Meta: Llama 4 Scout meta-llama/llama-4-scout

Модель Meta: Llama 4 Scout от Meta Llama (семейство llama-4) доступна через единый OpenAI-совместимый API НейроГейт — без VPN, с оплатой в рублях, единым ключом для всех 353+ моделей платформы.
Открытые модели Meta — основа большинства open-source проектов.

👁 Зрение 🧠 Рассуждение 🎨 Генерация изображений 🎙 Аудио-вход 🔊 Синтез речи 🆓 Бесплатно

328K

контекст, токенов

8 ₽

за 1 млн входных токенов

30 ₽

за 1 млн выходных токенов

возможностей

2024-08

база знаний до

Что такое Meta: Llama 4 Scout

Оптимальна для мультимодальных задач и работы с длинным контекстом в сценариях, где важны open-source гибкость и эффективность MoE-архитектуры.

Llama 4 Scout — мультимодальная модель от Meta из семейства Llama 4, построенная на архитектуре Mixture of Experts (MoE). Из общего числа 109 миллиардов параметров при каждом запросе активируются только 17 миллиардов, что позволяет сочетать высокую производительность с относительно низкими вычислительными затратами на инференс. Модель принимает на вход как текст, так и изображения, что делает её применимой в задачах, требующих совместного анализа визуального и текстового контента.

Контекстное окно в 327 680 токенов — одно из наиболее широких среди открытых моделей, что открывает возможности для работы с длинными документами, многоходовыми диалогами и объёмными кодовыми базами. Llama 4 Scout распространяется как open-source модель, что означает возможность самостоятельного развёртывания и тонкой настройки под конкретные задачи. Это особенно важно для команд, которым критична независимость от внешних API или необходим полный контроль над данными.

Архитектура MoE делает Scout привлекательным вариантом, когда нужен баланс между качеством ответов и стоимостью запроса: активация лишь части параметров снижает нагрузку по сравнению с dense-моделями сопоставимого суммарного размера.

Когда брать эту модель

✓ Анализ длинных документов: юридических текстов, технической документации, объёмных отчётов
✓ Мультимодальные задачи: разбор скриншотов, схем, диаграмм в связке с текстовым контекстом
✓ Работа с большими кодовыми базами: ревью, рефакторинг, генерация кода с учётом широкого контекста
✓ Self-hosted развёртывание для команд с требованиями к приватности данных
✓ Многоходовые диалоговые системы и RAG-пайплайны с большим объёмом извлекаемого контекста

Пример работы

Реальный сценарий, на котором модель проявляет себя:

Проанализируй приложенный скриншот интерфейса мобильного приложения и предложи конкретные улучшения UX, опираясь на следующий документ с требованиями к продукту [вставить длинный текст требований].

Использование Meta: Llama 4 Scout через НейроГейт

OpenAI-совместимый эндпоинт https://api.neuralgate.ru/v1 — замени base_url в любом SDK и используй модель по её id.

# Chat completion
curl https://api.neuralgate.ru/v1/chat/completions \
  -H "Authorization: Bearer $NEURALGATE_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "meta-llama/llama-4-scout",
    "messages": [{"role":"user","content":"Привет!"}]
  }'

from openai import OpenAI

client = OpenAI(
    api_key="sk-...your-neuralgate-key...",
    base_url="https://api.neuralgate.ru/v1",
)
response = client.chat.completions.create(
    model="meta-llama/llama-4-scout",
    messages=[{"role": "user", "content": "Привет!"}],
)
print(response.choices[0].message.content)

import OpenAI from "openai";

const client = new OpenAI({
  apiKey: process.env.NEURALGATE_API_KEY,
  baseURL: "https://api.neuralgate.ru/v1",
});
const resp = await client.chat.completions.create({
  model: "meta-llama/llama-4-scout",
  messages: [{ role: "user", content: "Привет!" }],
});
console.log(resp.choices[0].message.content);