Llama 4 Scout

Fiche modèle · Meta · llama-4-scout

Llama 4 Scout is a natively multimodal model capable of processing both text and images. It features a 17 billion activated parameter (109B total) mixture-of-experts (MoE) architecture with 16 experts, supporting a wide range of multimodal tasks such as conversational interaction, image analysis, and code generation. The model includes a 10 million token context window.

Fiches modèles

Identité

Organisation	Meta
Pays	—
Famille	—
Type	llm
Date de sortie	2025-04-05
Licence	llama 4 community license agreement
Licence commerciale	non
Licence open source	non
Poids ouverts	oui
Auto-hébergement (DGX Spark)	non — 109 Md > 107 Md
Modalités	image\|text
Fenêtre de contexte	10 000 000
KV cache / token (Q8)	—
Paramètres totaux	109 B
Paramètres actifs (session)	17 B
Source des paramètres actifs	web : https://ai.meta.com/blog/llama-4-multimodal-intelligence/
Curation des paramètres actifs	2026-11-04
Prix par session	0.16 $ (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 Players	69.4×
Coût / tâche (Terminal-Bench)	1.34 $ (est.)
Tokens d'entraînement	40 000 000 000 000
Coupure de connaissance	—
Créé le	2026-05-07T16:53:31.117466Z
Mis à jour le	2026-11-04T06:04:51.617694Z
Source	LLM Stats
URL	https://llm-stats.com/models/llama-4-scout

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 « — ».

Fournisseur	Source	Souveraineté	Entrée (/M tok)	Sortie (/M tok)	Quantification	Contexte	Latence (s)	Débit (tok/s)	Statut
DeepInfra	llm-stats	non	0.10 $	0.30 $	—	—	—	—	active

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

Souveraineté

Scores par catégorie (top_scores)

Catégorie	Score
image_to_text	0.90
language	0.80
legal	0.80
math	0.70
multimodal	0.80
physics	0.60
reasoning	0.70
finance	0.80
general	0.70
healthcare	0.70
biology	0.60
chemistry	0.60
code	0.30
vision	0.80

Scores par benchmark

Benchmark	Catégorie	Score	Max	Normalisé (API)	Vérifié	Auto-déclaré	Daté du
chartqa	reasoning	0.89	1.00	0.89	non	oui	2026-11-04T06:04:51.622369Z
docvqa	vision	0.94	1.00	0.94	non	oui	2026-11-04T06:04:51.633076Z
gpqa	reasoning	0.57	1.00	0.57	non	oui	2026-11-04T06:04:51.643286Z
livecodebench	reasoning	0.33	1.00	0.33	non	oui	2026-11-04T06:04:51.650189Z
math	math	0.50	1.00	0.50	non	oui	2026-11-04T06:04:51.654565Z
mathvista	math	0.71	1.00	0.71	non	oui	2026-11-04T06:04:51.659345Z
mbpp	reasoning	0.68	100.00	0.68	non	oui	2026-11-04T06:04:51.663039Z
mgsm	math	0.91	1.00	0.91	non	oui	2026-11-04T06:04:51.670307Z
mmlu	general	0.80	1.00	0.80	non	oui	2026-11-04T06:04:51.673542Z
mmlu-pro	language	0.74	1.00	0.74	non	oui	2026-11-04T06:04:51.677062Z
mmmu	multimodal	0.69	1.00	0.69	non	oui	2026-11-04T06:04:51.683240Z
tydiqa	language	0.32	1.00	0.32	non	oui	2026-11-04T06:04:51.689055Z

Classements

Catégorie	Rang	Score	Note conservatrice	Benchmarks évalués	Méthode	Daté du	Provenance
code	255	—	0.35	1	trueskill	2026-10-19	model_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