Pot rula Llama 4 Scout local?

Da, greutățile sunt deschise și disponibile pe Hugging Face sub Llama 4 Community License. Ține cont că modelul complet are 109 miliarde de parametri, deci vei avea nevoie de hardware substanțial; versiunile cuantificate reduc această cerință.

Cât costă Scout prin API și cât de lungă este fereastra de context?

Prețul este 0,18 USD per milion de tokeni de intrare și 0,59 USD per milion de tokeni de ieșire. Fereastra de context suportată prin API este de 1.310.720 tokeni, în timp ce modelul a fost antrenat pentru a gestiona până la 10 milioane de tokeni.

Cum diferă Scout de Llama 4 Maverick?

Ambele sunt modele Llama 4 MoE, dar Scout activează 17 miliarde de parametri cu 16 experți și este poziționat ca opțiunea mai ușoară și mai prietenoasă pentru implementare; Maverick este fratele mai mare, destinat sarcinilor cu capacitate mai mare.

Llama 4 Scout

5292°

#llm #meta-llama #viziune #multilingv #context lung #local

Rulează modelul

Oferte / Reclame

OpenRouter Terminal / API

Plătește pe token

Conversează cu acest model în browser sau apelează-l din codul tău cu o singură cheie API.

Meta | context de 1.310.720 tokeni | 0,18$/M input, 0,59$/M output. Llama 4 Scout 17B Instruct (16E) este un model lingvistic mixture-of-experts (MoE) dezvoltat de Meta, activând 17 miliarde de parametri dintr-un total de 109 miliarde. Suportă input multimodal nativ (text și imagine) și output multilingv (text și cod) în 12 limbi suportate. Proiectat pentru interacțiune de tip asistent și raționament vizual, Scout folosește 16 experți per pas înainte și are o lungime de context de 10 milioane de tokeni, cu un corpus de antrenament de ~40 trilioane de tokeni. Construit pentru eficiență…Meta | context de 1.310.720 tokeni | 0,18$/M input, 0,59$/M output. Llama 4 Scout 17B Instruct (16E) este un model lingvistic mixture-of-experts (MoE) dezvoltat de Meta, activând 17 miliarde de parametri dintr-un total de 109 miliarde. Suportă input multimodal nativ (text și imagine) și output multilingv (text și cod) în 12 limbi suportate. Proiectat pentru interacțiune de tip asistent și raționament vizual, Scout folosește 16 experți per pas înainte și are o lungime de context de 10 milioane de tokeni, cu un corpus de antrenament de ~40 trilioane de tokeni. Construit pentru eficiență ridicată și implementare locală sau comercială, Llama 4 Scout încorporează fuziune timpurie pentru integrare fluidă a modalităților. Este ajustat pentru instrucțiuni pentru utilizare în chat multilingv, subtitrare și înțelegerea imaginilor. Lansat sub Licența Comunității Llama 4, a fost antrenat ultima dată pe date până în august 2024 și lansat public pe 5 aprilie 2025.

Ghiduri pentru acest model

Ollama vs LM Studio (2026): ce aplicație AI locală să folosești și ce modele de top rulează fiecare

Cel mai bun LLM local după caz de utilizare (octombrie 2026): modelul open potrivit pentru fiecare job

De câțiva GB de VRAM am nevoie cu adevărat pentru AI local?

Ce este un fișier GGUF? Modele cuantificate explicate (Q4, Q8, fp8, NF4)

Toate ghidurile

Notele căpitanului

Scris de Captain, editorul casei

Note din 2026-10-13

Llama 4 Scout este modelul eficient mixture-of-experts al Meta, activând 17 miliarde din cei 109 miliarde de parametri la fiecare inferență. Caracteristica sa principală este o fereastră de context de 10 milioane de tokeni, cea mai lungă dintre modelele cu greutăți deschise la lansare, combinată cu înțelegere nativă a imaginilor în 12 limbi. Este potrivit pentru dezvoltatori și cercetători care au nevoie de capabilitate multimodală la un preț mult sub modelele frontieră închise sau care vor să ruleze local un model vizual-limbaj capabil.

Cunoscut pentru

Fereastră de context de 10 milioane de tokeni, cea mai lungă disponibilă în greutăți deschise
Intrare nativă imagine și text prin fuziune timpurie, fără adaptor vizual suplimentar
Arhitectură MoE menține parametrii activi la 17 miliarde, reducând costul inferenței
Multilingv în 12 limbi, acoperind chat, subtitrare și cod
Greutăți deschise sub Llama 4 Community License, permite rulare locală

Atenție la

Licența Llama 4 Community nu este complet permisivă; verifică limitele de utilizare înainte de implementare comercială.
109 miliarde parametri total înseamnă că inferența locală cere hardware serios, în ciuda celor 17 miliarde activi.
Datele de antrenament se opresc în august 2024; orice după aceea nu este cunoscut modelului.

Cel mai bun pentru

Sugestii de încercat

Analizează un document dens

Lipește mai jos un contract lung. Citește tot, apoi listează fiecare clauză care creează o obligație financiară pentru compania mea, suma sau formula implicată și numărul secțiunii unde apare. Semnalează orice clauză cu obligație deschisă sau nelimitată.

Descrie și raționează asupra unei imagini

Privește imaginea atașată. Descrie în detaliu precis ce se întâmplă, apoi spune ce este neobișnuit sau inconsistent comparativ cu ce te-ai aștepta să vezi într-o astfel de scenă. Explică raționamentul pas cu pas.

Răspuns multilingv pentru client

Un client ne-a scris în franceză plângându-se că comanda a sosit deteriorată și dorește rambursare. Redactează un răspuns profesional în franceză care să ceară scuze, să confirme că vom procesa rambursarea completă în 5 zile lucrătoare și să ceară să păstreze produsul deteriorat pentru evidențele noastre. Tonul să fie cald, dar nu exagerat.

Compară cu

Llama 3.2 3B Instruct
Model cu greutăți deschise
context de 131,072 tokeni · $0.05/M intrare, $0.33/M ieșire
Llama 3.1 70B Instruct
Model cu greutăți deschise
context de 131,072 tokeni · $0.40/M intrare, $0.40/M ieșire
Llama Guard 4 12B
Model cu greutăți deschise
context de 163,840 tokeni · $0.18/M intrare, $0.18/M ieșire
Llama 4 Scout 17B 16E Instruct
Model cu greutăți deschise
context de 327,680 tokeni · $0.10/M intrare, $0.30/M ieșire

Mai multe modele text de la meta-llama

Întrebări frecvente

Pot rula Llama 4 Scout local?: Da, greutățile sunt deschise și disponibile pe Hugging Face sub Llama 4 Community License. Ține cont că modelul complet are 109 miliarde de parametri, deci vei avea nevoie de hardware substanțial; versiunile cuantificate reduc această cerință.
Cât costă Scout prin API și cât de lungă este fereastra de context?: Prețul este 0,18 USD per milion de tokeni de intrare și 0,59 USD per milion de tokeni de ieșire. Fereastra de context suportată prin API este de 1.310.720 tokeni, în timp ce modelul a fost antrenat pentru a gestiona până la 10 milioane de tokeni.
Cum diferă Scout de Llama 4 Maverick?: Ambele sunt modele Llama 4 MoE, dar Scout activează 17 miliarde de parametri cu 16 experți și este poziționat ca opțiunea mai ușoară și mai prietenoasă pentru implementare; Maverick este fratele mai mare, destinat sarcinilor cu capacitate mai mare.

Verdictul căpitanului
O combinație rară de greutăți deschise, capabilitate reală de viziune și o fereastră absurd de mare de context, la un preț care face modelele frontieră închise să pară scumpe.

Fișa modelului pe Hugging Face

Căpitanul scrie aceste note pe baza descrierii modelului și a fișei modelului. Prețurile și dimensiunile contextului sunt cele ale furnizorului la momentul scrierii și pot varia.

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

Cum se adună acest scor

Acest model nu are încă date de popularitate de la nicio sursă, așa că are un număr provizoriu sub 7,000° care menține listele complete. Nu va fi niciodată clasat mai sus decât un model cu date. Descompunerea apare aici imediat ce o sursă o raportează.

Glosar: termenii folosiți aici

Scor de căldură: Un număr care arată cât de mult este folosit și dorit un model acum, de la 0° la 9.999°. Fiecare listă de pe site care spune „cele mai călduroase” este sortată după acest scor și nimic altceva.
Prag: 7.000° este punctul de start pentru orice model cu date reale. Scara merge de la 0° la 9.999°; partea de sub prag este rezervată pentru înlocuitori (modele fără date), ca să fie sigur că un model cu date e mereu mai sus decât unul fără. Pragul e același pentru toți și nu decide nimic; gradele de deasupra lui sunt măsurătoarea.
Echivalente descărcări: Tot ce scorul tratează ca o descărcare, adunat: descărcările în sine, fiecare seeder de torrent ca 1.000, fiecare imagine AI Horde și fiecare rulare pe un site de generare ca una.
Scară logaritmică: Se numără la zeci, nu la unități: trecerea de la 1.000 la 10.000 descărcări adaugă aceleași grade ca trecerea de la 10.000 la 100.000. Astfel, modelele mari nu acoperă tot ce e mic.
Aprecieri: Like-uri și aprecieri de oriunde, fiecare valorează jumătate dintr-o descărcare pe scara logaritmică.
Rata de adoptare: Câte descărcări pe zi primește un model acum, calculat din diferența dintre două citiri ale unei surse. Are un sfert din greutatea termenului de descărcare.
Măsurat și estimat: Măsurat înseamnă că există două citiri ale unei surse și diferența este reală. Estimat înseamnă că se știe doar totalul de azi, iar trecutul este împărțit pe durata vieții modelului; site-ul spune care dintre ele este afișat.
Seeder: Cineva care păstrează o copie a greutăților online pentru ca alții să le descarce prin torrent, sau o oglindă găzduită care face același lucru. Fiecare contează ca 1.000 de descărcări.
AI Horde: O rețea de voluntari care generează imagini gratuit pe calculatoare donate. Numărul de imagini create cu un model este public și fiecare contează ca o descărcare.
Site-uri de generare: Site-uri care găzduiesc propriile copii ale unui model și permit oamenilor să genereze cu el, cum ar fi PixAI, SeaArt și Yodayo. Descărcările lor contează ca cele de pe Civitai, iar fiecare rulare de generare ca o descărcare.
Tokeni OpenRouter: Un model de text servit printr-un API, cum ar fi Claude sau GPT, nu are greutăți de descărcat, deci utilizarea sa se măsoară în tokeni: bucățile de text citite și scrise prin OpenRouter, un gateway folosit de multe aplicații, în ultimele 30 de zile. Fiecare 10,000,000 tokeni contează ca un download. Sursa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Model complet (checkpoint): Greutățile în sine, fișierul care generează singur. Primește un bonus pentru că depind de el add-on-urile.
LoRA și embedding: Fișiere mici add-on care direcționează greutățile altcuiva spre un stil, un personaj sau un concept. Nu pot rula singure.
Familie și greutăți: Baza pe care este construit un model, cum ar fi SD 1.5, SDXL, Flux sau Wan. Fiecare model moștenește data lansării greutăților familiei sale.
Vârstă: Grade scăzute în funcție de cât timp a trecut de când au apărut greutățile familiei: 150° pe an, până la 750°. Păstrează descărcările vechi care au avut ani să se acumuleze, blocând topul listei.
Boost de familie: Un mic impuls limitat pentru LoRA-urile unei familii pe care site-ul o promovează acum, întotdeauna listat în detaliu.
Scor de rezervă: Un număr stabil sub prag, dat unui model despre care nicio sursă nu raportează încă, ca listele să rămână complete. Nu se clasează niciodată peste un model cu date.
Nou! (perioadă de grație): Un model mai nou de 7 zile afișează Nou! în loc de scor și nu ocupă loc în clasamente. Scorul său este calculat de la prima zi, dar un model de o zi crește mai rapid decât orice altceva, deci fără această așteptare, modelul #1 al săptămânii ar fi întotdeauna cel apărut ieri, nu cel care a rezistat o săptămână.
Tendință: Cum se compară creșterea unui model într-o perioadă cu creșterea tipică a unui model în aceeași perioadă. Mai rapid decât tipicul înseamnă creștere, mai lent scădere.
Model tipic: Mijlocul catalogului: jumătate dintre modele cu o cifră au crescut mai repede în perioada respectivă, jumătate mai încet.

Modele similare

Modele AI pentru generare de imagini, video și text

Llama 4 Scout este un model de text pentru familia Text / LLM, listat pe ModelTrends.ai, un catalog doar pentru citire al modelelor AI open source pentru imagini, video și text. Compară-l cu alte modele Text / LLM și verifică-i scorul de căldură pentru a vedea cât este de popular.

Mai multe modele Text / LLM llm meta-llama viziune multilingv context lung local buget

Răsfoiește după familia de modele