monde-record à long contexte ouvert modèle supporting ~3.5 millions tokens pour complet codebase et vidéo library ingestion.
Technical Specifications
- Provider
- Meta
- Category
- open-source
- Release Date
- 2025-04
- Batch API Discount
- Standard rate
- Consumer Subscription
- Free / Self-Hosted
- Reasoning Effort Control
- Fixed
- 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-Scout
- Supported SDK & API Protocol
- OpenAI-Compatible REST / vLLM / SGLang / HuggingFace TGI
- Lifecycle & Deprecation Status
- Active GA (Guaranteed support through 2027+)
- 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
- API / CLI Tool-Use & DOM Agent ready (no raw pixel desktop click loop)
- 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
- 11 GB VRAM (4-bit Quantized) · 37 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 Scout 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 Scout:
Benchmark Scores & 6-Axis Capability Radar
- MMLU-Pro
- 78%
- HumanEval
- 86%
- Long-Context Reasoning
- 92.5%
- Chatbot Arena Elo
- 1370pts
Strengths
- Colossal 3.5 millions token fenêtre de contexte
- Sparse MoE architecture keeps actif compute à seulement 17B
- à poids ouverts available pour local déploiement
Limitations & Trade-offs
- nécessite élevé unified mémoire à store le complet 109B weights
- Secondary raisonnement profondeur par rapport à dense raisonnement modèles
Editorial Assessment
le undisputed king de massif open source contexte windows dans 2025.
Best for: Whole-dépôt code analyse, multi-hour vidéo compréhension, et juridique book ingestion
Compare Llama 4 Scout
Frequently Asked Questions about Llama 4 Scout
How much does the Llama 4 Scout API cost per 1M tokens?+
Llama 4 Scout 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 Scout 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 Scout's context window?+
Llama 4 Scout features a 3.5M tokens context window, which equals approximately 2,625,000 English words or ~7,000 standard single-spaced pages in a single prompt. Its maximum output generation per turn is 32,768 tokens.
Can I run Llama 4 Scout locally on my own GPU (Open Weights)?+
Yes, Llama 4 Scout (17B (109B total 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 Scout 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 Scout perform on coding and reasoning benchmarks?+
Llama 4 Scout achieves a composite Intelligence Index of 76/100, scoring N/A% on SWE-bench Verified, N/A% on GPQA Diamond, 78% on MMLU-Pro, and 1370 pts on Chatbot Arena Elo.
What is Llama 4 Scout best used for?+
Llama 4 Scout is best suited for: Whole-dépôt code analyse, multi-hour vidéo compréhension, et juridique book ingestion. Assessment: le undisputed king de massif open source contexte windows dans 2025.
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 4 Behemoth
Llama 5
Muse Spark 1.1
Llama 4 Maverick
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 Scout:
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.
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.
Un standard ouvert créé par Anthropic permettant aux agents d'IA de se connecter de façon uniforme aux systèmes de fichiers locaux, aux environnements de développement et aux API tierces.
Un réseau neuronal multimodal conçu pour analyser, raisonner et générer conjointement des données visuelles (images, schémas, interfaces) et du langage naturel au sein d'une même structure.
Les scores de benchmarks, tarifs par token et limites évoluent rapidement. Vérifiez toujours les spécifications actuelles sur la documentation officielle du fournisseur.