Llama 4 Scout 17B-16E liefert für seine Größenklasse modernste Ergebnisse, die frühere Llama-Generationen und andere offene und proprietäre Modelle bei mehreren Benchmarks übertreffen. Das Modell basiert auf einer MoE-Architektur mit 17 Mrd. aktiven Parametern von insgesamt 109 Mrd. Parametern und 16 Experten.
Llama 4 Scout 17B-16E eignet sich für Abrufvorgänge in langen Kontexten und für Aufgaben, die eine Analyse großer Mengen an Informationen erfordern, z. B. das Zusammenfassen mehrerer großer Dokumente, die Analyse umfangreicher Protokolle von Nutzerinteraktionen zur Personalisierung und die Analyse großer Codebasen.
Spezifikationen für Managed APIs (MaaS)
In Agent Studio testen Modellkarte in Model Garden ansehen
| Modell-ID | llama-4-scout-17b-16e-instruct-maas |
|
|---|---|---|
| Startphase | GA | |
| Unterstützte Ein- und Ausgaben |
|
|
| Leistungsspektrum |
|
|
| Nutzungstypen |
|
|
| Wissensstichtag | August 2024 | |
| Versionen |
|
|
| Unterstützte Regionen | ||
|
Modellverfügbarkeit |
|
|
|
ML-Verarbeitung |
|
|
| Kontingentlimits |
us-east5:
|
|
| Preise | Weitere Informationen finden Sie unter Preise. | |
Als Modell mit Selbstbereitstellung bereitstellen
Wenn Sie das Modell selbst bereitstellen möchten, rufen Sie in der Model Garden-Konsole die Modellkarte für Llama 4 Scout 17B-16E auf und klicken Sie auf Modell bereitstellen. Weitere Informationen zum Bereitstellen und Verwenden von Partnermodellen finden Sie unter Partnermodell bereitstellen und Vorhersageanfragen stellen.
Hinweise
- Sie können maximal drei Bilder pro Anfrage einfügen.
- Für den MaaS-Endpunkt wird Llama Guard nicht verwendet, anders als bei früheren Versionen. Wenn Sie Llama Guard verwenden möchten, stellen Sie Llama Guard über Model Garden bereit und senden Sie dann die Prompts und Antworten an diesen Endpunkt. Im Vergleich zu Llama 4 hat Llama Guard jedoch einen eingeschränkteren Kontext (128.000) und kann nur Anfragen mit einem einzelnen Bild am Anfang des Prompts verarbeiten.
- Batchvorhersagen werden nicht unterstützt.