Bolehkah saya jalankan Llama 4 Scout secara tempatan?

Ya, berat terbuka dan tersedia di Hugging Face di bawah Lesen Komuniti Llama 4. Ingat model penuh adalah 109B parameter, jadi anda perlukan perkakasan besar; versi kuantisasi mengurangkan keperluan itu dengan ketara.

Berapa kos Llama 4 Scout melalui API, dan berapa panjang konteksnya?

Harga adalah $0.18 setiap sejuta token input dan $0.59 setiap sejuta token output. Tetingkap konteks disokong ialah 1,310,720 token melalui API, manakala model asas dilatih untuk mengendalikan sehingga 10 juta token.

Bagaimana Scout berbeza daripada Llama 4 Maverick?

Kedua-duanya adalah model MoE Llama 4, tetapi Scout mengaktifkan 17B parameter dengan 16 pakar dan diposisikan sebagai pilihan lebih ringan dan mesra penggunaan; Maverick adalah adik yang lebih besar untuk tugasan berkeupayaan lebih tinggi.

Llama 4 Scout

5292°

#llm #meta-llama #penglihatan #banyak bahasa #konteks panjang #tempatan

Jalankan model ini

Tawaran / Iklan

OpenRouter Terminal / API

Bayar setiap token

Bual dengan model ini dalam pelayar atau panggil ia dari kod anda dengan satu kunci API.

Meta | konteks 1,310,720 token | $0.18/M input, $0.59/M output. Llama 4 Scout 17B Instruct (16E) adalah model bahasa campuran-pakar (MoE) yang dibangunkan oleh Meta, mengaktifkan 17 bilion parameter daripada jumlah 109B. Ia menyokong input multimodal asli (teks dan imej) dan output pelbagai bahasa (teks dan kod) dalam 12 bahasa yang disokong. Direka untuk interaksi gaya pembantu dan penalaran visual, Scout menggunakan 16 pakar setiap laluan ke hadapan dan mempunyai panjang konteks 10 juta token, dengan korpus latihan sekitar 40 trilion token. Dibina untuk kecekapan tinggi dan penyebaran…Meta | konteks 1,310,720 token | $0.18/M input, $0.59/M output. Llama 4 Scout 17B Instruct (16E) adalah model bahasa campuran-pakar (MoE) yang dibangunkan oleh Meta, mengaktifkan 17 bilion parameter daripada jumlah 109B. Ia menyokong input multimodal asli (teks dan imej) dan output pelbagai bahasa (teks dan kod) dalam 12 bahasa yang disokong. Direka untuk interaksi gaya pembantu dan penalaran visual, Scout menggunakan 16 pakar setiap laluan ke hadapan dan mempunyai panjang konteks 10 juta token, dengan korpus latihan sekitar 40 trilion token. Dibina untuk kecekapan tinggi dan penyebaran tempatan atau komersial, Llama 4 Scout menggabungkan penggabungan awal untuk integrasi modaliti lancar. Ia ditala untuk mengikuti arahan dalam sembang pelbagai bahasa, kapsyen, dan tugasan pemahaman imej. Dikeluarkan di bawah Lesen Komuniti Llama 4, ia terakhir dilatih pada data sehingga Ogos 2024 dan dilancarkan secara awam pada 5 April 2025.

Panduan untuk model ini

Ollama vs LM Studio (2026): aplikasi AI tempatan mana yang patut digunakan, dan model teratas yang dijalankan oleh setiap satu

LLM tempatan terbaik mengikut kegunaan (Oktober 2026): model terbuka yang sesuai untuk setiap kerja

Berapa banyak VRAM yang saya perlukan untuk AI tempatan?

Apakah fail GGUF? Model kuantisasi diterangkan (Q4, Q8, fp8, NF4)

Semua panduan

Nota Kapten

Ditulis oleh Captain, editor rumah

Nota dari 2026-10-13

Llama 4 Scout adalah model campuran-pakar cekap Meta, mengaktifkan 17 bilion daripada 109 bilion parameternya setiap laluan hadapan. Ciri utamanya adalah tetingkap konteks 10 juta token, terpanjang bagi mana-mana model berat terbuka semasa pelancaran, dipadankan dengan pemahaman imej asli merangkumi 12 bahasa. Ia sesuai untuk pembangun dan penyelidik yang perlukan keupayaan multimodal pada harga jauh lebih rendah daripada model tertutup frontier, atau yang mahu jalankan model bahasa-penglihatan mampu secara tempatan.

Dikenali untuk

Tetingkap konteks 10 juta token, terpanjang tersedia dalam berat terbuka
Input imej dan teks asli melalui gabungan awal, tiada penyesuai penglihatan tambahan
Seni bina MoE mengekalkan parameter aktif pada 17B, mengurangkan kos inferens
Berbilang bahasa merangkumi 12 bahasa, termasuk sembang, kapsyen dan kod
Berat terbuka di bawah Lesen Komuniti Llama 4, dibenarkan guna secara tempatan

Berhati-hati dengan

Lesen Komuniti Llama 4 tidak sepenuhnya permisif; semak had penggunaan sebelum guna komersial.
109B parameter keseluruhan bermakna inferens tempatan memerlukan perkakasan serius walaupun 17B aktif.
Data latihan terhenti pada Ogos 2024; apa-apa selepas itu tidak diketahui model.

Terbaik untuk

Penglihatan

Banyak bahasa

Konteks panjang

Jalankan secara tempatan

Bajet

Arahan untuk cuba

Analisa dokumen padat

Saya tampal kontrak panjang di bawah. Baca keseluruhan, kemudian senaraikan setiap klausa yang mewujudkan kewajipan kewangan ke atas syarikat saya, jumlah dolar atau formula yang terlibat, dan nombor seksyen di mana ia muncul. Tandakan sebarang klausa yang kewajipannya terbuka atau tidak terhad.

Terangkan dan fikirkan tentang imej

Lihat imej yang saya lampirkan. Terangkan apa yang berlaku dengan tepat, kemudian beritahu apa yang luar biasa atau tidak konsisten berbanding apa yang biasanya anda jangkakan dalam jenis pemandangan ini. Berikan penaakulan anda langkah demi langkah.

Balasan pelanggan berbilang bahasa

Seorang pelanggan menulis kepada kami dalam bahasa Perancis mengadu pesanan mereka tiba dalam keadaan rosak dan mereka mahu bayaran balik. Draf balasan profesional dalam bahasa Perancis yang memohon maaf, mengesahkan kami akan proses bayaran balik penuh dalam 5 hari bekerja, dan minta mereka simpan barang rosak untuk rekod kami. Nada mesra tetapi tidak berlebihan.

Bandingkan dengan

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

Lebih banyak model teks dari meta-llama

Soalan yang sering ditanya

Bolehkah saya jalankan Llama 4 Scout secara tempatan?: Ya, berat terbuka dan tersedia di Hugging Face di bawah Lesen Komuniti Llama 4. Ingat model penuh adalah 109B parameter, jadi anda perlukan perkakasan besar; versi kuantisasi mengurangkan keperluan itu dengan ketara.
Berapa kos Llama 4 Scout melalui API, dan berapa panjang konteksnya?: Harga adalah $0.18 setiap sejuta token input dan $0.59 setiap sejuta token output. Tetingkap konteks disokong ialah 1,310,720 token melalui API, manakala model asas dilatih untuk mengendalikan sehingga 10 juta token.
Bagaimana Scout berbeza daripada Llama 4 Maverick?: Kedua-duanya adalah model MoE Llama 4, tetapi Scout mengaktifkan 17B parameter dengan 16 pakar dan diposisikan sebagai pilihan lebih ringan dan mesra penggunaan; Maverick adalah adik yang lebih besar untuk tugasan berkeupayaan lebih tinggi.

Keputusan Kapten
Gabungan jarang berat terbuka, keupayaan penglihatan sebenar dan tetingkap konteks luar biasa pada harga yang menjadikan model tertutup frontier kelihatan terlalu mahal.

Kad model di Hugging Face

Kapten menulis nota ini berdasarkan penerangan model dan kad model itu sendiri. Harga dan saiz konteks adalah dari penyedia pada masa penulisan dan boleh 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 dijumlahkan

Model ini belum ada data populariti dari mana-mana sumber lagi, jadi ia membawa nombor gantian di bawah 7,000° yang memastikan senarai lengkap. Ia tidak pernah menduduki tempat lebih tinggi daripada model yang ada data. Pecahan muncul di sini sebaik sahaja sumber melaporkannya.

Glosari: istilah yang digunakan di sini

Skor heat: Satu nombor untuk seberapa banyak model digunakan dan diingini sekarang, dari 0° hingga 9,999°. Setiap senarai di laman ini yang kata paling panas disusun mengikutnya dan tiada yang lain.
Lantai: 7,000° yang setiap model dengan data sebenar bermula. Skala dari 0° hingga 9,999°; bahagian bawah lantai untuk pengganti (model tanpa data), supaya model dengan data sentiasa lebih tinggi dari yang tiada. Lantai sama untuk semua dan tidak tentukan apa-apa; darjah di atasnya adalah ukuran.
Setara muat turun: Semua yang skor anggap sebagai muat turun, dijumlahkan: muat turun sendiri, setiap torrent seeder sebagai 1,000, setiap imej AI Horde dan setiap larian di laman generasi sebagai satu.
Skala log: Mengira dengan puluhan, bukan satuan: dari 1,000 ke 10,000 muat turun tambah darjah sama seperti dari 10,000 ke 100,000. Ini elak gergasi menindas yang lain.
Suka: Jempol dan suka dari semua sumber, bernilai separuh muat turun pada skala log.
Kadar penerimaan: Berapa banyak muat turun sehari model dapat sekarang, dari beza dua bacaan sumber. Berat suku dari terma muat turun.
Diukur dan dianggarkan: Diukur bermaksud ada dua bacaan dari satu sumber dan perbezaannya adalah nyata. Dianggarkan bermaksud hanya jumlah hari ini yang diketahui dan masa lalu diagihkan sepanjang hayat model; laman web akan memberitahu yang mana satu ia tunjukkan.
Seeder: Seseorang yang menyimpan salinan berat secara dalam talian untuk dimuat turun oleh orang lain melalui torrent, atau cermin yang dihoskan melakukan perkara yang sama. Setiap satu dikira sebagai 1,000 muat turun.
AI Horde: Rangkaian sukarelawan yang menjana imej secara percuma pada komputer yang didermakan. Bilangan imej yang telah dihasilkan dengan model adalah awam, dan setiap satu dikira sebagai satu muat turun.
Laman penjanaan: Laman yang menghoskan salinan model mereka sendiri dan membenarkan orang menjana dengannya, seperti PixAI, SeaArt dan Yodayo. Muat turun mereka dikira seperti Civitai dan setiap sesi penjanaan dikira sebagai satu muat turun.
Token OpenRouter: Model teks yang disediakan melalui API, seperti Claude atau GPT, tidak mempunyai berat untuk dimuat turun, jadi penggunaannya diukur dalam token: bahagian teks yang dibaca dan ditulis melalui OpenRouter, pintu masuk yang digunakan oleh banyak aplikasi, dalam 30 hari terakhir. Setiap 10,000,000 token dikira sebagai satu muat turun. Sumber: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model penuh (checkpoint): Berat itu sendiri, fail yang menjana secara sendiri. Ia mendapat bonus kerana add-on bergantung padanya.
LoRA dan embedding: Fail add-on kecil yang mengarahkan berat orang lain ke arah gaya, watak atau konsep. Ia tidak boleh dijalankan sendiri.
Keluarga dan berat: Asas yang model dibina, seperti SD 1.5, SDXL, Flux atau Wan. Setiap model mewarisi tarikh keluaran berat keluarganya.
Umur: Darjah yang ditolak berdasarkan berapa lama berat keluarga itu dikeluarkan: 150° setahun, sehingga 750°. Ia mengekalkan muat turun lama yang mempunyai masa bertahun-tahun untuk terkumpul dengan membekukan di bahagian atas senarai.
Peningkatan keluarga: Dorongan kecil dan terhad untuk LoRA dari keluarga yang laman ini sedang galakkan sekarang, sentiasa disenaraikan dalam pecahan.
Skor gantian: Nombor stabil di bawah paras yang diberikan kepada model yang belum ada laporan sumber, supaya senarai kekal lengkap. Ia tidak pernah mendahului model yang ada data.
Baru! (tempoh kelonggaran): Model yang berumur kurang dari 7 hari menunjukkan Baru! dan tidak mempunyai skor serta tidak menduduki tempat dalam kedudukan. Skornya dikira dari hari pertama, tetapi model yang berumur satu hari berkembang lebih cepat daripada apa pun, jadi tanpa menunggu, #1 minggu ini akan sentiasa menjadi apa sahaja yang keluar semalam dan bukan yang bertahan selama seminggu.
Trend: Bagaimana pertumbuhan model dalam tempoh tertentu dibandingkan dengan pertumbuhan model biasa dalam tempoh yang sama. Lebih cepat dari biasa bermaksud naik, lebih perlahan bermaksud turun.
Model biasa: Tengah katalog: separuh model dengan angka tumbuh lebih cepat dalam tempoh itu, separuh lagi lebih perlahan.

Model serupa

Model AI untuk penjanaan imej, video dan teks

Llama 4 Scout ialah model teks untuk keluarga Text / LLM yang disenaraikan di ModelTrends.ai, katalog baca sahaja untuk model AI imej, video dan teks sumber terbuka. Bandingkannya dengan model Text / LLM lain dan semak skor habanya untuk melihat trendnya.

Lagi model Text / LLM Lagi Teks / LLM Text / LLM llm meta-llama penglihatan banyak bahasa konteks panjang tempatan bajet

Layari mengikut keluarga model