Llama 4 Maverick

Fiche modèle · Meta · llama-4-maverick

Llama 4 Maverick is a natively multimodal model capable of processing both text and images. It features a 17 billion active parameter mixture-of-experts (MoE) architecture with 128 experts, supporting a wide range of multimodal tasks such as conversational interaction, image analysis, and code generation. The model includes a 1 million token context window.

Fiches modèles

Identité

OrganisationMeta
Pays—
Famille—
Typellm
Date de sortie2025-04-05
Licencellama 4 community license agreement
Licence commercialenon
Licence open sourcenon
Poids ouvertsoui
Auto-hébergement (DGX Spark)non — 400 Md > 107 Md
Modalitésimage|text
Fenêtre de contexte1 000 000
KV cache / token (Q8)—
Paramètres totaux400 B
Paramètres actifs (session)17 B
Source des paramètres actifsweb : https://ai.meta.com/blog/llama-4-multimodal-intelligence/
Curation des paramètres actifs2026-11-04
Prix par session0.36 $ (1 000 000 tokens entrée + 200 000 sortie, prix le moins cher par fournisseur)
Tokens / tâche (Data Players)1.2 M
Tokens / tâche (Terminal-Bench)83.3 M (est.)
Ratio Terminal-Bench / Data Players69.4×
Coût / tâche (Terminal-Bench)3.02 $ (est.)
Tokens d'entraînement22 000 000 000 000
Coupure de connaissance—
Créé le2026-05-07T16:53:31.074966Z
Mis à jour le2026-11-04T06:04:51.521217Z
SourceLLM Stats
URLhttps://llm-stats.com/models/llama-4-maverick
Tokens/tâche

Prix par fournisseur

Prix

Statut du modèle (offres + auto-hébergement) : non — hors DGX Spark (> 107 Md).

Toutes sources confondues : catalogue llm-stats, routeurs EUrouter/Cortecs et catalogues directs (OVHcloud, Scaleway, Infomaniak). Les prix sont convertis en USD pour la comparaison ; le prix publié et le taux BCE utilisé sont dans l'infobulle. Les prix inconnus restent indiqués « — ».

FournisseurSourceSouverainetéEntrée (/M tok)Sortie (/M tok)QuantificationContexteLatence (s)Débit (tok/s)Statut
DeepInfrallm-statsnon0.20 $0.80 $————active

Souveraineté qualifiée par offre (modèle × fournisseur) ; survolez le badge pour les critères.

Souveraineté

Scores par catégorie (top_scores)

CatégorieScore
image_to_text0.90
language0.80
legal0.80
math0.80
multimodal0.80
physics0.70
reasoning0.70
finance0.80
general0.80
healthcare0.80
biology0.70
chemistry0.70
code0.40
vision0.80

Scores par benchmark

BenchmarkCatégorieScoreMaxNormalisé (API)VérifiéAuto-déclaréDaté du
chartqareasoning0.901.000.90nonoui2026-11-04T06:04:51.524554Z
docvqavision0.941.000.94nonoui2026-11-04T06:04:51.533140Z
gpqareasoning0.701.000.70nonoui2026-11-04T06:04:51.541682Z
livecodebenchreasoning0.431.000.43nonoui2026-11-04T06:04:51.549667Z
mathmath0.611.000.61nonoui2026-11-04T06:04:51.552911Z
mathvistamath0.741.000.74nonoui2026-11-04T06:04:51.561346Z
mbppreasoning0.78100.000.78nonoui2026-11-04T06:04:51.570201Z
mgsmmath0.921.000.92nonoui2026-11-04T06:04:51.574511Z
mmlugeneral0.851.000.85nonoui2026-11-04T06:04:51.583243Z
mmlu-prolanguage0.811.000.81nonoui2026-11-04T06:04:51.593152Z
mmmumultimodal0.731.000.73nonoui2026-11-04T06:04:51.599104Z
mmmu-provision0.601.000.60nonoui2026-11-04T06:04:51.605383Z
tydiqalanguage0.321.000.32nonoui2026-11-04T06:04:51.613070Z

Classements

CatégorieRangScoreNote conservatriceBenchmarks évaluésMéthodeDaté duProvenance
code233—2.971trueskill2026-10-19model_history

Lecture : Note conservatrice = borne basse TrueSkill (niveau estimé − marge d’incertitude) ; Benchmarks évalués = nombre de benchmarks de la catégorie pris en compte. À performances égales, un modèle évalué sur moins de benchmarks obtient une note plus basse : la note ne se déduit pas d’un seul score. Provenance : rankings = top 50 de /rankings ; model_history = historique du modèle (/models/{id}/history), utilisé pour les rangs au-delà du top 50.

Données

Dates de curation (récupération depuis l'API) : models 2026-11-04 · benchmarks 2026-11-04 · scores 2026-11-04 · updates 2026-11-04 · account 2026-11-04 · model_history 2026-11-04 · rankings 2026-11-04