Llama 4 Scout는 오픈소스인가요, 아니면 오픈 웨이트인가요?

Llama 4 Scout는 오픈 웨이트(open-weight) 모델입니다. 학습된 가중치가 공개적으로 다운로드 가능하여 자체 호스팅 및 파인튜닝이 가능합니다. 토큰당 API 비용 없이 자체 인프라에서 실행할 수 있습니다. 단, 오픈 웨이트는 오픈소스와 동일하지 않습니다. 학습 코드와 데이터는 완전히 공개되지 않을 수 있습니다.

Llama 4 Scout의 컨텍스트 윈도우는 어떻게 되나요?

Llama 4 Scout는 1,000만 토큰의 컨텍스트 윈도우를 지원합니다 — 이는 현재 사용 가능한 것 중 가장 큰 수준입니다. 한 번의 프롬프트로 책 분량의 문서, 전체 코드 저장소 또는 매우 긴 대화 기록을 처리할 수 있습니다.

Llama 4 Scout는 어떤 벤치마크에서 평가되었나요?

Llama 4 Scout는 다음 벤치마크에서 평가되었습니다: MMLU-Pro (52.2%), LiveCodeBench (32.8%), MATH-500 (50.3%), AA Intelligence Index (14.0 pts). SR 태그가 붙은 점수는 제공업체가 자체 보고한 점수이며, 3P 또는 AA 태그가 붙은 점수는 제3자가 독립적으로 검증했습니다.

Llama 4 Scout를 FlowHunt에서 사용할 수 있나요?

네 — Llama 4 Scout는 FlowHunt에서 바로 사용할 수 있습니다. 추가 설정 없이 AI 에이전트, 자동화 워크플로우, 챗봇 및 문서 처리 파이프라인을 구축하는 데 활용할 수 있습니다.

Llama 4 Scout는 다른 AI 모델과 어떻게 비교되나요?

FlowHunt AI 리더보드에서 추적 중인 24개 모델을 정렬 가능한 벤치마크 테이블을 통해 Llama 4 Scout와 비교할 수 있습니다. 이 페이지의 벤치마크 순위 섹션에서 Llama 4 Scout가 평가된 각 벤치마크에서의 위치를 확인할 수 있습니다.

Llama 4 Scout

EstablishedOpen-weightAvailable in FlowHunt

Try in FlowHunt

Llama 4 Scout는 Meta가 개발하여 2025년 4월에 출시한, 검증된 AI 모델로 현재도 프로덕션 시스템에 널리 배포되어 사용되고 있습니다. 오픈 웨이트 모델로서 학습된 가중치가 공개되어 있어 — 자체 호스팅, 독점 데이터로 파인튜닝, 또는 API 의존성 없이 온프레미스에서 실행할 수 있습니다. 1,000만 토큰 컨텍스트 윈도우는 현재 사용 가능한 것 중 가장 큰 수준으로 — 한 번의 프롬프트로 책 분량의 문서, 전체 코드 저장소 또는 매우 긴 대화 기록을 처리할 수 있습니다.

FlowHunt AI 리더보드에서는 4개 벤치마크에서 평가된 24개 추적 모델 중 하나입니다. 주요 점수: MATH-500 50.3%(4개 중 4위), LiveCodeBench 32.8%(5개 중 5위), MMLU-Pro 52.2%(8개 중 8위).

Llama 4 Scout는 2025년 4월 5일 Maverick과 함께 Llama 4 세대의 더 작고 접근성이 높은 변형 모델로 출시되었으며 — 1,000만 토큰이라는 이 리더보드에서 가장 큰 컨텍스트 윈도우로 즉시 주목을 받았습니다. 1,000만 토큰 윈도우는 어텐션 메커니즘과 위치 인코딩의 수정을 통해 달성되었으며, 이를 통해 이전의 어떤 오픈 웨이트 모델보다 훨씬 긴 문서에서도 일관성을 유지할 수 있습니다. Scout(활성 17B / 총 109B, 16개 전문가)는 청킹 없이 매우 큰 문서 컬렉션을 처리해야 하는 검색 증강 생성(RAG) 파이프라인 — 전체 법률 사례 기록, 코드베이스 또는 과학 문헌 코퍼스를 단일 프롬프트로 처리 — 의 기본 모델이 되었습니다.

참고: 1,000만 토큰 아키텍처 컨텍스트. 단일 H100(Int4). DocVQA 94.4%.

Try in FlowHunt

출시일: 2025년 4월
파라미터: 17B/109B MoE (16개 전문가)
컨텍스트: 1,000만 토큰
가중치: 오픈
티어: Established
제공업체: 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(전 Facebook)는 캘리포니아주 멘로파크에 본사를 둔 세계 최대 기술 기업 중 하나로, Facebook, Instagram, WhatsApp, Threads로 가장 잘 알려져 있습니다. Meta AI(전 FAIR)를 통해 이 회사는 Llama 제품군을 통해 오픈웨이트 대규모 언어 모델을 가장 많이 발표한 기관이 되었습니다. Llama 4 시리즈(Maverick, Scout, Behemoth)는 허용적인 커뮤니티 라이선스로 출시되었으며 Hugging Face와 같은 플랫폼에서 가장 많이 다운로드된 오픈웨이트 모델로 남아 있습니다. Meta의 AI 전략은 주요 연구소 중에서 독특합니다. 상업용 API를 운영하는 대신 연구 및 상업적 사용을 위해 모델을 공개적으로 출시하고, 자체 애플리케이션 전반에 생성형 AI 기능을 통합하며, 오픈웨이트 공개가 AI 개발에 가장 민주적인 접근 방식이라고 공개적으로 옹호해 왔습니다.

사용 사례

Llama 4 Scout를 활용하는 방법

자체 호스팅 및 프라이빗 배포: Llama 4 Scout는 오픈 웨이트(17B/109B MoE(16개 전문가) 파라미터) 모델입니다 — 학습된 가중치가 공개적으로 다운로드 및 자체 배포 가능합니다. 자체 GPU 하드웨어나 프라이빗 클라우드에서 실행하여 데이터가 환경 외부로 유출되지 않도록 보장하고, 대규모 사용 시 토큰당 API 비용을 없애거나, 독점 데이터셋으로 모델을 파인튜닝할 수 있습니다.
장문 문서 및 코드베이스 분석: 1,000만 토큰 컨텍스트 윈도우를 통해 Llama 4 Scout는 단일 프롬프트로 전체 소프트웨어 저장소, 긴 법률 계약서, 책 분량의 연구 보고서 또는 방대한 대화 기록을 처리할 수 있습니다 — 청킹 휴리스틱이나 RAG 파이프라인 없이 심층 문서 Q&A, 파일 간 코드베이스 추론 및 포괄적인 요약을 가능하게 합니다.

Strengths & Limitations

Strengths

자체 호스팅 및 데이터 프라이빗 배포 가능(오픈 웨이트)
매우 긴 문서와 대규모 코드베이스 처리(1,000만 컨텍스트)

Limitations

에이전트 코딩 및 복잡한 추론 분야에서 2026년 최첨단 모델에 비해 크게 뒤처짐

더 많은 비교

전체 AI 모델 리더보드 살펴보기

11개 벤치마크에 걸친 24개 모델 비교 — 정렬 가능, 출처 표시, 2026년 6월 업데이트.

← AI 리더보드로 돌아가기 FlowHunt에서 사용해보기

자주 묻는 질문

: Llama 4 Scout는 Meta가 개발하여 2025년 4월에 출시한, 검증된 AI 모델로 현재도 프로덕션 시스템에 널리 배포되어 사용되고 있습니다. 글쓰기, 분석, 요약, 질의응답 등 일반적인 AI 작업을 처리합니다.
: Llama 4 Scout는 오픈 웨이트(open-weight) 모델입니다. 학습된 가중치가 공개적으로 다운로드 가능하여 자체 호스팅 및 파인튜닝이 가능합니다. 토큰당 API 비용 없이 자체 인프라에서 실행할 수 있습니다. 단, 오픈 웨이트는 오픈소스와 동일하지 않습니다. 학습 코드와 데이터는 완전히 공개되지 않을 수 있습니다.
: Llama 4 Scout는 1,000만 토큰의 컨텍스트 윈도우를 지원합니다 — 이는 현재 사용 가능한 것 중 가장 큰 수준입니다. 한 번의 프롬프트로 책 분량의 문서, 전체 코드 저장소 또는 매우 긴 대화 기록을 처리할 수 있습니다.
: Llama 4 Scout는 다음 벤치마크에서 평가되었습니다: MMLU-Pro (52.2%), LiveCodeBench (32.8%), MATH-500 (50.3%), AA Intelligence Index (14.0 pts). SR 태그가 붙은 점수는 제공업체가 자체 보고한 점수이며, 3P 또는 AA 태그가 붙은 점수는 제3자가 독립적으로 검증했습니다.
: 네 — Llama 4 Scout는 FlowHunt에서 바로 사용할 수 있습니다. 추가 설정 없이 AI 에이전트, 자동화 워크플로우, 챗봇 및 문서 처리 파이프라인을 구축하는 데 활용할 수 있습니다.
: FlowHunt AI 리더보드에서 추적 중인 24개 모델을 정렬 가능한 벤치마크 테이블을 통해 Llama 4 Scout와 비교할 수 있습니다. 이 페이지의 벤치마크 순위 섹션에서 Llama 4 Scout가 평가된 각 벤치마크에서의 위치를 확인할 수 있습니다.

더 알아보기

Llama 4 Maverick — 벤치마크, 성능 및 사용 사례

Llama 4 Maverick은 Meta가 개발한 오픈 가중치 AI 모델(17B/400B MoE, 128개 전문가)로, Established 등급으로 분류되며 100만 토큰 컨텍스트 윈도우를 제공합니다. 벤치마크 점수, 강점 및 권장 사용 사례를 알아보세요....

Apr 5, 2025 4 분 읽기

Llama 4 Scout AI: 다양한 작업에서의 성능 분석

Meta의 Llama 4 Scout AI 모델이 다섯 가지 다양한 작업에서 보여준 성능을 심층적으로 분석합니다. 콘텐츠 생성, 계산, 요약, 비교, 창의적 글쓰기에서 속도, 정확성, 출력 품질 등의 지표를 통해 인상적인 역량을 확인할 수 있습니다....

May 30, 2025 3 분 읽기

AI Llama 4 +8

Llama 3.3 70B — 벤치마크, 기능 및 사용 사례

Llama 3.3 70B는 Meta가 개발한 오픈 웨이트 AI 모델(70B 덴스)로, Established 등급에 속하며 128K 토큰 컨텍스트 윈도우를 지원합니다. FlowHunt에서 직접 사용할 수 있습니다. 벤치마크 점수, 강점 및 권장 사용 사례를 확인하세요....

Dec 6, 2024 3 분 읽기