meta-llama
Meta: Llama 4 Scout
meta-llama/llama-4-scout
Nuestro análisis
Análisis asistido por IA basado en las fuentes siguientes. La idoneidad es una valoración editorial; compruébala con tus propias tareas.
OpenRouter presenta meta-llama/llama-4-scout como Llama 4 Scout 17B Instruct (16E) de Meta, un modelo de mezcla de expertos que activa parte de un conjunto mayor de parámetros. El catálogo indica entrada nativa de texto e imagen, salida de texto, controles de herramientas y de salida estructurada, y una ventana de contexto muy amplia. Sus mediciones de Design Arena son débiles en todas las categorías enumeradas, y este paquete de fuentes no incluye una ficha de modelo independiente. Trate el perfil como información de catálogo y valídelo con cargas de trabajo reales antes de usarlo en producción.[1]
Puntos fuertes
- El catálogo de OpenRouter reporta un diseño de mezcla de expertos que activa 17B parámetros de un total de 109B.[1]
- Acepta entradas de texto e imagen y emite texto, según el catálogo.[1]
- La ficha anuncia una ventana de contexto muy amplia, además de controles para herramientas y salidas estructuradas.[1]
Limitaciones
- Toda la evidencia procede del catálogo de OpenRouter; no se proporcionó una ficha de modelo independiente, por lo que la licencia, los requisitos de hardware, el comportamiento de despliegue y las propiedades de seguridad siguen siendo desconocidos.[1]
- Los resultados medidos de Design Arena son débiles en todas las categorías listadas, siendo la visualización de datos el área relativamente más sólida.[1]
- OpenRouter no completa el campo de razonamiento y reporta una fecha de corte de conocimiento del 31 de agosto de 2024; el razonamiento dedicado y el conocimiento posterior no están verificados.[1]
Dónde utilizarlo
- Prototipos de asistentes multimodales que necesiten fundamentar respuestas en imágenes y devolver texto, con calidad verificada en entradas reales.[1]
- Resumen o análisis de documentos largos donde el contexto anunciado pueda ayudar, después de probar recuperación y latencia.[1]
- Flujos con herramientas o salidas estructuradas para tareas de bajo riesgo, con revisión humana porque los resultados medidos son débiles.[1]
Fuentes
- [1] OpenRouter catalog · Meta: Llama 4 ScoutFuentes consultadas: 13 nov 2026
Sobre este modelo
La descripción siguiente es el texto original aportado por OpenRouter, en el idioma de la fuente.
Llama 4 Scout 17B Instruct (16E) is a mixture-of-experts (MoE) language model developed by Meta, activating 17 billion parameters out of a total of 109B. It supports native multimodal input...
Especificaciones
- ID del modelo
- meta-llama/llama-4-scout
- ID canónico
- meta-llama/llama-4-scout-17b-16e-instruct
- Creador
- meta-llama
- Añadido a OpenRouter
- 05.04.2025
- Longitud de contexto
- 1,310,720
- Modalidad
- text+image->text
- Modalidades de entrada
- text, image
- Modalidades de salida
- text
- Precio por token
- USD por 1M de tokens: entrada $0.100 / salida $0.300
- Corte de conocimiento
- 31.08.2024
- Fecha de expiración
- —
Tareas y capacidades
Una nota aparece solo cuando la fuente aporta una medición correspondiente para esa tarea, el modelo está activo y la cohorte tiene al menos 10 modelos comparables. La columna de capacidad muestra hechos declarados por la fuente — formatos compatibles, razonamiento y parámetros de herramientas — que no son calidad medida.
| Tarea | Nota | Capacidad declarada por la fuente |
|---|---|---|
| Calidad general | Sin medición | — |
| Programación | CC — por debajo de la franja B | — |
| Agentes | CC — por debajo de la franja B | parámetros: structured_outputs, tool_choice, tools |
| Escritura | Sin medición | salida: text |
| Razonamiento | Sin medición | — |
| Análisis de documentos | Sin medición | — |
| Visión | Sin medición | entrada: image |
| Generación de imágenes | Sin medición | — |
| Audio | Sin medición | — |
| Vídeo | Sin medición | — |
| Embeddings | Sin medición | — |
Evaluaciones
| Fuente | Benchmark | Valor | Nota | Datos obtenidos |
|---|---|---|---|---|
| Artificial Analysis | Coding index | 8.2 | CC — por debajo de la franja B | 13.11.2026 |
| Artificial Analysis | Agentic index | 0.5 | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · codecategoriestasa de victoria 26.6% · posición 145 | 780Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · dataviztasa de victoria 39.3% · posición 131 | 896Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · gamedevtasa de victoria 27.4% · posición 144 | 763Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · uicomponenttasa de victoria 25.5% · posición 140 | 760Elo | CC — por debajo de la franja B | 13.11.2026 |
| Design Arena | models · websitetasa de victoria 22.7% · posición 151 | 743Elo | CC — por debajo de la franja B | 13.11.2026 |
Cómo funcionan las notas
Cada nota compara un modelo solo con otros modelos evaluados por la misma fuente y métrica en la instantánea actual. S es el 10% superior, A el siguiente 20%, B el siguiente 30% y C el resto. Los modelos sin medición publicada aparecen como no evaluados: un formato compatible nunca implica calidad medida.
- S — S — 10% superior de la cohorte
- A — A — siguiente 20% de la cohorte
- B — B — siguiente 30% de la cohorte
- C — C — por debajo de la franja B
Proveedores
Estadísticas opcionales de proveedores en vivo desde OpenRouter. Los valores ausentes son desconocidos, no cero.
| Proveedor | Longitud de contexto | Precio entrada /1M | Precio salida /1M | Latencia p50 (30m, s) | Rendimiento p50 (30m, tok/s) | Disponibilidad (30m) |
|---|---|---|---|---|---|---|
| DeepInfrafp8 | 327,680 | $0.080 | $0.240 | — | — | — |
| DeepInfrafp8 | 327,680 | $0.100 | $0.300 | — | — | 100% |
| DeepInfrafp8 | 327,680 | $0.150 | $0.450 | — | — | 100% |
| 1,310,720 | $0.250 | $0.700 | — | — | — |
Datos de proveedores obtenidos: 13.11.2026
Artículos relacionados
Ningún artículo publicado identifica aún este modelo.