Llama 4 Maverick — ベンチマーク、機能、およびユースケース
Llama 4 Maverickは、Metaが開発したオープンウェイトAIモデル（17B/400B MoE（128エキスパート））で、Established層に分類され、100万トークンのコンテキストウィンドウを備えています。ベンチマークスコア、強み、および推奨ユースケースをご確認ください。...
2 分で読める
Llama 4 Scoutは、Metaによって開発され2025年4月にリリースされた、実績のあるAIモデルで、現在も多くのプロダクションシステムに広く導入されています。オープンウェイトモデルであるため、学習済みの重みは公開されており、セルフホスティング、プロプライエタリデータでのファインチューニング、またはAPI依存なしでのオンプレミス実行が可能です。1000万トークンのコンテキストウィンドウは利用可能な中でも最大級で、書籍一冊分のドキュメント、コードリポジトリ全体、または非常に長い会話履歴を1つのプロンプトで処理できます。
FlowHunt AI Leaderboardでは、24の追跡モデルの1つとして、4つのベンチマークで評価されています。主なスコア：MATH-500 50.3%（4モデル中4位）、LiveCodeBench 32.8%（5モデル中5位）、MMLU-Pro 52.2%（8モデル中8位）。
Llama 4 Scoutは、2025年4月5日にMaverickとともに、Llama 4世代のより小型でアクセスしやすいバリアントとしてリリースされ、すぐにそのコンテキストウィンドウで注目を集めました。1000万トークンは、このリーダーボード上のいずれのモデルよりも大きいものです。1000万トークンウィンドウは、アテンション機構と位置エンコーディングの改良によって実現され、従来のオープンウェイトモデルが扱える範囲をはるかに超えた長文ドキュメント全体で一貫性を維持できるようになりました。Scout（活性パラメータ17B / 総パラメータ109B、16エキスパート）は、チャンキングを行わずに非常に大規模なドキュメントコレクションを処理する必要がある検索拡張生成（RAG）パイプラインのデフォルトモデルとなりました。法的な事例履歴全体、コードベース、または科学文献コーパスを1つのプロンプトで処理します。
注記：1000万トークンアーキテクチャコンテキスト。単一H100（Int4）。DocVQA 94.4%。
- リリース日
- 2025年4月
- パラメータ数
- 17B/109B MoE（16エキスパート）
- コンテキスト
- 1000万トークン
- 重み
- オープン
- 層
- Established
- プロバイダー
- 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（旧Facebook）は、カリフォルニア州メンロパークに本社を置く世界最大のテクノロジー企業の一つであり、Facebook、Instagram、WhatsApp、Threadsで最もよく知られています。Meta AI（旧FAIR）を通じて、同社はLlamaファミリーを介したオープンウェイト大規模言語モデルの最も多産な公開元となっています。Llama 4シリーズ（Maverick、Scout、Behemoth）は寛容なコミュニティライセンスのもとで公開され、Hugging Faceなどのプラットフォームで最もダウンロードされているオープンウェイトモデルであり続けています。MetaのAI戦略は主要研究所の中でも異色で、商用APIを運営するのではなく、研究および商用利用のためにモデルをオープンに公開し、自社アプリケーション全体に生成AI機能を統合し、オープンウェイト公開をAI開発への最も民主的なアプローチとして公に提唱しています。
ユースケース
Llama 4 Scoutの活用シーン
- セルフホスティング＆プライベートデプロイ
Llama 4 Scoutはオープンウェイト（17B/109B MoE（16エキスパート）パラメータ）です。学習済みの重みは公開されており、ダウンロードとセルフデプロイが可能です。自身のGPUハードウェアまたはプライベートクラウド上で実行することで、データが環境外に流出することを防ぎ、大規模な運用でのトークンごとのAPIコストを排除し、プロプライエタリデータセットでモデルをファインチューニングできます。
- 長文ドキュメント＆コードベース分析
1000万トークンのコンテキストウィンドウにより、Llama 4 Scoutはソフトウェアリポジトリ全体、長大な法的契約書、書籍一冊分の調査レポート、または広範な会話履歴を1つのプロンプトで取り込むことができます。チャンキングヒューリスティックやRAGパイプラインなしで、深いドキュメントQ&A、ファイル横断的なコードベースの推論、包括的な要約を実現します。
Strengths & Limitations
Strengths
- セルフホスト＆データプライベートなデプロイ（オープンウェイト）
- 超長文ドキュメントと大規模コードベース（1000万コンテキスト）
Limitations
- エージェント的なコーディングや複雑な推論において、2026年の最先端モデルに大きく劣る
よくある質問
詳しく見る
Llama 4 Scout AI：複数タスクにおけるパフォーマンス分析
MetaのLlama 4 Scout AIモデルが5つの多様なタスクで発揮したパフォーマンスを徹底分析。コンテンツ生成、計算、要約、比較、クリエイティブライティングにおける能力を、速度・正確性・アウトプット品質の指標を用いて明らかにします。...
1 分で読める
AI
Llama 4
+8
Llama 3.3 70B — ベンチマーク、機能、およびユースケース
Llama 3.3 70Bは、Meta社によるオープンウェイトのAIモデル（70B Dense）で、Established（確立済み）ティアに分類され、128Kトークンのコンテキストウィンドウを備えています。FlowHuntで直接利用可能です。ベンチマークスコア、強み、推奨ユースケースをご覧ください。...
2 分で読める