meta近期推出了其最新的Llama 4系列AI模型，這一系列包括了Llama 4 Scout、Llama 4 Maverick和Llama 4 Behemoth三款模型。據meta透露，這些模型均經過了龐大的未標注文本、圖像和視頻數據的訓練，旨在賦予它們廣泛的視覺理解能力。
目前，meta已將Scout和Maverick兩款模型上架至Hugging Face平臺。而Behemoth模型仍在緊鑼密鼓的訓練中。Scout模型能夠在單個英偉達H100 GPU上運行，而Maverick則需要更高配置的英偉達H100 DGX AI平臺或性能相當的設備。
值得注意的是，Llama 4系列是meta首次采用混合專家（MoE）架構的模型。這種架構通過將數據處理任務分解為多個子任務，再將這些子任務分配給更小的、專門化的“專家”模型，從而在訓練和回答用戶查詢時展現出更高的效率。例如，Maverick模型擁有4000億個參數，但在128個“專家”模型中，只有170億個參數處于活躍狀態。
相比之下，Scout模型擁有170億個活躍參數，分布在16個“專家”模型中，總參數數為1090億個。盡管Llama 4系列模型在性能上有所提升，但它們并非像OpenAI的o1和o3-mini那樣的“推理模型”。推理模型會對答案進行事實核查，通常能更可靠地回答問題，但響應時間相對較長。
meta內部測試顯示，Maverick模型在通用AI助手和聊天等應用場景中表現出色，尤其在創意寫作、代碼生成、翻譯、推理、長文本上下文總結和圖像基準測試等方面，其性能超過了OpenAI的GPT-4和谷歌的Gemini 2.0等模型。然而，與谷歌的Gemini 2.5 Pro、Anthropic的Claude 3.7 Sonnet和OpenAI的GPT-4.5等更強大的最新模型相比，Maverick仍有一定的提升空間。
Scout模型則擅長總結文檔和基于大型代碼庫進行推理。該模型支持處理1000萬個詞元，這意味著它一次能夠處理數百萬字的文本。meta還預告了其Behemoth模型。據透露，Behemoth擁有2880億個活躍參數，分布在16個“專家”模型中，總參數數接近2萬億個。meta內部基準測試顯示，在一些衡量解決數學問題等科學、技術、工程和數學（STEM）技能的評估中，Behemoth的表現優于GPT-4.5、Claude 3.7 Sonnet和Gemini 2.0 Pro，但略遜于Gemini 2.5 Pro。
