Llama 4 Maverick — Prestanda, Kapaciteter och Användningsområden
Llama 4 Maverick är en AI-modell med öppna vikter från Meta (17B/400B MoE (128 experter)), klassificerad som etablerad nivå med ett kontextfönster på 1M tokens....
4 min läsning
Llama 4 Scout är en beprövad AI-modell som fortfarande används flitigt i produktionssystem, utvecklad av Meta och släppt i april 2025. Som en modell med öppna vikter är dess tränade vikter offentligt tillgängliga — du kan själv hosta den, finjustera den på egen data eller köra den lokalt utan API-beroenden. Dess kontextfönster på 10 miljoner token är ett av de största som finns — kapabelt att bearbeta boklånga dokument, hela koddatabaser eller mycket långa samtalshistoriker i en enda prompt.
På FlowHunt AI Leaderboard är den en av 24 spårade modeller, utvärderade över 4 benchmarks. Utmärkande poäng: 50,3% på MATH-500 (#4 av 4); 32,8% på LiveCodeBench (#5 av 5); 52,2% på MMLU-Pro (#8 av 8).
Llama 4 Scout släpptes tillsammans med Maverick den 5 april 2025 som den mindre, mycket tillgängliga varianten av Llama 4-generationen — och väckte omedelbart uppmärksamhet för sitt kontextfönster: 10 miljoner token, det största av alla modeller på denna leaderboard. 10M-tokenfönstret uppnåddes genom modifieringar av uppmärksamhetsmekanismen och positionskodningen som gjorde att modellen kunde bibehålla sammanhang över dokument som var betydligt längre än någon tidigare modell med öppna vikter kunde hantera. Scout (17B aktiva / 109B totalt, 16 experter) blev standardmodellen för retrievalthink-augmented generation-pipelines som behövde arbeta över mycket stora dokumentsamlingar utan uppdelning — och bearbeta hela juridiska fallhistoriker, kodbaser eller vetenskapliga litteratursamlingar i en enda prompt.
Notering: 10M token arkitektoniskt kontext. Enkel H100 (Int4). DocVQA 94,4%.
- Släppt
- April 2025
- Parametrar
- 17B/109B MoE (16 experter)
- Kontext
- 10M token
- Vikter
- Öppna
- Nivå
- Etablerad
- Leverantör
- 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 (tidigare Facebook) är ett av världens största teknikföretag, med huvudkontor i Menlo Park, Kalifornien, och mest känt för Facebook, Instagram, WhatsApp och Threads. Genom Meta AI (tidigare FAIR) har företaget blivit den mest produktiva utgivaren av öppna viktmodeller för stora språkmodeller via Llama-familjen. Llama 4-serien — Maverick, Scout och Behemoth — släpptes under tillåtande communitylicenser och är fortfarande de mest nedladdade öppna viktmodellerna på plattformar som Hugging Face. Metas AI-strategi är särpräglad bland de stora laboratorierna: i stället för att driva ett kommersiellt API släpper Meta modeller öppet för forskning och kommersiellt bruk, integrerar generativa AI-funktioner i sina egna applikationer, och har offentligt förespråkat öppna viktmodeller som den mest demokratiska metoden för AI-utveckling.
Användningsområden
Vad Llama 4 Scout Används Till
- Självhostade & Privata Driftsättningar
Llama 4 Scout har öppna vikter (17B/109B MoE (16 experter) parametrar) — dess tränade vikter är offentligt tillgängliga för nedladdning och egen driftsättning. Kör den på din egen GPU-hårdvara eller privata moln för att säkerställa att data aldrig lämnar din miljö, eliminera API-kostnader per token i stor skala, eller finjustera modellen på egna datamängder.
- Analys av Långa Dokument & Kodbaser
Med ett kontextfönster på 10 miljoner token kan Llama 4 Scout hantera hela mjukvarudatabaser, långa juridiska kontrakt, boklånga forskningsrapporter eller omfattande samtalshistoriker i en enda prompt — vilket möjliggör djupgående dokument-Frågor & Svar, kodbasresonemang över flera filer och omfattande sammanfattning utan uppdelningsheuristik eller RAG-pipelines.
Strengths & Limitations
Strengths
- Självhostade & datasekreta driftsättningar (öppna vikter)
- Mycket långa dokument och stora kodbaser (10M kontext)
Limitations
- Betydligt efter 2026 års frontmodeller inom agentisk kodning och komplext resonemang
Bläddra i Hela AI-modelltopplistan
Jämför alla 24 modeller över 11 benchmarks — sorterbar, källhänvisad och uppdaterad juni 2026.
Vanliga frågor
Lär dig mer
Llama 3.3 70B — Prestandamått, Kapaciteter och Användningsområden
Llama 3.3 70B är en AI-modell med öppna vikter från Meta (70B tät), klassificerad som etablerad nivå med ett kontextfönster på 128K tokens. Den är direkt tillgä...
4 min läsning
Llama 4 Scout AI: Prestandaanalys över flera uppgifter
En djupgående analys av Metas Llama 4 Scout AI-modellens prestanda över fem olika uppgifter, som visar imponerande förmågor inom innehållsgenerering, beräkning,...
4 min läsning
AI
Llama 4
+8