Llama 4 Maverick — Vertailuarvot, Ominaisuudet ja Käyttötapaukset
Llama 4 Maverick on Metan avoimen painon tekoälymalli (17B/400B MoE (128 asiantuntijaa)), luokiteltu vakiintuneeksi (Established) tasoksi, ja sen konteksti-ikku...
4 min lukuaika
Llama 4 Scout on todistetusti toimiva tekoälymalli, jota käytetään edelleen laajasti tuotantojärjestelmissä. Sen on kehittänyt Meta ja se julkaistiin huhtikuussa 2025. Avoimen painoarvon mallina sen koulutetut painoarvot ovat julkisesti saatavilla — voit isännöidä sen itse, hienosäätää sen omalla datallasi tai ajaa sitä omilla palvelimillasi ilman API-riippuvuuksia. Sen 10 miljoonan tokenin konteksti-ikkuna on yksi suurimmista saatavilla olevista — se pystyy käsittelemään kirjanmittaisia asiakirjoja, kokonaisia koodivarastoja tai erittäin pitkiä keskusteluhistorioita yhdessä kehotteessa.
FlowHunt AI -johtotaulukossa se on yksi 24 seuratusta mallista, arvioituna 4 vertailuarvolla. Huomattavat pisteet: 50,3 % MATH-500:ssa (#4/4); 32,8 % LiveCodeBenchissa (#5/5); 52,2 % MMLU-Pro:ssa (#8/8).
Llama 4 Scout julkaistiin Maverickin rinnalla 5. huhtikuuta 2025 Llama 4 -sukupolven pienempänä, erittäin saavutettavana muunnelmana — ja se herätti heti huomiota konteksti-ikkunallaan: 10 miljoonaa tokenia, suurin minkään tämän johtotaulukon mallin osalta. 10 miljoonan tokenin ikkuna saavutettiin muokkaamalla huomiointi(mekanismia) ja sijaintikoodausta, mikä mahdollisti mallin säilyttää koherenssin asiakirjojen yli paljon pidemmissä yhteyksissä kuin mikään aiempi avoimen painoarvon malli pystyi käsittelemään. Scoutista (17B aktiivista / 109B yhteensä, 16 asiantuntijaa) tuli oletusmalli hakuavusteisille generointiputkille, joiden täytyi toimia erittäin suurten asiakirjakokoelmien yli ilman pilkkomista — käsitellen kokonaisia oikeustapaushistorioita, koodipohjia tai tieteellisten julkaisujen kokoelmia yhdessä kehotteessa.
Huom: 10M tokenin arkkitehtoninen konteksti. Yksi H100 (Int4). DocVQA 94,4 %.
- Julkaistu
- Huhtikuu 2025
- Parametrit
- 17B/109B MoE (16 asiantuntijaa)
- Konteksti
- 10M tokenia
- Painoarvot
- Avoimet
- Taso
- Vakiintunut
- Tarjoaja
- Meta
Llama 4 Scout Benchmark Rankings
Rank among all 24 models tracked on this leaderboard. SR = self-reported · 3P / AA / C = independently verified.
| Benchmark | Score | Rank | Source | What it measures |
|---|---|---|---|---|
| MMLU-Pro | 52.2% | 8 of 8 | SR | Hard knowledge reasoning, 12K questions |
| LiveCodeBench | 32.8% | 5 of 5 | SR | Competitive programming, continuously updated |
| MATH-500 | 50.3% | 4 of 4 | SR | Hendrycks math (500 problems) |
| AA Intelligence Index | 14.0 pts | 9 of 9 | AA | Artificial Analysis composite score (independent) |
Detailed Benchmark Scores
MMLU-P
SR
52.2%
Hard knowledge reasoning, 12K questions
LiveCode
SR
32.8%
Competitive programming, continuously updated
MATH
SR
50.3%
Hendrycks math (500 problems)
AA Idx
AA
14.0 pts
Artificial Analysis composite score (independent)
Llama 4 Scout vs. Established Peers
Head-to-head benchmark comparison with other Established-tier models. Higher is better for all metrics.
| Benchmark | Llama 4 Scout | GPT-4o | Llama 4 Maverick |
|---|---|---|---|
| MMLU-P | 52.2% | 72.6% | 80.5% |
| LiveCode | 32.8% | — | 43.4% |
| MATH | 50.3% | — | — |
| AA Idx | 14.0 pts | — | — |
About Meta
Meta Platforms (entinen Facebook) on yksi maailman suurimmista teknologiayrityksistä, jonka pääkonttori sijaitsee Menlo Parkissa Kaliforniassa ja joka tunnetaan parhaiten Facebookista, Instagramista, WhatsAppista ja Threadsista. Meta AI:n (entinen FAIR) kautta yrityksestä on tullut tuotteliaimpia avoimen painon suurten kielimallien julkaisijoita Llama-perheen kautta. Llama 4 -sarja – Maverick, Scout ja Behemoth – julkaistiin sallivilla yhteisölisensseillä, ja ne ovat edelleen ladatuimpia avoimen painon malleja alustoilla kuten Hugging Face. Metan tekoälystrategia eroaa merkittävistä laboratorioista: sen sijaan että se ylläpitäisi kaupallista APIa, Meta julkaisee mallit avoimesti tutkimus- ja kaupalliseen käyttöön, integroi generatiivisia tekoälyominaisuuksia omiin sovelluksiinsa ja on julkisesti kannattanut avoimen painon julkaisuja demokraattisimpana lähestymistapana tekoälyn kehittämiseen.
Käyttötapaukset
Mihin Llama 4 Scoutia Käytetään
- Itse Isännöidyt & Yksityiset Käyttöönotot
Llama 4 Scout on avoimen painoarvon malli (17B/109B MoE (16 asiantuntijaa) parametrit) — sen koulutetut painoarvot ovat julkisesti ladattavissa ja itse käyttöönotettavissa. Aja sitä omalla GPU-laitteistollasi tai yksityisellä pilvellä varmistaaksesi, ettei datasi koskaan poistu ympäristöstäsi, poista token-kohtaiset API-kustannukset skaalautuvasti tai hienosäädä mallia omilla tietojoukoillasi.
- Pitkien Asiakirjojen & Koodipohjien Analyysi
10 miljoonan tokenin konteksti-ikkunalla Llama 4 Scout pystyy käsittelemään kokonaisia ohjelmistovarastoja, pitkiä oikeudellisia sopimuksia, kirjanmittaisia tutkimusraportteja tai laajoja keskusteluhistorioita yhdessä kehotteessa — mahdollistaen syvällisen asiakirjoihin perustuvan kysely-vastauksen, tiedostojen ylittävän koodipohjapäättelyn ja kattavan tiivistämisen ilman pilkkomisheuristiikkoja tai RAG-putkia.
Strengths & Limitations
Strengths
- Itse isännöitävät & tietosuojatut käyttöönotot (avoin painoarvo)
- Erittäin pitkät asiakirjat ja suuret koodipohjat (10M konteksti)
Limitations
- Merkittävästi jäljessä vuoden 2026 huippumalleista agenttisessa koodaamisessa ja monimutkaisessa päättelyssä
Selaa Koko Tekoälymallien Johtotaulukkoa
Vertaa kaikkia 24 mallia 11 vertailuarvon yli — lajiteltavissa, lähdeviitteellinen ja päivitetty kesäkuussa 2026.
Usein kysytyt kysymykset
Lue lisää
Llama 3.3 70B — Vertailuarvot, Ominaisuudet ja Käyttötapaukset
Llama 3.3 70B on Metan avoimen painon tekoälymalli (70B dense), luokiteltu vakiintuneeksi (Established) ja varustettu 128 000 tokenin konteksti-ikkunalla. Se on...
4 min lukuaika
Llama 4 Scout AI: Suorituskyvyn analyysi useissa tehtävissä
Syvällinen analyysi Metan Llama 4 Scout AI -mallin suorituskyvystä viidessä erilaisessa tehtävässä, paljastaen vaikuttavia kykyjä sisällöntuotannossa, laskennas...
3 min lukuaika
AI
Llama 4
+8