Text & Reasoning
Muse Spark 1.3
Muse Spark 1.3 ist ein Text & Reasoning-Modell von Meta. Eingabe: Text, Bild, Video, Audio, PDF. Ausgabe: Text.
Text & ReasoningLlama 4 Scout
Llama 4 Scout ist ein Sprachmodell von Meta. Multimodales Open-Weight-Modell. Meta nennt 17B aktive Parameter, 16 Experten, 109B Gesamtparameter und ein unterstütztes Kontextfenster bis 10M.
Wie kannst du es nutzen?
Wenn du lokal arbeiten möchtest, prüfe zuerst Lizenz, passende Laufzeit und den Speicherbedarf deiner Modellvariante. Offene Gewichte allein sagen noch nicht, ob dein Rechner dafür ausreicht.
Weiterhin dokumentiert · vorherige GenerationQuellenstand 2026-10-12
Meta im Verzeichnis
EingabeText, Bild-Eingabe, Video-Eingabe
AusgabeText
Kontext10.000.000 Tokens
Technische Daten
Identität, Funktionen und Betrieb getrennt lesen. Die Angaben beziehen sich auf diese konkrete Version.
„Nicht bestätigt“ kennzeichnet eine offene Angabe. Es bedeutet weder „nicht vorhanden“ noch „unbegrenzt“.
| Hersteller | Meta |
|---|---|
| Modellfamilie | Llama |
| Modell-/API-ID | meta-llama/Llama-4-Scout-17B-16E-Instruct |
| Status | Weiterhin dokumentiert · vorherige Generation |
| Modellart | Text & Reasoning |
|---|---|
| Eingabe | Text, Bild-Eingabe, Video-Eingabe |
| Ausgabe | Text |
| Kontext | 10.000.000 Tokens |
|---|---|
| Maximaler Output / Horizont | Nicht bestätigt |
| Bereitstellung | Offene Gewichte; lokal oder über Partner |
|---|---|
| Gewichte | Offene Gewichte dokumentiert |
| Lizenz | Llama 4 Community License Agreement |
Daten im Überblick
Die Grafik zeigt die im Profil dokumentierten Grenzen. Kontext und maximale Ausgabe sind keine addierbaren Budgets und keine Qualitätsbewertung. Zusätzliche Bedingungen stehen im Datenblatt.
- Kontext
- 10.000.000 Tokens
- Maximaler Output / Horizont
- Nicht bestätigt
Datenbasis: Herstellerangaben im Quellenstand 2026-10-12. Quellen zu diesem Profil ↓
Einsatz und Grenzen
Wähle eine kleine Aufgabe mit einer überprüfbaren Lösung: etwa fünf Informationen aus einem gegebenen Dokument extrahieren. Prüfe die Antworten am Original, nicht nur die Formulierung.
Vor einem lokalen Test zuerst Gewichteformat, Lizenz, Arbeitsspeicher und unterstützte Runtime prüfen. Notiere die genaue Modellversion. Ein Kurzname in der API kann später auf einen anderen Modellstand verweisen. Der Auswahlguide für lokale KI-Modelle vertieft die Prüfung von Aufgabe, Gewichteformat, Speicher und Lizenz vor einem eigenen Versuch.
Lokaler Betrieb: Verfügbare Gewichte allein belegen nicht, dass dieses Modell auf deinem Rechner läuft. Speicherbedarf, Quantisierung, Kontext und unterstützte Hardware müssen zusammenpassen.
Leistung: Wir haben die Leistung dieses Modells hier nicht selbst gemessen. Nutze die Aufgabe unten, um es an deinen Anforderungen zu prüfen.
Was kostet Llama 4 Scout?
Bestätigter Tarif / PreisangabeKein bestätigter Einheitspreis im geprüften Quellenstand
Keine einheitliche Inferenzgebühr; Hostinganbieter oder lokale Betriebskosten unterscheiden sich.
Zugang: Offene Gewichte; lokal oder über Partner. Prüfe vor einer Integration die für dein Konto und deine Region verfügbaren Endpunkte. Ein Eintrag im öffentlichen Katalog ist keine Bestätigung eines freigeschalteten Kontos.
Praxis: Änderungen zwischen Revisionen prüfen
Praxisergänzung geprüft am 22. Oktober 2026 · eigene Aufgabe, kein Modellbenchmark
Drei kurze Dokumente beschreiben dasselbe fiktive Projekt. Eine ausdrücklich vorgegebene Regel bestimmt, welche Revision gilt. Deine Aufgabe ist, die aktuelle Frist mit dem richtigen Beleg zu verbinden. Das ist eine kleine Textprobe; ein beworbenes großes Kontextfenster wird damit weder ausgeschöpft noch vermessen.
Vorbereitung
Metas Unterlagen führen Llama 4 Scout als multimodales Instruct-Modell der dokumentierten vorherigen Generation. Für diese deutsche Textaufgabe brauchst du keinen Bildkanal. Verwende das zur Variante passende Chat-Template und prüfe die Community-Lizenz sowie deinen Bereitstellungsweg. Aktive Parameter, vollständige Gewichte und maximal dokumentiertes Kontextfenster sind keine Garantie für den Betrieb auf deinem Rechner.
Halte Modellversion, gewählten Zugang und Einstellungen fest. Nutze nur die fiktiven Angaben dieser Vorlage.
Bearbeite die Aufgabe und speichere den geforderten JSON-Teil unverändert als antwort.json. Bei einer freien Antwort erstellst du den Prüfteil selbst und kennzeichnest das.
Vergleiche mit dem Soll und prüfe mindestens einen veränderten Eingabefall. Ein bestandener Beispielsatz ersetzt keine Abnahme auf deinen eigenen Daten.
Aufgabe zum Kopieren
Die Angaben sind fiktiv. Speichere den geforderten JSON-Teil der Antwort separat als antwort.json; zusätzliche Erklärungen gehören in eine andere Datei.
Nutze ausschließlich diese fiktiven Quellen. Vorrangregel: Für dasselbe Projekt gilt die höchste ausdrücklich freigegebene Revisionsnummer. Entwürfe gelten nicht. A: Projekt T, Revision 1, freigegeben: Frist 10 Tage. B: Projekt T, Revision 2, Entwurf: Frist 3 Tage. C: Projekt T, Revision 2, freigegeben: Frist 7 Tage. JSON: tage, beleg (Dokument-ID), ausgeschlossene_entwuerfe (sortierte IDs).Vorlage herunterladenLokalen JSON-Prüfer herunterladen
Lösung und Prüfkriterien ansehen
- C ist die höchste freigegebene Revision.
- B ist trotz derselben Revisionsnummer ein Entwurf.
- Die Vorrangregel ist ausdrücklich gegeben, keine allgemeine Regel für beliebige Dokumente.
{
"tage": 7,
"beleg": "C",
"ausgeschlossene_entwuerfe": [
"B"
]
}Das Soll ist redaktionell aus der Vorlage abgeleitet, keine aufgezeichnete Modellantwort. Der lokale Prüfer vergleicht die festgelegten Felder und führt keinen generierten Code oder API-Aufruf aus. Er bewertet keine freien Begründungen.
Speichere Prüfer und deine Antwort im selben Ordner. Mit installiertem Python: python pruefen.py antwort.json.
| Beobachtung | Was du prüfst |
|---|---|
| Drei Tage werden übernommen | Prüfe den Freigabestatus von B. |
| Zehn Tage bleiben stehen | Vergleiche die freigegebenen Revisionen, nicht die Reihenfolge der Dokumente. |
| Die Antwort mittelt Fristen | Widersprechende Regeln werden nicht durch Mittelwerte aufgelöst. |
Passende Anleitungen
Warum eine richtige Zahl allein noch keinen passenden Beleg liefert, erklärt Quellen in KI-Antworten zuordnen.
Für längere Dokumentfragen lernst du unter Aussagen und Fundstellen beim Recherchieren festhalten, wie du offene Punkte und Geltungsbereiche dokumentierst.
Gezielte Praxisergänzung auf Basis aktueller Herstellerunterlagen. Der Datenstand der bisherigen Modell-Faktentabellen bleibt separat ausgewiesen. Neue Beispiele und Grafiken sind eigene Erklärungen; es wurden keine Modellantworten oder Leistungswerte gemessen.
Herstellerunterlagen zur Ergänzung: Llama 4 | Model Cards and Prompt formats (Abruf 2026-10-22) · LLAMA 4 COMMUNITY LICENSE AGREEMENT (Abruf 2026-10-22).
Quellen und Prüfstand
Quellenstand: 2026-10-12. Spezifikationen, Tarife und Zugang können sich ändern. Die Illustration zeigt den dokumentierten Datenweg, keine gemessene Leistung.
Häufige Fragen
Was ist Llama 4 Scout?
Multimodales Open-Weight-Modell. Meta nennt 17B aktive Parameter, 16 Experten, 109B Gesamtparameter und ein unterstütztes Kontextfenster bis 10M. Hersteller: Meta. Dokumentierte ID: meta-llama/Llama-4-Scout-17B-16E-Instruct.
Was verarbeitet Llama 4 Scout?
Eingabe: Text, Bild-Eingabe, Video-Eingabe. Ausgabe: Text. Maßgeblich sind die Funktionen des konkreten Endpunkts in der Herstellerquelle.
Kannst du Llama 4 Scout lokal betreiben?
Offene Gewichte sind dokumentiert. Die Lizenz Llama 4 Community License Agreement, unterstützte Runtime und benötigte Hardware musst du zusätzlich prüfen.
Was kostet Llama 4 Scout?
Kein bestätigter Einheitspreis im geprüften Quellenstand. Keine einheitliche Inferenzgebühr; Hostinganbieter oder lokale Betriebskosten unterscheiden sich. Bei selbst betriebenen Gewichten kommen Hardware- und Betriebskosten hinzu.
Ist das ein Leistungstest oder eine Rangliste?
Nein. Das Profil dokumentiert Herstellerangaben mit Quellenstand 2026-10-12. Die Testidee ist redaktionell formuliert und wurde hier nicht ausgeführt; sie ist keine Qualitätsgarantie.
Wie groß ist das Kontextfenster von Llama 4 Scout?
Im dokumentierten Quellenstand: 10.000.000 Tokens. Bestandsprofil vom 12.10.2026; bei neuer Einrichtung auch die aktuelle Qwen3.8-/Muse-Generation prüfen. Kontext ist keine Wortzahl und kein Nachweis, dass jede enthaltene Information zuverlässig verarbeitet wird.
Wie prüfst du Llama 4 Scout für deine Aufgabe?
Lege eine kleine Aufgabe mit bekanntem oder nachprüfbarem Ergebnis fest. Notiere Version, Eingabe und Einstellungen. Vergleiche die Ausgabe mit deinem Prüfkriterium und halte Fehler sowie tatsächliche Kosten getrennt fest. Die Testidee auf dieser Seite ist ein Vorschlag und wurde hier nicht als Modelltest ausgeführt.
Prüft die Scout-Aufgabe das volle Kontextfenster?
Nein. Sie enthält drei kurze Quellen. Eine Antwort darauf belegt keine Leistung bei sehr langen Dokumenten oder maximalem Kontext.
Ist Llama 4 Scout im Verzeichnis die neueste Meta-Generation?
Scout ist hier eine weiterhin dokumentierte frühere Generation. Andere Meta-Modelle erhalten eigene Profile und werden nicht still mit Scout gleichgesetzt.
Gilt immer die höchste Revisionsnummer?
Nur weil diese fiktive Vorlage es ausdrücklich so festlegt. In echten Unterlagen musst du Freigabe, Geltungsbereich und konkrete Vorrangregeln prüfen.
Weitere Meta-Modelle
Alle anzeigen →Text & Reasoning
Muse Spark 1.2
Muse Spark 1.2 ist ein Text & Reasoning-Modell von Meta. Eingabe: Text, Bild, Video, Audio, PDF. Ausgabe: Text.
Text & Reasoning
Muse Glimmer 30B
Dichtes 30B-Modell, aus Muse Spark destilliert. Für lokale Agenten mit Text- und Bild-Eingabe.