Română · beta. Traducerea a fost făcută automat și este încă în curs de revizuire. Citește pagina în engleză

Meta · pașaport de model

Meta: Llama 4 Scout

llama-4-scout

Ponderi deschise
108.6B parametri
1,310,720 context
Lansat 2025-04-05(curatoriat)

Cea mai bună percentilă: 51.7MMLU-Pro (Artificial Analysis)
Poziția în cohortă: 46.8mediană 48.1

Ce spun datele

Evaluat pe 3 din 27 axe urmărite. Fiecare cifră de mai jos este rezultatul publicat al modelului pe acel clasament.

Neuniform: 12,4 puncte de percentilă între cea mai bună și cea mai slabă axă a sa — 51.7 pct pe MMLU-Pro (Artificial Analysis) față de 39.3 pct pe LiveCodeBench (Artificial Analysis).

MMLU-Pro (Artificial Analysis)51.7 pct75.2%Verifică →
IFBench (Artificial Analysis)39.8 pct39.5%Verifică →
LiveCodeBench (Artificial Analysis)39.3 pct29.9%Verifică →
GeneralNeevaluat
WebDev ArenaNeevaluat
Vision ArenaNeevaluat
Factuality ArenaNeevaluat
Search ArenaNeevaluat
Document ArenaNeevaluat
Agent ArenaNeevaluat
GPQA DiamondNeevaluat
AIME (matematică)Neevaluat
FrontierMathNeevaluat
SimpleQA VerifiedNeevaluat
ARC-AGI-2Neevaluat
Humanity's Last ExamNeevaluat
SimpleBenchNeevaluat
LiveBenchNeevaluat
BFCL v4 (apelare de funcții)Neevaluat
SWE-bench Verified (clasament live)Neevaluat
Terminal-Bench 4.0Neevaluat
Halucinații HHEM (Vectara)Neevaluat
SWE-bench VerifiedNeevaluat
Terminal-BenchNeevaluat
ProgramareNeevaluat
Urmarea instrucțiunilorNeevaluat
Prompturi dificileNeevaluat

Percentilele reprezintă poziția modelului în populația proprie a fiecărui clasament. Axele marcate „neevaluat” nu au niciun rezultat publicat pentru acest model — este o absență a datelor, nu un scor mic.

Cum îl rulezi

Rulează-l singur

Repositorymeta-llama/Llama-4-Scout-17B-16E-Instruct

Parametri108.6B

ArhitecturăLlama4ForConditionalGeneration

AccesRestricționat — trebuie să accepți termenii repository-ului înainte de descărcare

Transformers

from transformers import AutoModelForCausalLM, AutoTokenizer

model_id = "meta-llama/Llama-4-Scout-17B-16E-Instruct"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForCausalLM.from_pretrained(model_id)

Ollama

Nu sincronizăm tag-urile Ollama, așa că nu afișăm o comandă pe care nu o putem verifica — una greșită ar descărca modelul greșit. Caută în biblioteca Ollama →

Rețetele de fine-tuning Unsloth sunt specifice fiecărui model și nu le derivăm aici. Documentația Unsloth →

Folosește-l găzduit

ID de model APImeta-llama/llama-4-scout

Lungime context1,310,720 tokeni

Ieșire maximă16,384 tokeni

Acceptătext, image

Preț intrare$0.10 per 1M tokeni

Preț ieșire$0.30 per 1M tokeni

Parametri API acceptați de acest endpoint

Frequency penaltyLogit biasMax tokensMin-pPresence penaltyRepetition penaltyResponse formatSeedStop sequencesStructured outputsTemperatureTool choiceTool callingTop-kTop-p

Exemplu de cerere

curl https://openrouter.ai/api/v1/chat/completions \
  -H "Authorization: Bearer $OPENROUTER_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{"model":"meta-llama/llama-4-scout","messages":[{"role":"user","content":"Hello"}]}'

Vezi pe OpenRouter →

Identificatorii, limitele și prețurile sunt sincronizate din sursa upstream afișată mai sus. Orice câmp nesincronizat este omis complet, nu ghicit.

Llama 4 Scout stands at 46.8 (raw mean 43.6) — measured on 3 of 27 axes.
pozițieșablonVerifică →
Llama 4 Scout stands at 46.8 versus a cohort median of 48.1 across 151 models released within 180 days — below the peer median.
cohortășablonVerifică →

Fiecare afirmație este un fapt calculat din datele actuale ale clasamentului, formulat de un apel de model la temperatură scăzută și respins de o poartă de validare dacă vreun număr nu se află în rândul sursă. Cum funcționează clasamentele →