Llama 4 Scout

Llama 4 Scout 소개 및 개발사

Llama 4 Scout는 Meta가 개발한 대규모 언어 모델로, 2025년 4월 5일 Llama 4 Maverick과 함께 출시되었어요. 2026년 10월 기준 최신 Llama 세대인 Llama 4 라인업에 속하며, 가중치는 Llama 4 Community License에 따라 다운로드할 수 있어요.

Scout는 텍스트와 이미지를 이해하고 텍스트로 답변해요. Maverick과 마찬가지로 전문가 혼합(MoE) 모델이며, Meta의 모델 카드에 따르면 총 1,090억 개의 파라미터 중 16개의 전문가가 포함되어 있고 토큰당 170억 개의 파라미터가 활성화돼요. 가장 돋보이는 장점은 컨텍스트 길이예요. Meta의 모델 카드에는 Llama 제품군 중 가장 긴 1,000만 토큰의 컨텍스트 윈도우가 명시되어 있으며, 출시 당시 Meta는 여러 문서를 한 번에 요약하거나 방대한 코드베이스를 분석하는 용도로 추천했어요. 또한 Int4 양자화를 적용하면 단일 NVIDIA H100 GPU에서도 구동할 수 있어, Maverick보다 직접 호스팅하기 훨씬 수월해요.

Scout는 저희 채팅에서 제공하는 4개 모델 중 하나예요. Llama.Online은 Meta가 직접 운영하지 않는 독립 웹사이트이며, Scout는 클라우드 추론 제공업체를 통해 구동되고 저희 사이트는 사용자의 메시지를 해당 업체로 전달해요.

Llama 제품군 내 위치

Scout와 Maverick은 아키텍처와 공식 지원하는 12개 언어, 2024년 8월이라는 지식 컷오프 시점이 동일해요. Maverick은 128개의 전문가와 총 4,000억 개의 파라미터를 갖춰 보통 더 풍부한 답변을 제공하지만, Scout는 더 가볍고 실행 비용이 저렴하며 훨씬 더 긴 입력을 처리할 수 있어요. Llama 3.3 70B와 같은 텍스트 전용 모델과 비교하면 이미지 입력 기능과 지원 언어가 추가되었어요. Meta의 안전 분류기인 Llama Guard 4 역시 Scout 체크포인트를 프루닝하여 제작되었답니다. 모든 출시 모델의 순서는 Llama 히스토리에서 확인해 보세요.

Scout가 잘하는 작업

• 장문 문서 분석: 요약, 결정 사항 정리, 특정 질문에 대한 답변이 필요한 보고서, 녹취록, 계약서, 장문의 기사에 유용해요.
• 여러 텍스트 비교: 문서의 두 가지 버전을 붙여넣고 바뀐 점을 묻거나, 여러 제품 설명을 나란히 비교해 보세요.
• 이미지 기반 질문: Meta에 따르면 Scout는 질문 내용을 이미지의 특정 영역과 연결 짓는 이미지 그라운딩 능력이 뛰어나요. 표지판 내용, 스크린샷의 오류, 차트 분석 등을 물어볼 수 있어요.
• 일상 대화 및 글쓰기: 지원되는 12개 언어(아랍어, 영어, 프랑스어, 독일어, 힌디어, 인도네시아어, 이탈리아어, 포르투갈어, 스페인어, 타갈로그어, 태국어, 베트남어)로 설명, 이메일, 개요 작성, 문장 다듬기 작업이 가능해요.
• 자체 호스팅: 자체 서버에서 Llama 4 모델을 직접 구동하고 싶다면 Scout가 가장 현실적인 선택이에요.

채팅에서 Scout 사용하는 방법

1. 아래 링크로 채팅을 열거나 모델 메뉴에서 Llama 4 Scout를 선택하세요.
2. 작업할 텍스트를 붙여넣거나 메시지당 이미지 하나를 첨부하세요.
3. "이 내용이 뭐야?"보다는 "이 글에 나오는 모든 마감 기한과 담당자를 정리해 줘"처럼 구체적으로 질문해 보세요.

Llama 4 Scout와 대화하기

채팅은 일일 제공량(현재 하루 100건) 내에서 무료로 이용할 수 있어요. 긴 텍스트를 빠르게 줄이고 싶다면 요약 도구를 활용하는 것도 좋은 방법이에요.

알아두어야 할 제한 사항

• 긴 대화 잘림 현상: 추론 제공업체는 Scout에 1,310,720 토큰의 컨텍스트를 제공하고 모델 카드에는 1,000만 토큰으로 나와 있지만, 무료 채팅에서는 긴 대화의 최신 부분만 전송하며 단일 메시지의 텍스트 양도 제한돼요. 대규모 입력이 필요하다면 API를 사용하거나 Scout를 직접 구동해 보세요.
• 긴 컨텍스트의 완벽하지 않은 기억력: 입력 내용이 지나치게 길면 어떤 모델이든 세부 정보를 놓치거나 혼동할 수 있어요. 직접 확인할 수 있도록 인용문이나 해당 섹션을 함께 알려달라고 요청하세요.
• 지식 컷오프: 학습 데이터는 2024년 8월까지이며, 채팅 내 웹 검색 기능은 지원되지 않아요.
• 답변 오류 가능성: Scout가 틀린 사실을 확신을 갖고 말하거나 이미지 속 작고 흐릿한 글씨를 잘못 읽을 수 있어요. 중요한 정보는 꼭 직접 검증해 주세요.
• 최신 모델 대비 성능: Meta의 Muse 제품군을 포함한 최신 모델들이 복잡한 코딩과 다단계 작업에서 대체로 더 우수한 성능을 보여요. Muse 모델들은 현재 저희 채팅에서 지원되지 않아요.

Scout 공식 다운로드 방법

가중치는 Hugging Face의 meta-llama/Llama-4-Scout-17B-16E-Instruct에 공개되어 있으며, 모델 페이지에서 라이선스에 동의하면 다운로드할 수 있어요. Ollama 기준 Scout 다운로드 용량은 약 67GB이므로 메모리가 충분한 장비가 필요해요. 클라우드 업체를 이용하면 비용 부담이 적어요. OpenRouter 기준 100만 입력 토큰당 0.10달러, 100만 출력 토큰당 0.30달러예요(2026년 10월 정가 기준).

Llama 4 Community License는 제품에 "Built with Llama"를 명시하고 허용 사용 정책을 준수하는 조건으로 상업적 사용을 허용해요. 월간 활성 사용자(MAU)가 7억 명을 초과하는 제품의 경우 Meta의 별도 라이선스가 필요해요. 또한 Scout는 멀티모달 모델이므로 EU 조항이 적용되어 EU 기반 개인이나 기업에는 라이선스 권한이 부여되지 않지만, 해당 모델로 제작된 제품의 최종 사용자에게는 영향이 없어요. 자세한 내용은 라이선스 페이지에서 확인하세요.

개인정보 보호 안내

장문 문서에는 개인정보나 기밀 데이터가 포함되기 쉬워요. 본 채팅 서비스에서는 답변 생성을 위해 입력하신 내용이 저희 서버와 AI 게이트웨이를 거쳐 추론 제공업체로 전송돼요. 사이트 자체에 메시지 내용을 저장하지 않으며 대화 기록은 브라우저에만 남아요. 그래도 이름, 계좌 번호, 기밀 정보 등은 미리 지우고 입력하는 것을 권장해요. 보안이 매우 중요한 문서라면 Scout를 로컬 환경에 직접 구축해 내부 하드웨어에서 처리하는 것이 안전해요.

다른 모델과의 비교

입력 분량이 길거나 비용을 아끼고 싶다면 Maverick보다 Scout를 선택하고, 가장 완성도 높은 답변을 원한다면 Maverick을 고르는 것이 좋아요. 자세한 내용은 Maverick vs Scout 비교 페이지를 참고해 보세요. Llama 3.3 70B와 비교하면 Scout가 더 최신 모델이며 이미지 인식과 더 다양한 언어를 지원해요. 자세한 비교는 Llama 3.3 vs Llama 4에서 다루고 있어요. DeepSeek V4 등 타사의 최신 오픈 모델과 비교했을 때 Scout는 출시 시점이 앞서지만 리소스를 훨씬 적게 소모해요. 관련 내용은 Llama vs DeepSeek에서 확인해 보세요.

자주 묻는 질문 (FAQ)

Scout에서 1,000만 토큰을 실제로 다 쓸 수 있나요?

Meta 모델 카드에 기재된 사양이에요. 실제 호스팅 업체들은 보통 이보다 적게 지원해요. 저희 제공업체는 1,310,720 토큰을 제공하며, 무료 채팅에서는 긴 대화가 일부 잘릴 수 있어요. 또한 극단적으로 긴 컨텍스트를 직접 구동하려면 막대한 메모리가 필요해요.

Scout는 Maverick보다 성능이 떨어지나요?

크기가 더 작은 모델이기 때문에 미묘한 뉘앙스의 글쓰기나 까다로운 질문에서는 Maverick이 대체로 더 나아요. 하지만 긴 문서 입력, 빠른 응답, 비용 효율이 중요하다면 Scout가 훨씬 현명한 선택이에요.

Scout는 이미지를 인식할 수 있나요?

네, 가능해요. Scout 모델을 선택한 상태에서 메시지당 한 장의 이미지를 첨부할 수 있어요. 이미지를 분석하고 설명하는 작업은 가능하지만, 새로운 이미지를 생성하지는 못해요.

내 컴퓨터에서 Scout를 직접 실행할 수 있나요?

Ollama 기준으로 다운로드 용량만 약 67GB에 달하기 때문에 메모리가 아주 넉넉한 컴퓨터에서만 가능해요. 처음 시작할 때는 더 가벼운 Llama 모델을 사용하는 편이 쉬워요. 자세한 방법은 Llama 로컬 실행 가이드를 참고하세요.