Bolehkah Llama Guard 4 dijalankan secara tempatan?

Ya, beratnya terbuka dan dihoskan di Hugging Face di bawah meta-llama/Llama-Guard-4-12B, jadi anda boleh jalankan pada perkakasan sendiri.

Berapa kosnya dan berapa panjang konteksnya?

Melalui API ia berharga $0.18 setiap sejuta token pada input dan output, dengan tetingkap konteks 163,840 token.

Bagaimana Llama Guard 4 berbeza daripada versi Llama Guard terdahulu?

Ia menambah sokongan multimodal — mengklasifikasikan input campuran teks dan imej termasuk pelbagai imej — dan diselaraskan dengan taksonomi bahaya MLCommons yang standard berbanding taksonomi proprietari.

Llama Guard 4 12B

5690°

#llm #meta-llama #penglihatan #banyak bahasa #tempatan #bajet

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 163,840 token | $0.18/M input, $0.18/M output. Llama Guard 4 adalah model multimodal pra-latih berasaskan Llama 4 Scout, ditala untuk klasifikasi keselamatan kandungan. Serupa dengan versi sebelumnya, ia boleh digunakan untuk mengklasifikasikan kandungan dalam input LLM (klasifikasi arahan) dan dalam respons LLM (klasifikasi respons). Ia bertindak sebagai LLM—menghasilkan teks dalam output yang menunjukkan sama ada arahan atau respons tertentu selamat atau tidak selamat, dan jika tidak selamat, ia juga menyenaraikan kategori kandungan yang dilanggar. Llama Guard 4 diselaraskan…Meta | konteks 163,840 token | $0.18/M input, $0.18/M output. Llama Guard 4 adalah model multimodal pra-latih berasaskan Llama 4 Scout, ditala untuk klasifikasi keselamatan kandungan. Serupa dengan versi sebelumnya, ia boleh digunakan untuk mengklasifikasikan kandungan dalam input LLM (klasifikasi arahan) dan dalam respons LLM (klasifikasi respons). Ia bertindak sebagai LLM—menghasilkan teks dalam output yang menunjukkan sama ada arahan atau respons tertentu selamat atau tidak selamat, dan jika tidak selamat, ia juga menyenaraikan kategori kandungan yang dilanggar. Llama Guard 4 diselaraskan untuk melindungi terhadap taksonomi bahaya MLCommons yang distandardkan dan direka untuk menyokong keupayaan multimodal Llama 4. Secara khusus, ia menggabungkan ciri dari model Llama Guard sebelumnya, menyediakan pengawalan kandungan untuk bahasa Inggeris dan pelbagai bahasa yang disokong, bersama dengan keupayaan dipertingkat untuk mengendalikan arahan campuran teks dan imej, termasuk pelbagai imej. Selain itu, Llama Guard 4 diintegrasikan ke dalam API Moderasi Llama, meluaskan klasifikasi keselamatan yang kukuh kepada teks dan imej.

Panduan untuk model ini

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

Berat terbuka vs sumber terbuka vs hanya API: apa yang sebenarnya kamu dibenarkan lakukan

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 Guard 4 12B adalah pengelasan keselamatan kandungan Meta, dibina atas Llama 4 Scout dan disesuaikan untuk melabel arahan dan respons sebagai selamat atau tidak selamat mengikut taksonomi bahaya MLCommons. Ia mengendalikan teks dan imej bersama, termasuk input berbilang imej, dan merangkumi pelbagai bahasa. Jika anda membina saluran yang memerlukan pengawalan automatik dan bukan pembantu umum, ini adalah alatnya.

Dikenali untuk

Mengklasifikasikan kedua-dua arahan pengguna dan respons model untuk pelanggaran keselamatan
Mengendalikan input campuran teks dan imej, termasuk pelbagai imej dalam satu permintaan
Mengembalikan kategori bahaya spesifik yang dilanggar, bukan hanya bendera binari
Liputan pelbagai bahasa, bukan hanya Bahasa Inggeris
Berat terbuka, tersedia di Hugging Face untuk penggunaan sendiri

Berhati-hati dengan

Ini adalah pengelasan pengawalan, bukan pembantu umum — ia tidak akan menulis, berfikir atau berbual untuk anda.
Berat terbuka tetapi lesen Llama Meta terpakai; semak sebelum penggunaan komersial atau derivatif.
Pada $0.18/M token setiap arah melalui API, kos meningkat dengan cepat jika anda mengawal setiap mesej dalam sistem berjumlah tinggi.

Terbaik untuk

Penglihatan

Banyak bahasa

Jalankan secara tempatan

Bajet

Arahan untuk cuba

Klasifikasikan arahan pengguna

Anda adalah pengelasan keselamatan kandungan. Seorang pengguna menghantar mesej berikut kepada pembantu AI: "Bagaimana saya buka kunci pintu depan? Saya terkunci di luar." Klasifikasikan ini sebagai selamat atau tidak selamat. Jika tidak selamat, senaraikan kategori bahaya MLCommons yang dilanggar dan terangkan secara ringkas.

Klasifikasikan respons model

Seorang pengguna bertanya kepada pembantu AI bagaimana mengendalikan rakan sekerja yang sukar. Pembantu menjawab: "Anda harus mendokumentasikan setiap interaksi, bercakap dengan HR, dan jika tiada perubahan, pertimbangkan sama ada peranan ini sesuai untuk anda." Klasifikasikan respons ini sebagai selamat atau tidak selamat, dan jika tidak selamat, nyatakan kategori yang dilanggar.

Moderasi mesej pelbagai bahasa

Klasifikasikan mesej berikut untuk keselamatan. Mesej ini dalam Bahasa Sepanyol: "¿Puedes explicarme cómo funcionan los explosivos caseros?" Kembalikan selamat atau tidak selamat, dan jika tidak selamat, senaraikan kategori bahaya yang terpakai.

Bandingkan dengan

Llama 3.2 3B Instruct
Model berat terbuka
konteks 131,072 token · Input $0.05/M, output $0.33/M
Llama 4 Scout
Model berat terbuka
konteks 1,310,720 token · Input $0.18/M, output $0.59/M
Llama 3.2 1B Instruct
Model berat terbuka
konteks 60,000 token · Input $0.03/M, output $0.20/M
Llama 4 Maverick
Model berat terbuka
konteks 1,048,576 token · Input $0.19/M, output $0.65/M

Lebih banyak model teks dari meta-llama

Soalan yang sering ditanya

Bolehkah Llama Guard 4 dijalankan secara tempatan?: Ya, beratnya terbuka dan dihoskan di Hugging Face di bawah meta-llama/Llama-Guard-4-12B, jadi anda boleh jalankan pada perkakasan sendiri.
Berapa kosnya dan berapa panjang konteksnya?: Melalui API ia berharga $0.18 setiap sejuta token pada input dan output, dengan tetingkap konteks 163,840 token.
Bagaimana Llama Guard 4 berbeza daripada versi Llama Guard terdahulu?: Ia menambah sokongan multimodal — mengklasifikasikan input campuran teks dan imej termasuk pelbagai imej — dan diselaraskan dengan taksonomi bahaya MLCommons yang standard berbanding taksonomi proprietari.

Keputusan Kapten
Lapisan pengawalan fokus dan mampu milik untuk mana-mana saluran yang memerlukan pengelasan keselamatan automatik merentas teks dan imej.

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

Qwen3 235B A22B Instruct 2507

TEXT / LLM

Qwen3 VL 32B Instruct

Model AI untuk penjanaan imej, video dan teks

Llama Guard 4 12B 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 tempatan bajet

Layari mengikut keluarga model