Qu'est-ce que Llama 4 Scout ?

Llama 4 Scout est un modèle d'IA éprouvé, encore largement déployé dans des systèmes de production, développé par Meta et sorti en avril 2025. Il gère les tâches d'IA générales, notamment la rédaction, l'analyse, la synthèse et le question-réponse.

Llama 4 Scout est-il open-source ou open-weight ?

Llama 4 Scout est un modèle open-weight. Ses poids entraînés sont accessibles publiquement pour téléchargement, auto-hébergement et fine-tuning. Vous pouvez l'exécuter sur votre propre infrastructure sans frais d'API par token. Notez que open-weight n'est pas équivalent à open-source : le code d'entraînement et les données peuvent ne pas être entièrement publics.

Quelle est la fenêtre de contexte de Llama 4 Scout ?

Llama 4 Scout prend en charge une fenêtre de contexte de 10M tokens — l'une des plus grandes disponibles. Il peut traiter des documents de la taille d'un livre, des dépôts de code entiers ou de très longs historiques de conversation en une seule requête.

Sur quels benchmarks Llama 4 Scout a-t-il été évalué ?

Llama 4 Scout a été évalué sur : MMLU-Pro (52,2 %), LiveCodeBench (32,8 %), MATH-500 (50,3 %), AA Intelligence Index (14,0 pts). Les scores marqués SR sont autodéclarés par le fournisseur ; les scores marqués 3P ou AA ont été vérifiés de manière indépendante par des tiers.

Llama 4 Scout est-il disponible dans FlowHunt ?

Oui — Llama 4 Scout est directement disponible dans FlowHunt. Vous pouvez l'utiliser pour créer des agents IA, des workflows automatisés, des chatbots et des pipelines de traitement documentaire sans configuration supplémentaire.

Comment Llama 4 Scout se compare-t-il aux autres modèles d'IA ?

Vous pouvez comparer Llama 4 Scout à l'ensemble des 24 modèles suivis sur le classement IA FlowHunt à l'aide du tableau de benchmarks triable. La section Classement des benchmarks sur cette page montre la position de Llama 4 Scout pour chaque benchmark sur lequel il a été évalué.

Llama 4 Scout

EstablishedOpen-weightAvailable in FlowHunt

Try in FlowHunt

Llama 4 Scout est un modèle d’IA éprouvé, encore largement déployé dans des systèmes de production, développé par Meta et sorti en avril 2025. En tant que modèle open-weight, ses poids entraînés sont accessibles publiquement — vous pouvez l’auto-héberger, l’affiner sur des données propriétaires ou l’exécuter sur site sans dépendance aux API. Sa fenêtre de contexte de 10M tokens est l’une des plus grandes disponibles — capable de traiter des documents de la taille d’un livre, des dépôts de code entiers ou de très longs historiques de conversation en une seule requête.

Sur le classement IA FlowHunt, il fait partie des 24 modèles suivis, évalués sur 4 benchmarks. Scores remarquables : 50,3 % sur MATH-500 (#4 sur 4) ; 32,8 % sur LiveCodeBench (#5 sur 5) ; 52,2 % sur MMLU-Pro (#8 sur 8).

Llama 4 Scout a été publié aux côtés de Maverick le 5 avril 2025 en tant que variante plus petite et très accessible de la génération Llama 4 — et a immédiatement attiré l’attention pour sa fenêtre de contexte : 10 millions de tokens, la plus grande de tous les modèles de ce classement. La fenêtre de 10M tokens a été obtenue grâce à des modifications du mécanisme d’attention et de l’encodage positionnel, permettant au modèle de maintenir sa cohérence sur des documents bien plus longs que tout autre modèle open-weight antérieur. Scout (17B actifs / 109B total, 16 experts) est devenu le modèle par défaut pour les pipelines de génération augmentée par récupération (RAG) nécessitant de traiter de très grandes collections de documents sans découpage — analysant des historiques juridiques complets, des bases de code ou des corpus de littérature scientifique en une seule requête.

Note : 10M tokens de contexte architectural. Simple H100 (Int4). DocVQA 94,4 %.

Try in FlowHunt

Date de sortie: Avril 2025
Paramètres: 17B/109B MoE (16 experts)
Contexte: 10M tokens
Poids: Ouverts
Niveau: Établi
Fournisseur: 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 Founded 2004 · Menlo Park, CA

Website →

Meta Platforms (anciennement Facebook) est l'une des plus grandes entreprises technologiques mondiales, dont le siège est à Menlo Park, en Californie, et surtout connue pour Facebook, Instagram, WhatsApp et Threads. Via Meta AI (anciennement FAIR), l'entreprise est devenue l'éditeur le plus prolifique de grands modèles de langage à poids ouverts via la famille Llama. Les séries Llama 4 — Maverick, Scout et Behemoth — ont été publiées sous des licences communautaires permissives et restent les modèles à poids ouverts les plus téléchargés sur des plateformes comme Hugging Face. La stratégie IA de Meta est distincte parmi les grands laboratoires : plutôt que d'exploiter une API commerciale, Meta publie ses modèles ouvertement pour la recherche et l'usage commercial, intègre des fonctionnalités d'IA générative dans ses propres applications, et a publiquement plaidé en faveur des publications à poids ouverts comme l'approche la plus démocratique du développement de l'IA.

Cas d'usage

Pourquoi utiliser Llama 4 Scout

Déploiements auto-hébergés et privés: Llama 4 Scout est open-weight (17B/109B MoE (16 experts) paramètres) — ses poids entraînés sont accessibles publiquement pour téléchargement et auto-déploiement. Exécutez-le sur votre propre matériel GPU ou cloud privé pour garantir que vos données ne quittent jamais votre environnement, éliminez les coûts d'API par token à grande échelle, ou affinez le modèle sur des ensembles de données propriétaires.
Analyse de longs documents et de bases de code: Avec une fenêtre de contexte de 10M tokens, Llama 4 Scout peut ingérer des dépôts logiciels entiers, de longs contrats juridiques, des rapports de recherche de la taille d'un livre ou de vastes historiques de conversation en une seule requête — permettant un question-réponse approfondi sur des documents, un raisonnement transversal sur des bases de code, et une synthèse complète sans heuristiques de découpage ni pipelines RAG.

Strengths & Limitations

Strengths

Déploiements auto-hébergés et respectueux de la confidentialité des données (open-weight)
Très longs documents et grandes bases de code (contexte de 10M)

Limitations

Significativement en retard par rapport aux modèles de pointe de 2026 en matière de codage agentique et de raisonnement complexe

À comparer aussi

Modèles d'IA associés

Parcourez le classement complet des modèles d'IA

Comparez les 24 modèles sur 11 benchmarks — triable, sourcé et mis à jour en juin 2026.

← Retour au classement IA Essayer dans FlowHunt

Questions fréquemment posées

: Llama 4 Scout est un modèle d'IA éprouvé, encore largement déployé dans des systèmes de production, développé par Meta et sorti en avril 2025. Il gère les tâches d'IA générales, notamment la rédaction, l'analyse, la synthèse et le question-réponse.
: Llama 4 Scout est un modèle open-weight. Ses poids entraînés sont accessibles publiquement pour téléchargement, auto-hébergement et fine-tuning. Vous pouvez l'exécuter sur votre propre infrastructure sans frais d'API par token. Notez que open-weight n'est pas équivalent à open-source : le code d'entraînement et les données peuvent ne pas être entièrement publics.
: Llama 4 Scout prend en charge une fenêtre de contexte de 10M tokens — l'une des plus grandes disponibles. Il peut traiter des documents de la taille d'un livre, des dépôts de code entiers ou de très longs historiques de conversation en une seule requête.
: Llama 4 Scout a été évalué sur : MMLU-Pro (52,2 %), LiveCodeBench (32,8 %), MATH-500 (50,3 %), AA Intelligence Index (14,0 pts). Les scores marqués SR sont autodéclarés par le fournisseur ; les scores marqués 3P ou AA ont été vérifiés de manière indépendante par des tiers.
: Oui — Llama 4 Scout est directement disponible dans FlowHunt. Vous pouvez l'utiliser pour créer des agents IA, des workflows automatisés, des chatbots et des pipelines de traitement documentaire sans configuration supplémentaire.
: Vous pouvez comparer Llama 4 Scout à l'ensemble des 24 modèles suivis sur le classement IA FlowHunt à l'aide du tableau de benchmarks triable. La section Classement des benchmarks sur cette page montre la position de Llama 4 Scout pour chaque benchmark sur lequel il a été évalué.

En savoir plus

Llama 4 Maverick — Benchmarks, Capacités et Cas d'Usage

Llama 4 Maverick est un modèle d'IA open-weight de Meta (17B/400B MoE (128 experts)), classé au niveau Établi avec une fenêtre de contexte de 1 million de token...

Apr 5, 2025 5 min de lecture

Llama 3.3 70B — Benchmarks, Capacités et Cas d'Usage

Llama 3.3 70B est un modèle d'IA open-weight de Meta (70B dense), classé au niveau Établi avec une fenêtre de contexte de 128K tokens. Il est disponible directe...

Dec 6, 2024 4 min de lecture

Llama 4 Scout AIxa0: Analyse des performances sur plusieurs tâches

Une analyse approfondie des performances du modèle Llama 4 Scout AI de Meta sur cinq tâches variées, révélant des capacités impressionnantes en génération de co...

May 30, 2025 5 min de lecture

AI Llama 4 +8