- Meta lanserar Llama 4 med tre varianter: Scout, Maverick och Behemoth, med en multimodal och öppen källkod.
- Modellerna inkluderar Mixture of Experts (MoE) arkitektur och sammanhangsfönster på upp till 10 miljoner tokens.
- Scout och Maverick är redan tillgängliga på appar som WhatsApp eller Instagram, medan Behemoth fortfarande är under utveckling.
- Distributionen av Llama 4 är begränsad utanför USA av rättsliga ramar, särskilt i EU.
Meta har tagit ytterligare ett steg i utvecklingen av sitt ekosystem för artificiell intelligens med lanseringen av Llama 4 , en samling modeller som syftar till att konkurrera med nuvarande branschjättar som GPT-4 och Gemini. Med en omarbetad arkitektur och tillägg av multimodala funktioner försöker Mark Zuckerbergs företag stärka sin position i en kapplöpning som präglas av innovation och snabb utveckling.
Llama 4-familjen kommer med tre huvudmodeller: Scout, Maverick och Behemoth , var och en med distinkta funktioner utformade för att täcka ett brett spektrum av behov, från vardagliga uppgifter till högt specialiserade användningsområden. Dessutom är Metas engagemang tydligt: att bibehålla öppen källkod som en differentierande faktor, vilket placerar dessa modeller framträdande i landskapet av tillgängliga verktyg för företag och individuella utvecklare. För de senare erbjuder Llama 4:s öppna källkod möjligheten att experimentera och utveckla anpassade applikationer.
En ny arkitektur för en ny generation
En av de viktigaste aspekterna av Llama 4 är dess arkitektur baserad på tekniken Mixture of Experts (MoE) . Denna metod tillåter att endast nödvändiga delar av modellen aktiveras för en given uppgift, snarare än att alla dess parametrar aktiveras i varje fråga. Detta förbättrar inte bara effektiviteten utan minskar även beräkningsbelastningen och snabbar upp svaren. Med denna arkitekturutveckling kan AI-utvecklare utforska nya möjligheter, som de som presenteras i artikeln om Microsoft Loop.
Llama 4 Scout och Maverick delar en bas på 17.000 miljarder aktiva parametrar , även om de skiljer sig åt i antalet experter de använder: Scout använder 16, medan Maverick använder 128. Denna konfiguration differentierar deras kapacitet genom att fokusera Scout på tekniska uppgifter som kodanalys eller dokumentationssyntes , medan Maverick fokuserar på mer allmänna funktioner som kreativt skrivande eller text- och bildtolkning . För de som är intresserade av kodanalys kan Llama 4:s arkitektur vara grundläggande, och du kan hitta mer information i inlägget om Python.
Behemoth representerar däremot en satsning mot den allra senaste modellutvecklingen . Även om den fortfarande befinner sig i träningsfasen har det visat sig att den har 288.000 miljarder aktiva parametrar fördelade på 16 experter. Enligt Meta placerar dess inledande tester den över konkurrenter som GPT-4.5, Claude 3.7 och Gemini 2.0 Pro i riktmärken inriktade på STEM- områden.
Multimodalitet som nyckeln till framtiden
Multimodalitet är ett annat kännetecken för denna nya generation . Scout och Maverick är utformade för att förstå och arbeta med olika typer av inmatning, såsom text , bilder och till och med video , vilket möjliggör utvecklingen av mer mångsidiga och anpassningsbara assistenter. Detta leder till mer sofistikerade tillämpningar inom företags-, utbildnings- eller kreativa miljöer, där samtidig tolkning av visuell och textuell information är avgörande. I detta sammanhang skulle integrationen av modeller som Llama 4 kunna bidra till att förbättra moderna verktygs funktioner, liknande det som ses i Google Colab.
En av de mest innovativa funktionerna är införandet av kontextfönster på upp till 10 miljoner tokens . Med denna funktion kan modellerna hantera extremt stora datablock, vilket underlättar djupgående analyser av omfattande dokument eller komplexa kodbaser. Denna utvidgning av kontext saknar motstycke i tidigare modeller och skulle kunna bli en standard för framtida AI-utgåvor globalt.
Tack vare MoE-arkitekturen förbrukar Llama 4-modeller också färre resurser under träning och inferens , vilket är avgörande för att skala upp användningen utan att kräva alltför dyr infrastruktur. Meta nämner att Scout kan köras på en enda Nvidia H100 GPU , vilket demokratiserar dess tillgänglighet för småföretag eller utvecklare med mer begränsade resurser. Denna resurseffektiva metod liknar den för Wi-Fi-anslutningssystem , där resursoptimering är nyckeln till konkreta fördelar.
Tillgänglighet och internationell distribution
Scout- och Maverick-modellerna finns nu tillgängliga på flera Meta-plattformar , inklusive WhatsApp, Instagram, Facebook Messenger och webbplatsen Meta AI. För de som söker mer teknisk åtkomst eller vill utveckla dem självständigt finns versioner tillgängliga på llama.com och den populära plattformen Hugging Face . Denna internationella tillgänglighet markerar ett betydande steg framåt när det gäller tillgång till artificiell intelligens, vilket diskuteras i artikeln om Microsofts senaste nyheter.
Alla kommer dock inte att ha lika tillgång till dessa framsteg. Meta har bekräftat att både multimodala funktioner och modelldistribution är begränsade i Europeiska unionen av juridiska skäl relaterade till dataskydd och regler för artificiell intelligens. Detta innebär att företag inom EU för närvarande inte kan använda eller distribuera dem utan en specifik licens.
Dessutom kommer företag med fler än 700 miljoner månatliga aktiva användare att behöva ansöka om ytterligare tillstånd för att implementera dessa tekniker. Detta kan bromsa deras utrullning på marknader som Europa, även om Meta har antytt sin avsikt att ta itu med dessa hinder i framtida uppdateringar.
Ytterligare ett steg mot resonemangsmodellen
Utöver sina nuvarande modeller har Meta redan offentligt meddelat att de arbetar med en fjärde variant: Llama 4 Reasoning . Som namnet antyder kommer de att fokusera på att förbättra logiskt resonemang, något som deras nuvarande versioner ännu inte helt integrerar. Införandet av denna modell skulle markera Metas första försök att konkurrera inom ett område där OpenAI och andra företag redan har gjort betydande framsteg.
För närvarande svarar Llama 4-modellerna mer fritt på sociala eller politiska frågor, något som Meta har justerat så att de nya versionerna har mindre ovilja att ta upp kontroversiella frågor. Denna minskning av filter följer den linje som observerats i nyare modeller som Grok 3 och är en del av en mer generell förändring i branschen mot mer öppna och mindre censurerade interaktioner.
Dessutom har Meta antytt att Llama 4 Behemoth skulle kunna fungera som en grund för att skapa mindre, mer specialiserade modeller , vilket gör att dess kraft kan tillämpas i mer specifika sammanhang utan att hela infrastrukturen behöver driftsättas.
Den nya Llama 4-generationen positionerar Meta starkt i konkurrensen om utvecklingen av avancerade AI-modeller . Med en kombination av öppen källkod, effektiv arkitektur och multimodala funktioner erbjuder Scout och Maverick redan lösningar som är tillämpliga idag. Samtidigt lovar Behemoth att bli en hörnsten att bygga ännu kraftfullare modeller på i framtiden. Även om dess distribution är begränsad av juridiska problem i vissa regioner, verkar de tekniska framstegen obestridliga och förstärker Metas engagemang för att leda sektorn för öppen artificiell intelligens.
