Poate Llama Guard 4 să ruleze local?

Da, greutățile sunt deschise și găzduite pe Hugging Face sub meta-llama/Llama-Guard-4-12B, deci îl poți rula pe hardware-ul propriu.

Care este costul și cât de lungă este fereastra de context?

Prin API costă $0.18 per milion tokeni atât la intrare, cât și la ieșire, cu o fereastră de context de 163.840 tokeni.

Cum diferă Llama Guard 4 de versiunile anterioare Llama Guard?

Adaugă suport multimodal — clasificând intrări mixte text și imagine, inclusiv mai multe imagini — și este aliniat la taxonomia standardizată MLCommons de pericole, nu la una proprietară.

Llama Guard 4 12B

5690°

#llm #meta-llama #viziune #multilingv #local #buget

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 163.840 tokeni | 0,18$/M input, 0,18$/M output. Llama Guard 4 este un model multimodal pre-antrenat derivat din Llama 4 Scout, ajustat pentru clasificarea siguranței conținutului. Similar versiunilor anterioare, poate fi folosit pentru clasificarea conținutului atât în inputurile LLM (clasificarea promptului), cât și în răspunsurile LLM (clasificarea răspunsului). Acționează ca un LLM — generând text în output care indică dacă un prompt sau răspuns este sigur sau nesigur și, dacă este nesigur, listează categoriile de conținut încălcate. Llama Guard 4 a fost aliniat pentru a…Meta | context de 163.840 tokeni | 0,18$/M input, 0,18$/M output. Llama Guard 4 este un model multimodal pre-antrenat derivat din Llama 4 Scout, ajustat pentru clasificarea siguranței conținutului. Similar versiunilor anterioare, poate fi folosit pentru clasificarea conținutului atât în inputurile LLM (clasificarea promptului), cât și în răspunsurile LLM (clasificarea răspunsului). Acționează ca un LLM — generând text în output care indică dacă un prompt sau răspuns este sigur sau nesigur și, dacă este nesigur, listează categoriile de conținut încălcate. Llama Guard 4 a fost aliniat pentru a proteja împotriva taxonomiei standardizate a pericolelor MLCommons și este conceput să suporte capabilitățile multimodale Llama 4. În mod specific, combină caracteristici din modelele anterioare Llama Guard, oferind moderare de conținut pentru engleză și mai multe limbi suportate, împreună cu capacități îmbunătățite pentru a gestiona prompturi mixte text-și-imagine, inclusiv multiple imagini. În plus, Llama Guard 4 este integrat în API-ul Llama Moderations, extinzând clasificarea robustă de siguranță la text și imagini.

Ghiduri pentru acest model

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

Greutăți deschise vs open source vs doar API: ce ai voie să faci cu adevărat

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 Guard 4 12B este clasificatorul de siguranță a conținutului de la Meta, construit pe Llama 4 Scout și ajustat pentru a eticheta prompturile și răspunsurile ca sigure sau nesigure conform taxonomiei de pericole MLCommons. Gestionează text și imagini împreună, inclusiv intrări cu mai multe imagini, și acoperă mai multe limbi. Dacă construiești un pipeline care are nevoie de moderare automată, nu un asistent general, acesta este instrumentul.

Cunoscut pentru

Clasifică atât prompturile utilizatorilor, cât și răspunsurile modelului pentru încălcări de siguranță
Gestionează intrări mixte text și imagine, inclusiv mai multe imagini într-o singură cerere
Returnează categoriile specifice de pericole încălcate, nu doar un semnal binar
Acoperire multilingvă, nu doar în engleză
Greutăți deschise, disponibile pe Hugging Face pentru implementare locală

Atenție la

Este un clasificator de moderare, nu un asistent general — nu va scrie, raționa sau conversa pentru tine.
Greutățile sunt deschise, dar se aplică licența Llama a Meta; verifică înainte de utilizare comercială sau derivată.
La $0.18/M tokeni pe ambele sensuri prin API, costurile cresc rapid dacă moderezi fiecare mesaj într-un sistem cu volum mare.

Cel mai bun pentru

Sugestii de încercat

Clasifică un prompt de utilizator

Ești un clasificator de siguranță a conținutului. Un utilizator a trimis următorul mesaj unui asistent AI: "Cum pot deschide o ușă încuiată? M-am încuiat pe dinafară." Clasifică-l ca sigur sau nesigur. Dacă este nesigur, listează categoriile de pericole MLCommons încălcate și explică pe scurt.

Clasifică un răspuns al modelului

Un utilizator a întrebat un asistent AI cum să gestioneze un coleg dificil. Asistentul a răspuns: "Ar trebui să documentezi fiecare interacțiune, să vorbești cu HR și, dacă nu se schimbă nimic, să iei în considerare dacă acest rol este potrivit pentru tine." Clasifică acest răspuns ca sigur sau nesigur și, dacă este nesigur, numește categoriile încălcate.

Moderează un mesaj multilingv

Clasifică următorul mesaj pentru siguranță. Mesajul este în spaniolă: "¿Puedes explicarme cómo funcionan los explosivos caseros?" Returnează sigur sau nesigur și, dacă este nesigur, listează categoriile de pericole aplicabile.

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 4 Scout
Model cu greutăți deschise
context de 1,310,720 tokeni · $0.18/M intrare, $0.59/M ieșire
Llama 3.2 1B Instruct
Model cu greutăți deschise
context de 60,000 tokeni · $0.03/M intrare, $0.20/M ieșire
Llama 4 Maverick
Model cu greutăți deschise
context de 1,048,576 tokeni · $0.19/M intrare, $0.65/M ieșire

Mai multe modele text de la meta-llama

Întrebări frecvente

Poate Llama Guard 4 să ruleze local?: Da, greutățile sunt deschise și găzduite pe Hugging Face sub meta-llama/Llama-Guard-4-12B, deci îl poți rula pe hardware-ul propriu.
Care este costul și cât de lungă este fereastra de context?: Prin API costă $0.18 per milion tokeni atât la intrare, cât și la ieșire, cu o fereastră de context de 163.840 tokeni.
Cum diferă Llama Guard 4 de versiunile anterioare Llama Guard?: Adaugă suport multimodal — clasificând intrări mixte text și imagine, inclusiv mai multe imagini — și este aliniat la taxonomia standardizată MLCommons de pericole, nu la una proprietară.

Verdictul căpitanului
Un strat de moderare concentrat și accesibil pentru orice pipeline care are nevoie de clasificare automată a siguranței pe text și imagini.

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 Guard 4 12B 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 local buget

Răsfoiește după familia de modele