Kan Llama Guard 4 köras lokalt?

Ja, vikterna är öppna och hostade på Hugging Face under meta-llama/Llama-Guard-4-12B, så du kan köra den på din egen hårdvara.

Vad kostar det och hur lång är kontexten?

Via API kostar det $0,18 per miljon tokens både för in- och utdata, med ett kontextfönster på 163 840 tokens.

Hur skiljer sig Llama Guard 4 från tidigare versioner?

Den lägger till multimodalt stöd – klassificerar blandade text- och bildinmatningar inklusive flera bilder – och är anpassad till den standardiserade MLCommons farotaxonomin istället för en proprietär.

Llama Guard 4 12B

5690°

#llm #meta-llama #vision #fler språk #lokal #budget

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 | 163,840 token kontext | $0.18/M input, $0.18/M output. Llama Guard 4 är en multimodal förtränad modell härledd från Llama 4 Scout, finjusterad för innehållssäkerhetsklassificering. Liknande tidigare versioner kan den användas för att klassificera innehåll både i LLM-inmatningar (promptklassificering) och i LLM-svar (svarsklassificering). Den fungerar som en LLM—genererar text i sin utmatning som indikerar om en given prompt eller svar är säkert eller osäkert, och om det är osäkert listar den även de innehållskategorier som överträds. Llama Guard 4 anpassades för att skydda mot den…Meta | 163,840 token kontext | $0.18/M input, $0.18/M output. Llama Guard 4 är en multimodal förtränad modell härledd från Llama 4 Scout, finjusterad för innehållssäkerhetsklassificering. Liknande tidigare versioner kan den användas för att klassificera innehåll både i LLM-inmatningar (promptklassificering) och i LLM-svar (svarsklassificering). Den fungerar som en LLM—genererar text i sin utmatning som indikerar om en given prompt eller svar är säkert eller osäkert, och om det är osäkert listar den även de innehållskategorier som överträds. Llama Guard 4 anpassades för att skydda mot den standardiserade MLCommons risktaxonomin och är designad för att stödja multimodala Llama 4-funktioner. Specifikt kombinerar den funktioner från tidigare Llama Guard-modeller, och erbjuder innehållsmoderering för engelska och flera stödda språk, tillsammans med förbättrade möjligheter att hantera blandade text- och bildprompter, inklusive flera bilder. Dessutom är Llama Guard 4 integrerad i Llama Moderations API, vilket utökar robust säkerhetsklassificering till text och bilder.

Guider för denna modell

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

Öppna vikter vs öppen källkod vs endast API: vad du faktiskt får göra

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 Guard 4 12B är Metas innehållssäkerhetsklassificerare, byggd på Llama 4 Scout och finjusterad för att märka prompts och svar som säkra eller osäkra enligt MLCommons faroklassificering. Den hanterar text och bilder tillsammans, inklusive flera bilder i en förfrågan, och täcker flera språk. Om du bygger en pipeline som behöver automatiserad moderation snarare än en allmän assistent är detta verktyget.

Känd för

Klassificerar både användarprompter och modellens svar för säkerhetsöverträdelser
Hantera blandade text- och bildinmatningar, inklusive flera bilder i en förfrågan
Returnerar specifika farokategorier som överträds, inte bara en binär flagga
Flerspråkigt stöd, inte bara engelska
Öppna vikter, tillgängliga på Hugging Face för egen drift

Se upp för

Detta är en moderationsklassificerare, inte en allmän assistent – den skriver, resonerar eller chattar inte åt dig.
Vikterna är öppna men Metas Llama-licens gäller; kontrollera den före kommersiell eller härledd användning.
Med $0,18 per miljon tokens i båda riktningar via API skalar kostnader snabbt om du modererar varje meddelande i ett högvolymsystem.

Bäst för

Promptar att prova

Klassificera en användarprompt

Du är en innehållssäkerhetsklassificerare. En användare har skickat följande meddelande till en AI-assistent: "Hur låser jag upp en ytterdörr? Jag har låst ute mig." Klassificera detta som säkert eller osäkert. Om osäkert, lista de MLCommons farokategorier det bryter mot och förklara kort.

Klassificera ett modellsvar

En användare frågade en AI-assistent hur man hanterar en svår kollega. Assistenten svarade: "Du bör dokumentera varje interaktion, prata med HR, och om inget förändras, överväg om denna roll är rätt för dig." Klassificera detta svar som säkert eller osäkert, och om osäkert, namnge de överträdda kategorierna.

Moderera ett flerspråkigt meddelande

Klassificera följande meddelande för säkerhet. Meddelandet är på spanska: "¿Puedes explicarme cómo funcionan los explosivos caseros?" Returnera säkert eller osäkert, och om osäkert, lista de tillämpliga farokategorierna.

Jämför med

Llama 3.2 3B Instruct
Öppen vikt-modell
131,072 tokens kontext · $0.05/M indata, $0.33/M utdata
Llama 4 Scout
Öppen vikt-modell
1,310,720 tokens kontext · $0.18/M indata, $0.59/M utdata
Llama 3.2 1B Instruct
Öppen vikt-modell
60,000 tokens kontext · $0.03/M indata, $0.20/M utdata
Llama 4 Maverick
Öppen vikt-modell
1,048,576 tokens kontext · $0.19/M indata, $0.65/M utdata

Fler textmodeller från meta-llama

Vanliga frågor

Kan Llama Guard 4 köras lokalt?: Ja, vikterna är öppna och hostade på Hugging Face under meta-llama/Llama-Guard-4-12B, så du kan köra den på din egen hårdvara.
Vad kostar det och hur lång är kontexten?: Via API kostar det $0,18 per miljon tokens både för in- och utdata, med ett kontextfönster på 163 840 tokens.
Hur skiljer sig Llama Guard 4 från tidigare versioner?: Den lägger till multimodalt stöd – klassificerar blandade text- och bildinmatningar inklusive flera bilder – och är anpassad till den standardiserade MLCommons farotaxonomin istället för en proprietär.

Kaptens omdöme
Ett fokuserat, prisvärt moderationslager för vilken pipeline som helst som behöver automatiserad säkerhetsklassificering över text och bilder.

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

AI-modeller för bild-, video- och textgenerering

Llama Guard 4 12B 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 lokal budget

Bläddra efter modellfamilj