Llama 4 Scout

10 Millionen Token Kontext - das längste Fenster aller offenen Modelle

Llama 4 Scout ist Metas Long-Context-Spezialist. Mit 109B Gesamtparametern, 17B aktiv pro Token über 16 Experten und einem 10M-Token-Kontextfenster kann es ganze Codebasen, Multi-Dokument-Forschungsbibliotheken und stundenlange Gesprächsverläufe in einem einzigen Aufruf verarbeiten.

Chat starten Benchmarks ansehen

Modellvarianten

Instruction-tuned und Basismodelle

Wähle zwischen der Instruction-tuned-Variante, optimiert für Chat und Long-Context-Aufgaben, oder dem Basismodell für Feinabstimmung und individuelle Anwendungen.

Mixture-of-Experts-Architektur

109B Gesamtparameter, 17B aktiv pro Token

Llama 4 Scout nutzt ein Sparse-MoE-Design mit 16 Experten und aktiviert 17B Parameter pro Forward Pass. Das herausragende Merkmal ist das 10-Millionen-Token-Kontextfenster - das längste aller offen verfügbaren Modelle.

Ideal für Aufgaben, die massive Textmengen erfordern: ganze Codebasen, Multi-Dokument-Analysen, lange Forschungsarbeiten und ausgedehnte Gesprächsverläufe.

Chat starten Fähigkeiten ansehen

Instruction-tuned

Scout Instruct

Optimiert für konversationelle KI und Long-Context-Aufgaben

Feinabgestimmt für Instruktionsbefolgung, Multi-Turn-Dialog und die Verarbeitung sehr langer Eingaben

Jetzt verfügbar

Chat starten Gewichte herunterladen

Vortrainiert

Scout Base

MoE-Basismodell für Feinabstimmung und spezialisierte Anwendungen

Vortrainiert auf vielfältigen multimodalen Daten mit 16-Experten-Routing

Jetzt verfügbar

Auf HuggingFace ansehen Dokumentation

Fähigkeiten

Gebaut für massiven Kontext und multimodales Verständnis

Llama 4 Scout kombiniert ein beispielloses 10M-Token-Kontextfenster mit MoE-Effizienz, nativem multimodalem Support und starken Reasoning-Fähigkeiten.

10M-Token-Kontextfenster

Das längste Kontextfenster aller offen verfügbaren Modelle. Verarbeite ganze Codebasen, Multi-Dokument-Forschungsbibliotheken oder stundenlange Gespräche in einem einzigen Aufruf.

MoE-Effizienz

Aktiviert nur 17B Parameter pro Token aus einem 109B-Pool über 16 Experten. Starke Leistung bei einem Bruchteil der Rechenkosten dichter Modelle.

Code-Analyse im großen Maßstab

Lade ganze Repositories in den Kontext für dateiübergreifende Analyse, Dependency-Tracking und großflächige Refactoring-Aufgaben.

Agentische Workflows

Nativer Function-Calling- und Tool-Use-Support ermöglicht autonome Agenten. Baue Workflows, die mehrere Tools verketten - ohne Feinabstimmung.

Mehrsprachiger Support

Starke Leistung in mehreren Sprachen mit kulturellem Kontextverständnis für globale Anwendungen.

Nativ multimodal

Verarbeite Text und Bilder gemeinsam mit Early-Fusion-Architektur. Analysiere Screenshots, Diagramme und Dokumente zusammen mit Text.

Wichtige Highlights

Warum Scouts Kontextfenster entscheidend ist

Ein 10M-Token-Kontextfenster verändert, was mit einem einzigen Modellaufruf möglich ist.

Was in 10M Token passt

Eine komplette mittelgroße Codebasis (50.000+ Zeilen über Hunderte von Dateien)
Mehrere Forschungsarbeiten oder ein ganzes Buch
Stundenlange Meeting-Transkripte oder Gesprächsverläufe
Vollständige Dokumentationssets für komplexe Systeme
95%+ Retrieval-Genauigkeit bis 8M Token in Needle-in-a-Haystack-Tests

Technische Spezifikationen

109B Gesamtparameter, 17B aktiv pro Token
16 Experten in MoE-Architektur
10M-Token-Kontextfenster
Nativ multimodal (Text + Bild)
Llama 3.1 kompatible Lizenz

Kostenlosen Chat starten Gewichte herunterladen

Leistung

Long-Context-Spezialist mit wettbewerbsfähigem Reasoning

Llama 4 Scout liefert starke Leistung über Standard-Benchmarks hinweg und bietet gleichzeitig ein unerreichtes 10M-Token-Kontextfenster für Long-Document-Aufgaben.

Scout ist optimiert für Aufgaben, die die Verarbeitung großer Kontextmengen erfordern. Während Maverick bei reinen Benchmark-Scores führt, macht Scouts 10M-Kontextfenster es zur klaren Wahl für Long-Document-Workflows.

Chat starten Model Card ansehen

Llama 4 Scout Leistungsvergleichsdiagramm

10M-Token-Kontextfenster - das längste aller offenen Modelle

95%+ Retrieval-Genauigkeit bis 8M Token

17B aktive Parameter aus 109B gesamt (16 Experten)

Wettbewerbsfähig mit Modellen der 2-3-fachen aktiven Parameterzahl

Nativer multimodaler Support für Text- und Bildeingaben

Benchmark-Vergleich

Scout vs Maverick und die Llama-4-Familie

Scout tauscht etwas reine Benchmark-Leistung gegen seinen massiven Kontextfenster-Vorteil ein.

Benchmark	Llama 4 Scout 16 Experten Vorgestellt	Llama 4 Maverick 128 Experten	Llama 3.1 70B Dense
MMLU Pro Wissen & Reasoning	74.3%	80.5%	66.4%
GPQA Diamond Wissenschaftliches Wissen	57.2%	69.8%	46.7%
LiveCodeBench v5 Coding	32.8%	43.4%	28.5%
MMMU Multimodal	69.4%	73.4%	-
Context Window Max. Token	10M	1M	128K
Total Parameters Modellgröße	109B	400B	70B
Active Parameters Pro Token	17B	17B	70B

Daten aus Metas offiziellem Model Card und unabhängigen Evaluierungen.

Long Context

10M Token: ganze Codebasen in einem Aufruf verarbeiten

Scouts 10M-Token-Kontextfenster ist das längste aller offen verfügbaren Modelle. Lade ganze Repositories, Multi-Dokument-Forschungssets oder stundenlange Transkripte in einen einzigen Kontext für umfassende Analyse.

95%+ Retrieval-Genauigkeit bis 8M Token in Needle-in-a-Haystack-Tests
89% Genauigkeit am vollen 10M-Token-Limit
Verarbeite 50.000+ Codezeilen über Hunderte von Dateien gleichzeitig

Long-Context-Aufgaben testen Benchmarks ansehen

MoE-Architektur

109B Kapazität bei 17B Inferenzkosten

Scouts 16-Experten-MoE-Architektur aktiviert nur 17B Parameter pro Token und behält dabei die Repräsentationskapazität eines viel größeren Modells. Das macht den Einsatz auf einem einzelnen Node praktikabel und liefert trotzdem starke Leistung.