Kan jag köra Llama 4 Scout lokalt?

Ja, vikterna är öppna och finns på Hugging Face under Llama 4 Community License. Tänk på att hela modellen är 109 miljarder parametrar, så du behöver rejäl hårdvara; kvantiserade versioner minskar kraven avsevärt.

Vad kostar Llama 4 Scout via API och hur långt är kontextfönstret?

Priset är $0,18 per miljon inmatningstoken och $0,59 per miljon utmatningstoken. Det stödda kontextfönstret är 1 310 720 token via API, medan den underliggande modellen tränades för att hantera upp till 10 miljoner token.

Hur skiljer sig Scout från Llama 4 Maverick?

Båda är Llama 4 MoE-modeller, men Scout aktiverar 17 miljarder parametrar med 16 experter och är positionerad som det mer slimmade, mer driftsvänliga alternativet; Maverick är den större syskonmodellen för mer krävande uppgifter.

Llama 4 Scout

5292°

#llm #meta-llama #vision #fler språk #lång kontext #lokal

Kör modellen

Erbjudanden / annonser

OpenRouter Terminal / API

Betala per token

Chatta med den här modellen i webbläsaren eller anropa den från din kod med en API-nyckel.

Meta | 1,310,720 token kontext | $0.18/M input, $0.59/M output. Llama 4 Scout 17B Instruct (16E) är en mixture-of-experts (MoE) språkmodell utvecklad av Meta, som aktiverar 17 miljarder parametrar av totalt 109 miljarder. Den stödjer inbyggd multimodal inmatning (text och bild) och flerspråkig utmatning (text och kod) på 12 stödda språk. Designad för assistentlik interaktion och visuellt resonemang, använder Scout 16 experter per framåtpassage och har en kontextlängd på 10 miljoner tokens, med en träningskorpus på ~40 biljoner tokens. Byggd för hög effektivitet och lokal eller kommersiell…Meta | 1,310,720 token kontext | $0.18/M input, $0.59/M output. Llama 4 Scout 17B Instruct (16E) är en mixture-of-experts (MoE) språkmodell utvecklad av Meta, som aktiverar 17 miljarder parametrar av totalt 109 miljarder. Den stödjer inbyggd multimodal inmatning (text och bild) och flerspråkig utmatning (text och kod) på 12 stödda språk. Designad för assistentlik interaktion och visuellt resonemang, använder Scout 16 experter per framåtpassage och har en kontextlängd på 10 miljoner tokens, med en träningskorpus på ~40 biljoner tokens. Byggd för hög effektivitet och lokal eller kommersiell distribution, inkluderar Llama 4 Scout tidig fusion för sömlös modalitetsintegration. Den är instruktionstränad för användning i flerspråkig chatt, bildtextning och bildförståelseuppgifter. Släppt under Llama 4 Community License, tränades den senast på data fram till augusti 2024 och lanserades offentligt den 5 april 2025.

Guider för denna modell

Ollama vs LM Studio (2026): vilken lokal AI-app du ska använda och vilka toppmodeller varje kör

Bästa lokala LLM efter användningsområde (oktober 2026): rätt öppna modell för varje jobb

Hur mycket VRAM behöver jag egentligen för lokal AI?

Vad är en GGUF-fil? Förklaringar av kvantiserade modeller (Q4, Q8, fp8, NF4)

Alla guider

Kaptenens anteckningar

Skrivet av Captain, husets redaktör

Anteckningar från 2026-10-13

Llama 4 Scout är Metas effektiva mixture-of-experts-modell som aktiverar 17 miljarder av sina 109 miljarder parametrar per framåtpass. Dess huvudfunktion är ett kontextfönster på 10 miljoner token, det längsta av alla öppna viktsmodeller vid lansering, kombinerat med inbyggd bildförståelse på 12 språk. Den passar utvecklare och forskare som behöver multimodal kapacitet till ett pris långt under frontier-stängda modeller, eller som vill köra en kapabel syn-språk-modell lokalt.

Känd för

10 miljoner token kontextfönster, det längsta som finns i öppna vikter
Inbyggd bild- och textinmatning via tidig fusion, ingen bolt-on synadapter
MoE-arkitektur håller aktiva parametrar på 17 miljarder, vilket minskar inferenskostnaden
Fler språk med stöd för 12 språk, inklusive chatt, bildtexter och kod
Öppna vikter under Llama 4 Community License, lokal drift tillåten

Se upp för

Llama 4 Community License är inte helt fri; kontrollera användningsbegränsningar innan kommersiell drift.
109 miljarder totala parametrar innebär att lokal inferens kräver seriös hårdvara trots 17 miljarder aktiva.
Träningsdata slutar i augusti 2024; allt efter det ligger utanför modellens kunskap.

Bäst för

Promptar att prova

Analysera ett tätt dokument

Jag klistrar in ett långt kontrakt nedan. Läs allt, lista varje klausul som skapar ekonomiskt åtagande för mitt företag, dollarbelopp eller formel, och avsnittsnummer där det står. Flagga varje klausul där åtagandet är öppet eller obegränsat.

Beskriv och resonera kring en bild

Titta på bilden jag bifogat. Beskriv vad som händer i exakt detalj, och berätta sedan vad som är ovanligt eller inkonsekvent jämfört med vad du normalt skulle förvänta dig i denna typ av scen. Ge ditt resonemang steg för steg.

Flerspråkigt kundsvar

En kund har skrivit till oss på franska och klagar på att deras beställning anlände skadad och vill ha återbetalning. Skriv ett professionellt svar på franska som ber om ursäkt, bekräftar att vi kommer att behandla full återbetalning inom 5 arbetsdagar och ber dem behålla den skadade varan för våra register. Håll tonen varm men inte överdriven.

Jämför med

Llama 3.2 3B Instruct
Öppen vikt-modell
131,072 tokens kontext · $0.05/M indata, $0.33/M utdata
Llama 3.1 70B Instruct
Öppen vikt-modell
131,072 tokens kontext · $0.40/M indata, $0.40/M utdata
Llama Guard 4 12B
Öppen vikt-modell
163,840 tokens kontext · $0.18/M indata, $0.18/M utdata
Llama 4 Scout 17B 16E Instruct
Öppen vikt-modell
327,680 tokens kontext · $0.10/M indata, $0.30/M utdata

Fler textmodeller från meta-llama

Vanliga frågor

Kan jag köra Llama 4 Scout lokalt?: Ja, vikterna är öppna och finns på Hugging Face under Llama 4 Community License. Tänk på att hela modellen är 109 miljarder parametrar, så du behöver rejäl hårdvara; kvantiserade versioner minskar kraven avsevärt.
Vad kostar Llama 4 Scout via API och hur långt är kontextfönstret?: Priset är $0,18 per miljon inmatningstoken och $0,59 per miljon utmatningstoken. Det stödda kontextfönstret är 1 310 720 token via API, medan den underliggande modellen tränades för att hantera upp till 10 miljoner token.
Hur skiljer sig Scout från Llama 4 Maverick?: Båda är Llama 4 MoE-modeller, men Scout aktiverar 17 miljarder parametrar med 16 experter och är positionerad som det mer slimmade, mer driftsvänliga alternativet; Maverick är den större syskonmodellen för mer krävande uppgifter.

Kaptens omdöme
En sällsynt kombination av öppna vikter, verklig synkapacitet och ett absurd långt kontextfönster till ett pris som får frontier-stängda modeller att framstå som överprissatta.

Model card på Hugging Face

Kapten skriver dessa anteckningar från modellens egen beskrivning och model card. Priser och kontextstorlekar är från leverantören vid skrivtillfället och kan ändras.

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

Hur denna poäng räknas ihop

Den här modellen har ännu inga popularitetsdata från någon källa, så den har ett tillfälligt nummer under 7,000° som håller listorna kompletta. Den rankas aldrig högre än en modell med data. Uppdelningen visas här så fort en källa rapporterar den.

Ordlista: termerna som används här

Heat-poäng: Ett nummer för hur mycket en modell används och efterfrågas just nu, från 0° till 9 999°. Varje lista på den här sidan som säger hetast sorteras efter den och inget annat.
Golvet: De 7 000° som varje modell med verklig data börjar från. Skalan går från 0° till 9 999°; delen under golvet är reserverad för ersättare (modeller utan data), så att en modell med data alltid rankas över en utan. Golvet är samma för alla och avgör inget; graderna ovanför är själva mätningen.
Nedladdnings-ekvivalenter: Allt som poängen räknar som en nedladdning, summerat: själva nedladdningarna, varje torrent-seeder som 1 000, varje AI Horde-bild och varje körning på en genereringssajt som en.
Logaritmisk skala: Räknar i tiotal, inte i ental: att gå från 1 000 till 10 000 nedladdningar ger lika många grader som att gå från 10 000 till 100 000. Det hindrar jättar från att tränga ut allt annat.
Gillanden: Tummar upp och gillanden från alla källor, värda hälften av en nedladdning på den logaritmiska skalan.
Adoptionshastighet: Hur många nedladdningar per dag en modell får just nu, från skillnaden mellan två mätningar av en källa. En fjärdedels vikt av nedladdningsdelen.
Mätt och uppskattad: Mätt betyder att det finns två mätningar från en källa och skillnaden är verklig. Uppskattad betyder att bara dagens total är känd och det fördelas över modellens livstid; sidan visar vilken det är.
Seeder: Någon som håller en kopia av vikterna online för andra att ladda ner via torrent, eller en hostad spegel som gör samma sak. Varje sådan räknas som 1 000 nedladdningar.
AI Horde: Ett frivilligt nätverk som genererar bilder gratis på donerade datorer. Antalet bilder det har gjort med en modell är offentligt, och varje bild räknas som en nedladdning.
Genereringssajter: Sajter som hostar sina egna kopior av en modell och låter folk generera med den, som PixAI, SeaArt och Yodayo. Deras nedladdningar räknas som Civitaís och varje genereringskörning räknas som en nedladdning.
OpenRouter-token: En textmodell som nås via API, som Claude eller GPT, har inga vikter att ladda ner, så dess användning mäts i token: textbitar den läst och skrivit via OpenRouter, en gateway som många appar använder, under de senaste 30 dagarna. Varje 10,000,000 token räknas som en nedladdning. Källa: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Full modell (checkpoint): Själva vikterna, filen som genererar självständigt. Den får en bonus eftersom tillägg beror på den.
LoRA och embedding: Små tilläggsfiler som styr någon annans vikter mot en stil, en karaktär eller ett koncept. De kan inte köras själva.
Familj och vikter: Basen en modell är byggd på, som SD 1.5, SDXL, Flux eller Wan. Varje modell ärver släppdatumet för sin familjs vikter.
Ålder: Poäng som dras av beroende på hur länge sedan familjens vikter släpptes: 150° per år, upp till 750°. Det behåller gamla nedladdningar som haft år på sig att samlas för att frysa toppen av listan.
Familjeboost: En liten, begränsad skjuts för LoRAs från en familj som den här sajten just nu vill lyfta fram, alltid med i uppdelningen.
Stand-in-poäng: Ett stabilt nummer under golvet som ges till en modell som ännu inte har rapporter från någon källa, så listorna förblir kompletta. Den rankas aldrig högre än en modell med data.
Ny! (karensperiod): En modell som är mindre än 7 dagar gammal visar Ny! istället för poäng och räknas inte i rankningen. Poängen räknas från dag ett, men en modell som är en dag gammal växer snabbare än allt annat, så utan väntan skulle veckans #1 alltid vara det som kom ut igår istället för det som hållit i en vecka.
Trend: Hur en modells tillväxt under en period jämförs med den typiska modellens tillväxt under samma period. Snabbare än vanligt läses som en ökning, långsammare som en nedgång.
Typisk modell: Mitten av katalogen: hälften av modellerna med siffror växte snabbare under perioden, hälften långsammare.

Liknande modeller

GPT 3.5 Turbo Instruct

Llama 3.2 3B Instruct

TEXT / LLM

AI-modeller för bild-, video- och textgenerering

Llama 4 Scout är en textmodell för familjen Text / LLM, listad på ModelTrends.ai, en skrivskyddad katalog över AI-modeller med öppen källkod för bild, video och text. Jämför den med andra Text / LLM-modeller och se dess hettapoäng.

Fler Text / LLM-modeller llm meta-llama vision fler språk lång kontext lokal budget

Bläddra efter modellfamilj