Assistant scénario▸ 
Apps AI 
Actualités AI Quelle est la différence entre Llama 4 Scout et Maverick ?
小编 ·
Quelle est la différence entre Llama 4 Scout et Maverick ?
Le 5 avril 2025, Meta a publié la dernière génération de modèles ai open source, Llama 4, comprenant Llama 4 Scout et Llama 4 Maverick. Ces deux modèles d'IA sont les premiers modèles multimodaux à adopter l'architecture de mélange d'experts (MoE), mais quelles sont leurs différences ?
Principales différences entre Llama 4 Scout et Llama 4 Maverick :
Llama 4 Scout
Échelle des paramètres : 17 milliards de paramètres actifs, 16 modèles « experts », pour un total de 109 milliards de paramètres.
Fenêtre de contexte : prend en charge une fenêtre de contexte pouvant atteindre 10 millions de tokens, ce qui lui permet d'exceller dans le traitement de documents volumineux.
Cas d'utilisation : spécialisé dans le résumé de documents et le raisonnement sur de grandes bases de code, adapté aux scénarios nécessitant un raisonnement efficace et le traitement de longs textes.
Exigences matérielles : peut fonctionner sur un seul GPU NVIDIA H100, avec des besoins en ressources réduits grâce à la quantification Int4.
Llama 4 Maverick
Échelle des paramètres : 17 milliards de paramètres actifs, 128 modèles « experts », pour un total impressionnant de 400 milliards de paramètres.
Fenêtre de contexte : prend en charge une fenêtre de contexte de 1 million de tokens.
Cas d'utilisation : surpasse des modèles comme GPT-4o d'OpenAI et Gemini 2.0 de Google dans les benchmarks de rédaction créative, génération de code, traduction, raisonnement, résumé de longs contextes et traitement d'images.
Exigences matérielles : nécessite un hôte NVIDIA H100 DGX ou un équipement aux performances équivalentes.
Comparaison des deux
Performances : Maverick est plus performant dans les tâches multimodales et les capacités de raisonnement, tandis que Scout est plus avantageux pour le traitement de longs textes et le résumé de documents.
Besoins en ressources : Scout convient mieux aux scénarios à ressources limitées, car il peut fonctionner sur un seul GPU ; Maverick nécessite quant à lui une configuration matérielle plus élevée.
Cas d'utilisation : Scout est adapté aux scénarios nécessitant le traitement de grandes quantités de texte, tels que le traitement de documents et le raisonnement sur du code ; Maverick est plus adapté aux tâches nécessitant une interaction multimodale et un raisonnement complexe, comme la rédaction créative et le traitement d'images.
Coût d'inférence
Llama 4 Scout : grâce à sa taille de modèle plus petite et à ses techniques de quantification efficaces, le coût d'inférence est relativement faible, ce qui le rend adapté aux applications nécessitant une réponse rapide et une faible consommation de ressources.
Llama 4 Maverick : bien que son nombre total de paramètres soit plus important, son coût d'inférence est également optimisé grâce à l'architecture de mélange d'experts. Meta estime que le coût d'inférence de Llama 4 Maverick se situe entre 0,19 et 0,49 dollar pour 1 million de tokens (avec un ratio entrée/sortie de 3:1), ce qui le rend bien moins cher que des modèles propriétaires comme GPT-4o.
Llama 4 Scout convient mieux aux scénarios nécessitant le traitement de longs textes et aux environnements à ressources limitées, tandis que Llama 4 Maverick se distingue par ses capacités de raisonnement et de génération de code, ce qui le rend adapté aux applications nécessitant des performances élevées et un traitement multimodal. Les deux modèles bénéficient d'une utilisation efficace des ressources grâce à l'architecture de mélange d'experts, mais les besoins en ressources et les coûts spécifiques dépendent de votre propre cas d'utilisation et de votre matériel.
