Meta: Llama 4 Scout

Meta: Llama 4 Scout ist ein von Meta entwickeltes Sprachmodell. Es ist ein Mixture-of-Experts-Modell, das 17 Milliarden Parameter von insgesamt 109 Milliarden aktiviert, und es wird unter dem Namen Llama 4 Scout 17B Instruct (16E) veröffentlicht. Es befindet sich in der Textkategorie auf api14, und sein Wissensstand endet am 2024-08-31.

Das Modell akzeptiert Text und Bilder als Eingabe und gibt Text zurück. Sein Kontextfenster umfasst 1.310.720 Tokens, was groß genug ist, um sehr lange Dokumente, Codebasen oder mehrstufige Verläufe in einer einzigen Anfrage zu halten, und die maximale Ausgabelänge beträgt 16.384 Tokens. Native multimodale Eingabe bedeutet, dass Sie Bilder zusammen mit Textaufforderungen senden können, sodass Aufgaben, die einen Screenshot, ein Diagramm oder ein Foto mit schriftlichen Anweisungen kombinieren, direkt unterstützt werden und nicht über eine separate Pipeline.

Diese Fähigkeiten deuten auf einige praktische Einsatzmöglichkeiten hin. Arbeiten mit langem Kontext wie das Zusammenfassen oder Abfragen umfangreicher Berichte, Verträge oder Transkripte passen gut zum großen Fenster. Da Bilder als Eingabe akzeptiert werden, sind Dokumentenverständnis, Diagramm- und Screenshot-Analyse sowie visuelle Fragebeantwortung sinnvolle Einsatzbereiche. Tool-Aufrufe und strukturierte Ausgaben machen es geeignet für Agenten und Pipelines, die vom Modell erwarten, dass es Daten in einer festen Form zurückgibt oder externe Funktionen aufruft, und das Mixture-of-Experts-Design hält die Anzahl der aktiven Parameter bei 17 Milliarden, was relevant ist, wenn Ihnen Serving-Effizienz statt reiner Skalierung wichtig ist.

Sie rufen es über die OpenAI-kompatible API von api14 mit der Modell-ID "meta-llama/llama-4-scout" auf. Die unterstützten Anfrageparameter sind frequency_penalty, logit_bias, max_tokens, min_p, presence_penalty, repetition_penalty, response_format, seed, stop, structured_outputs, temperature, tool_choice, tools, top_k und top_p. Dieser Satz deckt Sampling-Steuerungen, deterministische Läufe über seed, Stoppsequenzen, JSON- oder schema-beschränkte Antworten über response_format und structured_outputs sowie Funktionsaufrufe über tools und tool_choice ab.

Zwei Grenzen sind vor der Entscheidung erwähnenswert. Die Ausgabe ist auf 16.384 Tokens pro Antwort begrenzt, sodass Arbeiten, die eine sehr lange einzelne Vervollständigung erfordern, auf mehrere Aufrufe aufgeteilt werden müssen. Der Wissensstand endet am 2024-08-31, sodass Fragen zu Ereignissen nach diesem Datum davon abhängen, was Sie im Prompt oder über Tools bereitstellen. Wenn Ihre Aufgabe rein textbasiert ist und weder das große Kontextfenster noch Bildeingabe benötigt, kann ein kleineres Modell die einfachere Wahl sein.