de Meta gargantuan 2-billions paramètre ouvert modèle pushing le de pointe d'ouvert-weight capacité et 10M contexte.
Technical Specifications
- Provider
- Meta
- Category
- open-source
- Release Date
- 2026-05
- Batch API Discount
- Standard rate
- Consumer Subscription
- Free / Self-Hosted
- Reasoning Effort Control
- Configurable (Low / Med / High)
- Structured Outputs
- Yes
- Output Modalities
- text
- Official Documentation
- Visit Official Docs ↗
Data Privacy, Licensing & Deployment Governance
Official Provider Release Intelligence, API Quotas & Agentic Specs
- Official API Model ID (SDK String)
- meta-llama/Llama-4-Behemoth
- Supported SDK & API Protocol
- OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI
- Lifecycle & Deprecation Status
- Active GA (Guaranteed support through 2028+)
- Production Rate Limits (RPM & TPM)
- Unlimited (Hardware-bound on self-hosted GPU) / 10,000 RPM Cloud · Unlimited local throughput / 10M+ TPM Managed Cloud
- Long-Context Pricing Tier (>128K / >200K)
- Free across full context window (only KV-cache VRAM scales)
- Prompt Cache Write & TTL Policy
- Automatic prefix KV-caching in vLLM / SGLang (0 cost)
- Computer Use & Browser GUI Agent
- Supported (Screen coordinate grounding, browser & desktop GUI action loops)
- MCP & Parallel Tool Calling
- Native MCP Client/Server ready · Parallel function calling · 100% Strict JSON Schema
- Web Search Grounding & Code Sandbox
- Supported via external Tavily/Exa Search & E2B/Docker Sandbox tools
- Fine-Tuning & Distillation Support
- Full Weights SFT, LoRA, QLoRA, DPO & GRPO RL (Unsloth / Axolotl / Llama-Factory)
- Multimodal Tokenization Billing
- Text BPE (~4 chars/token) · Vision (~258–765 tokens per image tile)
- Weights Precision & Quantization
- BF16 / FP16, FP8 Dynamic, INT4 AWQ / GPTQ, GGUF (Q4_K_M / Q8_0)
- Minimum GPU VRAM Requirement
- 1240 GB VRAM (4-bit Quantized) · 4300 GB VRAM (Native BF16)
- Supported Inference Engines
- vLLM, SGLang, Ollama, llama.cpp, TensorRT-LLM, HuggingFace TGI
- System Card & Safety Framework
- Open-Weights System Card + Customizable Guardrail Layer (Llama Guard / ShieldGemma)
- Enterprise Compliance (SOC2 / HIPAA / ZDR)
- 100% Air-Gapped On-Premises / Private VPC · Full HIPAA, GDPR & SOC2 Control
Llama 4 Behemoth Cost, Context, Hardware & API Integration
Open-weights or free-tier model: $0 API license cost when self-hosted.
Same Monthly Workload Cost Across Popular Reference Models
Live Prompt Paste Tokenizer & Cost Counter
Paste real system instructions, JSON schemas, or code to measure BPE token counts across tokenizers.
Hybrid Prompt Routing Cascade Simulator
Route routine queries to a fast lightweight model ($0.15/1M) and escalate only complex reasoning turns to Llama 4 Behemoth:
Benchmark Scores & 6-Axis Capability Radar
- SWE-bench Verified
- 75%
- GPQA Diamond
- 82%
- MMLU-Pro
- 88.5%
- HumanEval
- 96%
- Long-Context Reasoning
- 95%
- Chatbot Arena Elo
- 1490pts
Strengths
- sans égal 2T paramètre ouvert capacité
- Staggering ~10 millions token contexte horizon
- d'avant-garde codage et raisonnement scores
Limitations & Trade-offs
- Demands élevé-end datacenter multinœud GPU clusters (8x H100 minimum)
- Slow inférence débit par rapport à smaller modèles
Editorial Assessment
le largest ouvert-weight modèle de fondation dans computing history.
Best for: National laboratories, grand d'entreprise AI clusters, et extreme scientifique modeling
Compare Llama 4 Behemoth
Frequently Asked Questions about Llama 4 Behemoth
How much does the Llama 4 Behemoth API cost per 1M tokens?+
Llama 4 Behemoth by Meta is priced at $0 per 1M input tokens and $0 per 1M output tokens. With prompt caching enabled, cached input tokens cost $0 per 1M tokens, and asynchronous Batch API requests receive a 0% discount.
Should I use a $20/month subscription or the Llama 4 Behemoth pay-as-you-go API?+
A flat $20/month consumer subscription is predictable for daily interactive chat and manual coding. However, if you are building software, running automated workflows, or sending low-to-moderate volume with prompt caching enabled, the pay-as-you-go API is typically far more cost-effective and offers higher rate limits without manual UI caps.
How many words and pages fit in Llama 4 Behemoth's context window?+
Llama 4 Behemoth features a 10M tokens context window, which equals approximately 7,500,000 English words or ~20,000 standard single-spaced pages in a single prompt. Its maximum output generation per turn is 64,000 tokens.
Can I run Llama 4 Behemoth locally on my own GPU (Open Weights)?+
Yes, Llama 4 Behemoth (2T total / 288B active (16-of-2 MoE)) releases open weights that can be self-hosted locally or on private cloud GPUs using vLLM, Ollama, SGLang, or llama.cpp.
Does Meta train on data sent to the Llama 4 Behemoth API, and is commercial use allowed?+
100% Isolated when self-hosted on private GPUs or VPC. License tier: Llama Community License (Commercial Permitted). Full commercial ownership of generated outputs. Supported deployment channels include: Self-Hosted GPU (vLLM / Ollama), Private VPC, or Managed Serverless API.
How does Llama 4 Behemoth perform on coding and reasoning benchmarks?+
Llama 4 Behemoth achieves a composite Intelligence Index of 93/100, scoring 75% on SWE-bench Verified, 82% on GPQA Diamond, 88.5% on MMLU-Pro, and 1490 pts on Chatbot Arena Elo.
What is Llama 4 Behemoth best used for?+
Llama 4 Behemoth is best suited for: National laboratories, grand d'entreprise AI clusters, et extreme scientifique modeling. Assessment: le largest ouvert-weight modèle de fondation dans computing history.
Meta Family Lineage, Routing Tiers & Upgrade Path
Step down to a lighter sibling for high-volume routing or step up to Meta's flagship reasoning tier:
Llama 5
Muse Spark 1.1
Llama 4 Maverick
Llama 4 Scout
Llama 3.3 70B
Llama 3.2 11B Vision
AI Glossary & Architecture Concepts
View full glossary →Key machine learning concepts and benchmarks relevant to Llama 4 Behemoth:
L'unité textuelle de base traitée par un modèle linguistique, représentant généralement 3 à 4 caractères ou environ 0,75 mot. Par exemple, une phrase courante est découpée en plusieurs jetons.
Une suite de tests standardisés permettant d'évaluer et de comparer objectivement les performances des modèles d'IA sur des tâches ciblées (code avec SWE-bench, mathématiques avec AIME, etc.).
Le nombre maximal de jetons qu'un modèle peut traiter simultanément (entrée et sortie comprises). Une fenêtre de 1 000 000 jetons permet d'analyser environ 750 000 mots en une seule requête.
Un modèle d'IA entraîné par apprentissage par renforcement pour allouer du temps de calcul à la réflexion logique avant d'émettre une solution, idéal pour les problèmes scientifiques et le code complexe.
Une méthode de raisonnement pas-à-pas où le modèle décompose le problème en étapes logiques intermédiaires avant de conclure, augmentant drastiquement la précision en mathématiques et programmation.
La capacité d'un LLM à déterminer quand une action externe est requise et à générer des arguments structurés pour invoquer des API, calculatrices ou bases de données avant de poursuivre.
Les scores de benchmarks, tarifs par token et limites évoluent rapidement. Vérifiez toujours les spécifications actuelles sur la documentation officielle du fournisseur.