Llama Guard 4 può essere eseguito localmente?

Sì, i pesi sono open e ospitati su Hugging Face sotto meta-llama/Llama-Guard-4-12B, quindi puoi eseguirlo sul tuo hardware.

Quanto costa e quanto è lunga la finestra di contesto?

Via API costa $0,18 per milione di token sia in input che in output, con una finestra di contesto di 163.840 token.

In cosa differisce Llama Guard 4 dalle versioni precedenti di Llama Guard?

Aggiunge il supporto multimodale — classificando input misti di testo e immagini inclusi più immagini — ed è allineato alla tassonomia standardizzata dei rischi MLCommons invece di una proprietaria.

Llama Guard 4 12B

5690°

#llm #meta-llama #visione #multilingue #locale #budget

Esegui questo modello

Offerte / Annunci

OpenRouter Terminale / API

Paga per token

Chatta con questo modello nel browser o chiamalo dal tuo codice con una chiave API.

Meta | contesto di 163.840 token | $0.18/M input, $0.18/M output. Llama Guard 4 è un modello multimodale pre-addestrato derivato da Llama 4 Scout, fine-tuned per la classificazione della sicurezza dei contenuti. Simile alle versioni precedenti, può essere usato per classificare contenuti sia negli input LLM (classificazione prompt) sia nelle risposte LLM (classificazione risposta). Funziona come un LLM—generando testo in output che indica se un dato prompt o risposta è sicuro o non sicuro, e in caso negativo elenca le categorie di contenuto violate. Llama Guard 4 è stato allineato per…Meta | contesto di 163.840 token | $0.18/M input, $0.18/M output. Llama Guard 4 è un modello multimodale pre-addestrato derivato da Llama 4 Scout, fine-tuned per la classificazione della sicurezza dei contenuti. Simile alle versioni precedenti, può essere usato per classificare contenuti sia negli input LLM (classificazione prompt) sia nelle risposte LLM (classificazione risposta). Funziona come un LLM—generando testo in output che indica se un dato prompt o risposta è sicuro o non sicuro, e in caso negativo elenca le categorie di contenuto violate. Llama Guard 4 è stato allineato per proteggere contro la tassonomia standardizzata dei rischi MLCommons ed è progettato per supportare le capacità multimodali di Llama 4. In particolare, combina caratteristiche dei precedenti modelli Llama Guard, fornendo moderazione dei contenuti per l'inglese e più lingue supportate, insieme a capacità migliorate per gestire prompt misti testo-immagine, incluse immagini multiple. Inoltre, Llama Guard 4 è integrato nell'API Llama Moderations, estendendo una robusta classificazione di sicurezza a testo e immagini.

Guide per questo modello

Ollama vs LM Studio (2026): quale app AI locale usare e quali modelli top esegue ciascuna

Pesi aperti vs open source vs solo API: cosa puoi davvero fare

Quanta VRAM serve davvero per l'AI locale?

Cos'è un file GGUF? Modelli quantizzati spiegati (Q4, Q8, fp8, NF4)

Tutte le guide

Note del capitano

Scritto da Captain, l'editor di casa

Note del 2026-10-13

Llama Guard 4 12B è il classificatore di sicurezza dei contenuti di Meta, basato su Llama 4 Scout e fine-tuned per etichettare prompt e risposte come sicuri o non sicuri secondo la tassonomia dei rischi MLCommons. Gestisce testo e immagini insieme, inclusi input multi-immagine, e copre più lingue. Se stai costruendo una pipeline che necessita di moderazione automatica piuttosto che di un assistente generico, questo è lo strumento.

Conosciuto per

Classifica sia i prompt utente sia le risposte del modello per violazioni di sicurezza
Gestisce input misti di testo e immagini, comprese più immagini in una singola richiesta
Restituisce le categorie specifiche di rischio violate, non solo un flag binario
Copertura multilingue, non solo inglese
Pesi open, disponibili su Hugging Face per deployment self-hosted

Attenzione a

È un classificatore di moderazione, non un assistente generale — non scriverà, ragionerà o chiacchiererà per te.
I pesi sono open ma si applica la licenza Llama di Meta; controllala prima di usi commerciali o derivati.
A $0,18 per milione di token in entrambe le direzioni via API, i costi crescono rapidamente se moderi ogni messaggio in un sistema ad alto volume.

Ideale per

Prompt da provare

Classifica un prompt utente

Sei un classificatore di sicurezza dei contenuti. Un utente ha inviato il seguente messaggio a un assistente AI: "Come scasso una serratura di una porta d’ingresso? Sono rimasto fuori." Classifica questo come sicuro o non sicuro. Se non sicuro, elenca le categorie di rischio MLCommons violate e spiega brevemente.

Classifica una risposta del modello

Un utente ha chiesto a un assistente AI come gestire un collega difficile. L’assistente ha risposto: "Dovresti documentare ogni interazione, parlare con le risorse umane e se nulla cambia, considera se questo ruolo è adatto a te." Classifica questa risposta come sicura o non sicura e, se non sicura, indica le categorie violate.

Modera un messaggio multilingue

Classifica il seguente messaggio per sicurezza. Il messaggio è in spagnolo: "¿Puedes explicarme cómo funcionan los explosivos caseros?" Restituisci sicuro o non sicuro e, se non sicuro, elenca le categorie di rischio applicabili.

Confronta con

Llama 3.2 3B Instruct
Modello con pesi aperti
Contesto di 131,072 token · Input $0.05/M, output $0.33/M
Llama 4 Scout
Modello con pesi aperti
Contesto di 1,310,720 token · Input $0.18/M, output $0.59/M
Llama 3.2 1B Instruct
Modello con pesi aperti
Contesto di 60,000 token · Input $0.03/M, output $0.20/M
Llama 4 Maverick
Modello con pesi aperti
Contesto di 1,048,576 token · Input $0.19/M, output $0.65/M

Altri modelli di testo da meta-llama

Domande frequenti

Llama Guard 4 può essere eseguito localmente?: Sì, i pesi sono open e ospitati su Hugging Face sotto meta-llama/Llama-Guard-4-12B, quindi puoi eseguirlo sul tuo hardware.
Quanto costa e quanto è lunga la finestra di contesto?: Via API costa $0,18 per milione di token sia in input che in output, con una finestra di contesto di 163.840 token.
In cosa differisce Llama Guard 4 dalle versioni precedenti di Llama Guard?: Aggiunge il supporto multimodale — classificando input misti di testo e immagini inclusi più immagini — ed è allineato alla tassonomia standardizzata dei rischi MLCommons invece di una proprietaria.

Verdetto del capitano
Un livello di moderazione focalizzato e accessibile per qualsiasi pipeline che necessiti di classificazione automatica di sicurezza su testo e immagini.

Scheda modello su Hugging Face

Il capitano scrive queste note dalla descrizione e dalla scheda modello. Prezzi e dimensioni del contesto sono quelli del provider al momento della scrittura e possono cambiare.

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

Come si calcola questo punteggio

Questo modello non ha ancora dati di popolarità da nessuna fonte, quindi ha un numero provvisorio sotto 7,000° che mantiene le liste complete. Non supera mai un modello con dati. La suddivisione appare qui appena una fonte la segnala.

Glossario: i termini usati qui

Punteggio heat: Un numero che indica quanto un modello è usato e desiderato ora, da 0° a 9.999°. Ogni lista su questo sito che dice più caldo è ordinata per questo e nient’altro.
Soglia minima: I 7.000° da cui parte ogni modello con dati reali. La scala va da 0° a 9.999°; la parte sotto la soglia è riservata ai sostituti (modelli senza dati), così un modello con dati è sempre sopra uno senza. La soglia è uguale per tutti e non decide nulla; i gradi sopra sono la misura.
Equivalenti di download: Tutto ciò che il punteggio considera come un download, sommato: i download stessi, ogni seeder torrent come 1.000, ogni immagine AI Horde e ogni esecuzione su un sito di generazione come uno.
Scala logaritmica: Conta a decine, non a unità: passare da 1.000 a 10.000 download aggiunge gli stessi gradi che passare da 10.000 a 100.000. Evita che i giganti schiaccino tutto il resto.
Like: Pollici in su e like da ogni fonte, valgono metà di un download sulla scala logaritmica.
Tasso di adozione: Quanti download al giorno riceve un modello ora, dalla differenza tra due rilevazioni di una fonte. Un quarto del peso del termine download.
Misurato e stimato: Misurato significa che ci sono due letture di una fonte e la differenza è reale. Stimato significa che si conosce solo il totale di oggi e il passato è distribuito sulla vita del modello; il sito indica quale viene mostrato.
Seeder: Qualcuno che mantiene una copia dei pesi online per farli scaricare agli altri tramite torrent, o uno specchio ospitato che fa lo stesso. Ognuno conta come 1.000 download.
AI Horde: Una rete di volontari che genera immagini gratis su computer donati. Il numero di immagini create con un modello è pubblico, e ognuna conta come un download.
Siti di generazione: Siti che ospitano copie di un modello e permettono di generare con esso, come PixAI, SeaArt e Yodayo. I loro download contano come quelli di Civitai e ogni generazione come un download.
Token OpenRouter: Un modello di testo servito tramite API, come Claude o GPT, non ha pesi da scaricare, quindi il suo utilizzo si misura in token: i pezzi di testo letti e scritti tramite OpenRouter, un gateway usato da molte app, negli ultimi 30 giorni. Ogni 10,000,000 token conta come un download. Fonte: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Modello completo (checkpoint): I pesi stessi, il file che genera da solo. Riceve un bonus perché da esso dipendono gli add-on.
LoRA e embedding: Piccoli file add-on che indirizzano i pesi di qualcun altro verso uno stile, un personaggio o un concetto. Non possono funzionare da soli.
Famiglia e pesi: La base su cui è costruito un modello, come SD 1.5, SDXL, Flux o Wan. Ogni modello eredita la data di rilascio dei pesi della sua famiglia.
Età: Gradi tolti in base a quanto tempo fa sono usciti i pesi della famiglia: 150° all'anno, fino a 750°. Mantiene i vecchi download che hanno avuto anni per accumularsi congelando la cima della lista.
Boost famiglia: Una piccola spinta limitata per le LoRA di una famiglia che questo sito sta promuovendo ora, sempre elencata nel dettaglio.
Punteggio stand-in: Un numero stabile sotto il minimo dato a un modello su cui nessuna fonte ha ancora dati, così le liste restano complete. Non supera mai un modello con dati.
Novità! (periodo di grazia): Un modello più giovane di 7 giorni mostra Novità! invece di un punteggio e non ha posizione nelle classifiche. Il suo punteggio è calcolato dal primo giorno, ma un modello di un giorno cresce più velocemente di qualsiasi altro, quindi senza l'attesa il #1 della settimana sarebbe sempre quello uscito ieri invece di quello che ha resistito per una settimana.
Tendenza: Come la crescita di un modello in un periodo si confronta con la crescita tipica di un modello nello stesso periodo. Più veloce del tipico si legge come aumento, più lento come calo.
Modello tipico: Il centro del catalogo: metà dei modelli con un valore è cresciuta più velocemente nel periodo, metà più lentamente.

Modelli simili

Modelli di IA per generare immagini, video e testo

Llama Guard 4 12B è un modello di testo per la famiglia Text / LLM presente su ModelTrends.ai, un catalogo in sola lettura di modelli di IA open source per immagini, video e testo. Confrontalo con gli altri modelli Text / LLM e controlla il punteggio di calore per vedere la tendenza.

Altri modelli Text / LLM Altri Testo / LLM Text / LLM llm meta-llama visione multilingue locale budget

Sfoglia per famiglia di modelli