Maaari ko bang patakbuhin ang Llama 4 Scout nang lokal?

Oo, bukas ang weights at available sa Hugging Face sa ilalim ng Llama 4 Community License. Tandaan na ang buong modelo ay 109B parameters, kaya kakailanganin mo ng malaking hardware; ang mga quantised na bersyon ay nagpapagaan ng pangangailangan.

Magkano ang Llama 4 Scout sa API, at gaano kahaba ang context?

Ang presyo ay $0.18 kada milyon na input tokens at $0.59 kada milyon na output tokens. Ang suportadong context window sa API ay 1,310,720 tokens, habang ang modelo ay sinanay para sa hanggang 10 milyong tokens.

Paano naiiba ang Scout sa Llama 4 Maverick?

Pareho silang Llama 4 MoE models, pero ang Scout ay nag-aactivate ng 17B parameters na may 16 experts at itinuturing na mas magaan at mas madaling i-deploy; ang Maverick ay mas malaking kapatid na nakatuon sa mas mataas na kakayahan.

Llama 4 Scout

5292°

#llm #meta-llama #paningin #maramihang wika #mahabang konteksto #lokal

Patakbuhin ang modelong ito

Alok / Ads

OpenRouter Terminal / API

Bayad kada token

Makipag-chat sa modelong ito sa browser o tawagan ito mula sa iyong code gamit ang isang API key.

Meta | 1,310,720 token context | $0.18/M input, $0.59/M output. Ang Llama 4 Scout 17B Instruct (16E) ay isang mixture-of-experts (MoE) language model na binuo ng Meta, na nag-aactivate ng 17 bilyong parameter mula sa kabuuang 109B. Sinusuportahan nito ang native multimodal input (text at image) at multilingual output (text at code) sa 12 suportadong wika. Dinisenyo para sa assistant-style interaction at visual reasoning, gumagamit ang Scout ng 16 eksperto kada forward pass at may context length na 10 milyong tokens, na may training corpus na humigit-kumulang 40 trilyong tokens. Itinayo para…Meta | 1,310,720 token context | $0.18/M input, $0.59/M output. Ang Llama 4 Scout 17B Instruct (16E) ay isang mixture-of-experts (MoE) language model na binuo ng Meta, na nag-aactivate ng 17 bilyong parameter mula sa kabuuang 109B. Sinusuportahan nito ang native multimodal input (text at image) at multilingual output (text at code) sa 12 suportadong wika. Dinisenyo para sa assistant-style interaction at visual reasoning, gumagamit ang Scout ng 16 eksperto kada forward pass at may context length na 10 milyong tokens, na may training corpus na humigit-kumulang 40 trilyong tokens. Itinayo para sa mataas na kahusayan at lokal o komersyal na deployment, pinagsasama ng Llama 4 Scout ang early fusion para sa seamless modality integration. Ito ay instruction-tuned para sa paggamit sa multilingual chat, captioning, at image understanding tasks. Inilabas sa ilalim ng Llama 4 Community License, huling sinanay sa data hanggang Agosto 2024 at inilunsad publiko noong Abril 5, 2025.

Mga gabay para sa model na ito

Ollama vs LM Studio (2026): alin ang local AI app na gagamitin, at alin ang mga top models na pinapatakbo ng bawat isa

Pinakamahusay na lokal na LLM ayon sa gamit (Oktubre 2026): ang tamang open model para sa bawat trabaho

Gaano ba talaga kalaki ang VRAM na kailangan ko para sa local AI?

Ano ang GGUF file? Ipinaliwanag ang mga quantized na modelo (Q4, Q8, fp8, NF4)

Lahat ng gabay

Mga tala ng Kapitan

Isinulat ni Captain, ang editor ng bahay

Mga tala mula sa 2026-10-13

Ang Llama 4 Scout ay efficient mixture-of-experts model ng Meta, na nag-aactivate ng 17 bilyon sa 109 bilyong parameters sa bawat forward pass. Ang pangunahing tampok nito ay ang 10-milyong-token na context window, ang pinakamahaba sa anumang open-weights na modelo sa paglulunsad, kasabay ng native na pag-unawa sa imahe sa 12 wika. Ito ay angkop para sa mga developer at mananaliksik na nangangailangan ng multimodal na kakayahan sa presyong mas mababa kaysa sa frontier closed models, o nais magpatakbo ng mahusay na vision-language model nang lokal.

Kilalang-kilala sa

10-milyong-token na context window, ang pinakamahaba sa open weights
Native na input ng imahe at teksto sa pamamagitan ng early fusion, walang bolt-on vision adapter
MoE architecture na pinananatiling 17B ang aktibong parameters, nagpapababa ng gastos sa inference
Multilingual sa 12 wika, sumasaklaw sa chat, captioning, at code
Open weights sa ilalim ng Llama 4 Community License, pinapayagan ang lokal na deployment

Mag-ingat sa

Ang Llama 4 Community License ay hindi ganap na permissive; suriin ang mga limitasyon sa paggamit bago mag-commercial deployment.
Ang 109B total parameters ay nangangailangan ng seryosong hardware para sa lokal na inference kahit na 17B lang ang aktibo.
Ang training data ay hanggang Agosto 2024; anumang nangyari pagkatapos ay wala sa alam nito.

Pinakamainam para sa

Mga prompt na subukan

Suriin ang isang masikip na dokumento

Ipi-paste ko ang isang mahabang kontrata sa ibaba. Basahin ito nang buo, pagkatapos ay ilista ang bawat clause na lumilikha ng obligasyong pinansyal sa aking kumpanya, ang halaga o formula ng dolyar, at ang seksyon kung saan ito lumilitaw. Ituro ang anumang clause na may bukas o walang limitasyong obligasyon.

Ilarawan at magpaliwanag tungkol sa isang imahe

Tingnan ang kalakip na larawan. Ilarawan nang eksakto ang nangyayari, pagkatapos ay sabihin kung ano ang kakaiba o hindi tugma dito kumpara sa inaasahan sa ganitong uri ng eksena. Ibigay ang iyong pangangatwiran hakbang-hakbang.

Multilingual na tugon sa customer

May customer na sumulat sa amin sa Pranses na nagrereklamo na dumating na sira ang kanilang order at nais nila ng refund. Gumawa ng propesyonal na sagot sa Pranses na humihingi ng paumanhin, kinukumpirma na ipoproseso namin ang buong refund sa loob ng 5 araw ng negosyo, at hinihiling na itago nila ang sirang item para sa aming talaan. Panatilihing mainit ang tono ngunit hindi sobra.

Ihambing sa

Llama 3.2 3B Instruct
Modelong bukas ang timbang
131,072 token na konteksto · $0.05/M input, $0.33/M output
Llama 3.1 70B Instruct
Modelong bukas ang timbang
131,072 token na konteksto · $0.40/M input, $0.40/M output
Llama Guard 4 12B
Modelong bukas ang timbang
163,840 token na konteksto · $0.18/M input, $0.18/M output
Llama 4 Scout 17B 16E Instruct
Modelong bukas ang timbang
327,680 token na konteksto · $0.10/M input, $0.30/M output

Higit pang mga text model mula sa meta-llama

Mga tanong na madalas itanong

Maaari ko bang patakbuhin ang Llama 4 Scout nang lokal?: Oo, bukas ang weights at available sa Hugging Face sa ilalim ng Llama 4 Community License. Tandaan na ang buong modelo ay 109B parameters, kaya kakailanganin mo ng malaking hardware; ang mga quantised na bersyon ay nagpapagaan ng pangangailangan.
Magkano ang Llama 4 Scout sa API, at gaano kahaba ang context?: Ang presyo ay $0.18 kada milyon na input tokens at $0.59 kada milyon na output tokens. Ang suportadong context window sa API ay 1,310,720 tokens, habang ang modelo ay sinanay para sa hanggang 10 milyong tokens.
Paano naiiba ang Scout sa Llama 4 Maverick?: Pareho silang Llama 4 MoE models, pero ang Scout ay nag-aactivate ng 17B parameters na may 16 experts at itinuturing na mas magaan at mas madaling i-deploy; ang Maverick ay mas malaking kapatid na nakatuon sa mas mataas na kakayahan.

Hatol ng Kapitan
Isang bihirang kumbinasyon ng open weights, tunay na kakayahan sa paningin, at napakalaking context window sa presyong nagpapakita na overpriced ang frontier closed models.

Model card sa Hugging Face

Isinusulat ng Kapitan ang mga tala na ito mula sa sariling paglalarawan at model card ng modelo. Ang mga presyo at laki ng konteksto ay mula sa provider sa oras ng pagsulat at maaaring magbago.

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

Paano nagkakalkula ang score na ito

Walang datos ng kasikatan mula sa kahit anong pinanggalingan ang modelong ito, kaya may stand-in na numero ito sa ibaba ng 7,000° para kumpleto ang mga listahan. Hindi ito kailanman mauuna sa isang modelong may datos. Lalabas dito ang breakdown kapag may nag-ulat na pinanggalingan.

Talahulugan: ang mga terminong ginagamit dito

Heat score: Isang numero kung gaano kadalas gamitin at gusto ang isang modelo ngayon, mula 0° hanggang 9,999°. Bawat listahan sa site na ito na nagsasabing pinakamainit ay nakaayos base dito at wala nang iba pa.
Floor: Ang 7,000° na panimulang puntos ng bawat modelong may totoong datos. Ang sukatan ay mula 0° hanggang 9,999°; ang bahagi sa ilalim ng floor ay para sa mga stand-in (mga modelong walang datos), para laging mas mataas ang ranggo ng may datos kaysa wala. Pareho ang floor para sa lahat at hindi ito nagpapasya; ang mga degree sa itaas nito ang totoong sukat.
Katumbas ng download: Lahat ng tinatrato ng score bilang download, pinagsama-sama: mga download mismo, bawat torrent seeder bilang 1,000, bawat AI Horde na larawan at bawat takbo sa isang generation site bilang isa.
Log scale: Bilang ng sampu, hindi isa-isa: ang pagtaas mula 1,000 hanggang 10,000 downloads ay nagdadagdag ng parehong degree tulad ng mula 10,000 hanggang 100,000. Pinipigilan nito ang mga higante na mauna sa lahat.
Likes: Thumbs up at likes mula sa lahat ng pinanggalingan, na katumbas ng kalahati ng download sa log scale.
Bilis ng pagtanggap: Ilang downloads kada araw ang nakukuha ng modelo ngayon, mula sa pagkakaiba ng dalawang readings ng isang pinanggalingan. Isang-kapat ng bigat ng term na download.
Nasukat at tinantya: Ang nasukat ay ibig sabihin may dalawang pagbabasa mula sa isang pinagmulan at tunay ang pagkakaiba. Ang tinantya naman ay alam lang ang kabuuan ngayon at hinahati ang nakaraan sa buong buhay ng modelo; sinasabi ng site kung alin ang ipinapakita.
Seeder: Isang tao na nag-iimbak ng kopya ng weights online para ma-download ng iba gamit ang torrent, o isang naka-host na mirror na gumagawa rin nito. Bawat isa ay katumbas ng 1,000 downloads.
AI Horde: Isang volunteer network na gumagawa ng mga larawan nang libre gamit ang mga donadong computer. Pampubliko kung ilang larawan ang nagawa gamit ang isang modelo, at bawat isa ay katumbas ng isang download.
Mga generation site: Mga site na may sariling kopya ng modelo at pinapayagan ang mga tao na gumawa gamit ito, tulad ng PixAI, SeaArt at Yodayo. Ang kanilang mga downloads ay binibilang tulad ng sa Civitai at bawat generation run ay isang download.
OpenRouter tokens: Ang isang text model na pinagsisilbihan sa pamamagitan ng API, tulad ng Claude o GPT, ay walang weights na ida-download, kaya ang paggamit nito ay sinusukat sa tokens: mga piraso ng teksto na binasa at isinulat nito sa pamamagitan ng OpenRouter, isang gateway na ginagamit ng maraming apps, sa nakaraang 30 araw. Bawat 10,000,000 tokens ay katumbas ng isang download. Pinagmulan: OpenRouter (openrouter.ai/rankings), CC BY 4.0.
Buong modelo (checkpoint): Ang weights mismo, ang file na kayang mag-generate mag-isa. May bonus ito dahil nakadepende dito ang mga add-on.
LoRA at embedding: Maliit na add-on files na nagtutulak sa weights ng iba papunta sa isang estilo, karakter o konsepto. Hindi sila kayang tumakbo mag-isa.
Pamilya at weights: Ang base na pinagbuo ng modelo, tulad ng SD 1.5, SDXL, Flux o Wan. Lahat ng modelo ay namamana ang petsa ng release ng weights ng pamilya nito.
Edad: Mga degree na ibinabawas base sa gaano katagal nang lumabas ang weights ng pamilya: 150° kada taon, hanggang 750°. Pinananatili nito ang mga lumang downloads na may taon para mag-ipon mula sa pag-freeze sa taas ng listahan.
Pampasigla ng pamilya: Isang maliit at limitadong tulak para sa mga LoRA ng pamilyang itinataguyod ng site ngayon, palaging nakalista sa breakdown.
Stand-in score: Isang matatag na numero sa ibaba ng floor na ibinibigay sa modelong wala pang ulat mula sa pinagmulan, para kumpleto ang listahan. Hindi ito nangunguna sa modelong may datos.
Bago! (panahon ng grace): Ang isang model na mas mababa sa 7 araw ang tanda ay nagpapakita ng Bago! sa halip na score at walang puwesto sa mga ranggo. Ang score nito ay kinakalkula mula unang araw, pero ang modelong isang araw pa lang ang tanda ay lumalago nang mas mabilis kaysa sa iba, kaya kung walang paghihintay, ang #1 ng linggo ay palaging yung lumabas kahapon kaysa sa tumagal nang isang linggo.
Uso: Paano ang paglago ng modelo sa isang panahon kumpara sa karaniwang paglago ng modelo sa parehong panahon. Mas mabilis kaysa karaniwan ay pagtaas, mas mabagal ay pagbaba.
Karaniwang modelo: Gitna ng katalogo: kalahati ng mga modelo na may numero ay mas mabilis ang paglago sa panahon, kalahati ay mas mabagal.

Mga katulad na model

Mga AI model para sa paggawa ng larawan, video at teksto

Ang Llama 4 Scout ay isang text model para sa pamilyang Text / LLM na nakalista sa ModelTrends.ai, isang read-only na catalog ng mga open source AI model para sa larawan, video at teksto. Ikumpara ito sa ibang Text / LLM model at tingnan ang heat score nito para makita kung gaano ito kasikat.

Higit pang Text / LLM model Higit pang Text / LLM Teksto / LLM llm meta-llama paningin maramihang wika mahabang konteksto lokal badyet

Mag-browse ayon sa pamilya ng model