keras besar; versi kuantisasi mengurangi kebutuhan tersebut secara signifikan.
Berapa biaya Llama 4 Scout via API dan seberapa panjang konteksnya?: Harga $0,18 per juta token input dan $0,59 per juta token output. Jendela konteks yang didukung via API adalah 1.310.720 token, sementara model dasarnya dilatih untuk menangani hingga 10 juta token.
Apa perbedaan Scout dengan Llama 4 Maverick?: Keduanya adalah model Llama 4 MoE, tapi Scout mengaktifkan 17 miliar parameter dengan 16 ahli dan diposisikan sebagai opsi yang lebih ramping dan ramah deploy; Maverick adalah saudara yang lebih besar untuk tugas berkapabilitas lebih tinggi.

Putusan Kapten
Kombinasi langka bobot terbuka, kemampuan visi asli, dan jendela konteks luar biasa besar dengan harga yang membuat model frontier tertutup terlihat mahal.

Kartu model di Hugging Face

Kapten menulis catatan ini dari deskripsi model dan kartu model itu sendiri. Harga dan ukuran konteks adalah milik penyedia pada saat penulisan dan dapat berubah.

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.

Change colors / personalize / get code

Not this creator?

Get your own badge

Bagaimana skor ini dihitung

Model ini belum punya data popularitas dari sumber mana pun, jadi memakai angka pengganti di bawah 7,000° supaya daftar tetap lengkap. Model ini tidak pernah berada di atas model yang punya data. Rinciannya akan muncul di sini segera setelah ada laporan dari sumber.

Glosarium: istilah yang dipakai di sini

Skor heat: Satu angka untuk seberapa banyak model dipakai dan diinginkan sekarang, dari 0° sampai 9.999°. Setiap daftar di situs ini yang bilang terpanas diurutkan berdasarkan ini dan tidak ada yang lain.
Lantai: 7.000° yang jadi titik awal semua model dengan data nyata. Skala dari 0° sampai 9.999°; bagian di bawah lantai untuk pengganti (model tanpa data), supaya model dengan data selalu di atas yang tanpa. Lantai sama untuk semua dan tidak menentukan apa-apa; derajat di atasnya yang dihitung.
Setara unduhan: Semua yang dihitung skor sebagai unduhan, dijumlahkan: unduhan itu sendiri, setiap torrent seeder dihitung 1.000, setiap gambar AI Horde dan setiap run di situs generasi dihitung satu.
Skala log: Menghitung per puluhan, bukan per satuan: naik dari 1.000 ke 10.000 unduhan menambah derajat yang sama dengan naik dari 10.000 ke 100.000. Ini mencegah raksasa mendominasi semuanya.
Suka: Jempol ke atas dan suka dari semua sumber, bernilai setengah unduhan di skala log.
Tingkat adopsi: Berapa banyak unduhan per hari yang didapat model sekarang, dari selisih dua pembacaan sumber. Bobot seperempat dari istilah unduhan.
Diukur dan diperkirakan: Diukur berarti ada dua pembacaan dari sumber dan perbedaannya nyata. Diperkirakan berarti hanya total hari ini yang diketahui dan masa lalu dibagi selama umur model; situs memberitahu mana yang sedang ditampilkan.
Seeder: Seseorang yang menyimpan salinan bobot secara online agar orang lain bisa mengunduh lewat torrent, atau mirror yang dihosting melakukan hal yang sama. Setiap satu dihitung sebagai 1.000 unduhan.
AI Horde: Jaringan sukarelawan yang menghasilkan gambar secara gratis di komputer yang disumbangkan. Jumlah gambar yang dibuat dengan model tertentu bersifat publik, dan setiap gambar dihitung sebagai satu unduhan.
Situs generasi: Situs yang menyimpan salinan model sendiri dan membiarkan orang menghasilkan gambar dengannya, seperti PixAI, SeaArt, dan Yodayo. Unduhan mereka dihitung seperti di Civitai dan setiap kali generasi dihitung sebagai satu unduhan.
Token OpenRouter: Model teks yang dilayani melalui API, seperti Claude atau GPT, tidak memiliki bobot untuk diunduh, jadi penggunaannya diukur dalam token: potongan teks yang dibaca dan ditulis melalui OpenRouter, gateway yang digunakan banyak aplikasi, selama 30 hari terakhir. Setiap 10,000,000 token dihitung sebagai satu unduhan. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Bobot itu sendiri, file yang bisa menghasilkan secara mandiri. Mendapat bonus karena add-on bergantung padanya.
LoRA dan embedding: File add-on kecil yang mengarahkan bobot orang lain ke gaya, karakter, atau konsep tertentu. Tidak bisa dijalankan sendiri.
Keluarga dan bobot: Dasar yang dipakai model, seperti SD 1.5, SDXL, Flux, atau Wan. Setiap model mewarisi tanggal rilis bobot keluarganya.
Usia: Pengurangan nilai berdasarkan seberapa lama bobot keluarga itu dirilis: 150° per tahun, sampai maksimal 750°. Ini menjaga unduhan lama yang sudah bertahun-tahun menumpuk agar tetap di atas daftar.
Dorongan keluarga: Dorongan kecil dan terbatas untuk LoRA dari keluarga yang sedang didorong situs ini sekarang, selalu tercantum dalam rincian.
Skor pengganti: Angka stabil di bawah batas yang diberikan pada model yang belum ada laporan sumbernya, supaya daftar tetap lengkap. Tidak pernah lebih tinggi dari model yang punya data.
Baru! (masa tenggang): Model yang berumur kurang dari 7 hari menunjukkan label Baru! bukan skor dan tidak masuk peringkat. Skornya dihitung sejak hari pertama, tapi model yang baru sehari tumbuh lebih cepat dari apa pun, jadi tanpa masa tunggu model #1 minggu ini selalu yang baru kemarin, bukan yang bertahan seminggu.
Tren: Bagaimana pertumbuhan model selama periode tertentu dibandingkan dengan pertumbuhan model biasa di periode yang sama. Lebih cepat dari biasanya berarti naik, lebih lambat berarti turun.
Model biasa: Tengah katalog: setengah model dengan angka tumbuh lebih cepat selama periode itu, setengahnya lebih lambat.

Model Serupa

DeepSeek V4 Flash 0731

TEXT / LLM

Model AI untuk Pembuatan Gambar, Video & Teks

Llama 4 Scout adalah model teks untuk keluarga Text / LLM yang tercantum di ModelTrends.ai, katalog hanya-baca untuk model AI gambar, video, dan teks open source. Bandingkan dengan model Text / LLM lainnya dan lihat skor popularitasnya untuk mengetahui trennya.

Model Text / LLM lainnya Teks / LLM Text / LLM lainnya llm meta-llama visi multibahasa konteks panjang lokal anggaran

Jelajahi berdasarkan Keluarga Model