Llama 4 Maverick — Benchmarks, mogelijkheden en gebruiksscenario's
Llama 4 Maverick is een AI-model met open gewichten van Meta (17B/400B MoE (128 experts)), geclassificeerd als 'Established'-niveau met een contextvenster van 1...
4 min lezen
Llama 4 Scout is een bewezen AI-model dat nog steeds veel wordt ingezet in productiesystemen, ontwikkeld door Meta en uitgebracht in april 2025. Als open-weight model zijn de getrainde gewichten openbaar beschikbaar — u kunt het zelf hosten, finetunen op eigen data, of on-premise draaien zonder API-afhankelijkheden. Het contextvenster van 10M tokens is een van de grootste beschikbare — geschikt voor het verwerken van documenten van boeklengte, complete coderepositories of zeer lange gespreksgeschiedenissen in één enkele prompt.
Op het FlowHunt AI Leaderboard is het een van de 24 gevolgde modellen, geëvalueerd op 4 benchmarks. Opvallende scores: 50,3% op MATH-500 (#4 van de 4); 32,8% op LiveCodeBench (#5 van de 5); 52,2% op MMLU-Pro (#8 van de 8).
Llama 4 Scout werd samen met Maverick uitgebracht op 5 april 2025 als de kleinere, zeer toegankelijke variant van de Llama 4-generatie — en trok onmiddellijk aandacht vanwege het contextvenster: 10 miljoen tokens, het grootste van alle modellen op dit leaderboard. Het 10M-tokens venster werd bereikt door aanpassingen aan het aandachtsmechanisme en de positionele codering, waardoor het model coherentie kon behouden over documenten die veel langer zijn dan enig eerder open-weight model aankon. Scout (17B actief / 109B totaal, 16 experts) werd het standaardmodel voor retrieval-augmented generation-pijplijnen die over zeer grote documentencollecties moesten werken zonder chunking — het verwerken van complete juridische dossiers, codebases of wetenschappelijke literatuurcollecties in één enkele prompt.
Let op: 10M token architecturale context. Enkele H100 (Int4). DocVQA 94,4%.
- Uitgebracht
- April 2025
- Parameters
- 17B/109B MoE (16 experts)
- Context
- 10M tokens
- Gewichten
- Open
- Niveau
- Established
- Aanbieder
- 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 (voorheen Facebook) is een van de grootste technologiebedrijven ter wereld, gevestigd in Menlo Park, Californië, en vooral bekend van Facebook, Instagram, WhatsApp en Threads. Via Meta AI (voorheen FAIR) is het bedrijf de meest productieve uitgever geworden van open-gewicht grote taalmodellen via de Llama-familie. De Llama 4-serie — Maverick, Scout en Behemoth — werden uitgebracht onder permissieve gemeenschapslicenties en blijven de meest gedownloade open-gewicht modellen op platforms zoals Hugging Face. De AI-strategie van Meta is onderscheidend onder de grote laboratoria: in plaats van een commerciële API te exploiteren, brengt Meta modellen openlijk uit voor onderzoek en commercieel gebruik, integreert het generatieve AI-functies in haar eigen toepassingen, en heeft het publiekelijk gepleit voor open-gewicht releases als de meest democratische benadering van AI-ontwikkeling.
Gebruiksscenario's
Waar Llama 4 Scout voor te gebruiken
- Zelfgehoste & privé-implementaties
Llama 4 Scout is open-weight (17B/109B MoE (16 experts) parameters) — de getrainde gewichten zijn openbaar beschikbaar om te downloaden en zelf te implementeren. Draai het op uw eigen GPU-hardware of private cloud om te zorgen dat gegevens uw omgeving nooit verlaten, elimineer per-token API-kosten op schaal, of finetune het model op eigen datasets.
- Analyse van lange documenten & codebases
Met een contextvenster van 10M tokens kan Llama 4 Scout complete softwarerepositories, lange juridische contracten, onderzoeksrapporten van boeklengte of uitgebreide gespreksgeschiedenissen in één enkele prompt opnemen — wat diepgaande document-Q&A, cross-bestand codebase-redeenering en uitgebreide samenvatting mogelijk maakt zonder chunking-heuristieken of RAG-pijplijnen.
Strengths & Limitations
Strengths
- Zelfgehoste & dataprivé-implementaties (open-weight)
- Zeer lange documenten en grote codebases (10M context)
Limitations
- Aanzienlijk achter op 2026-grensverleggende modellen op het gebied van agentisch programmeren en complexe redeenering
Bekijk het volledige AI-model Leaderboard
Vergelijk alle 24 modellen op 11 benchmarks — sorteerbaar, met bronvermelding en bijgewerkt tot juni 2026.
Veelgestelde vragen
Meer informatie
Llama 4 Scout AI: Prestatieanalyse over Meerdere Taken
Een diepgaande analyse van de prestaties van Meta's Llama 4 Scout AI-model over vijf uiteenlopende taken, die indrukwekkende capaciteiten onthult op het gebied ...
4 min lezen
AI
Llama 4
+8
Llama 3.3 70B — Benchmarks, mogelijkheden en gebruiksscenario's
Llama 3.3 70B is een AI-model met open gewichten van Meta (70B dense), geclassificeerd als Established-tier met een contextvenster van 128K tokens. Het is direc...
4 min lezen