Llama 4 Scout
Scout 是更轻量的 Llama 4 模型。它支持文本和图像输入，并拥有 Llama 家族中最长的上下文窗口，非常适合处理长篇文档。
Llama 4 Scout 简介与开发者背景
Llama 4 Scout 是 Meta 推出的大语言模型，于 2025 年 4 月 5 日与 Llama 4 Maverick 同步发布。它属于 Llama 4 系列（截至 2026 年 10 月仍是 Meta 最新的 Llama 世代），其模型权重可在 Llama 4 Community License 下免费下载。
Scout 支持理解文本与图像输入，并以文本形式回复。与 Maverick 一样，它采用混合专家（MoE）架构：Meta 模型卡显示其总参数量为 1090 亿，拥有 16 个专家网络，每个 token 激活 170 亿参数。它最亮眼的特性是超长上下文。Meta 官方标注其上下文窗口高达 1000 万 token，在 Llama 全系中遥遥领先；Meta 发布博文中特别强调了它在批量总结长文档、超大代码库推理等场景下的实力。此外，Meta 还指出 Scout 经 Int4 量化后可装入单张 NVIDIA H100 GPU，自建部署门槛远低于 Maverick。
Scout 是我们聊天界面提供的四款模型之一。Llama.Online 为独立运营网站，非 Meta 旗下产品；Scout 运行于云端推理服务商，我们的网站负责将你的消息转发给它。
在 Llama 家族中的定位
Scout 与 Maverick 共享相同的架构设计、12 种官方支持语言，以及截至 2024 年 8 月的知识库。Maverick 拥有 128 个专家和 4000 亿总参数，回答通常更具深度和细节；Scout 则更轻量、运行成本更低，且能吞吐更庞大的输入内容。相较于 Llama 3.3 70B 等纯文本模型，Scout 增加了图像输入能力并拓展了语言支持。Meta 的 Llama Guard 4 安全分类器本身也是基于 Scout 检查点剪枝构建的。如需按时间线了解全部发布版本，请参阅 Llama 发展史。
Scout 的擅长领域
- 超长文档处理：各类报告、会议记录、合同与长篇文章，适合用于提取摘要、整理决议清单或解答具体问题。
- 多文本对比分析：粘贴同一文档的两个版本即可比对修改差异，或将多份竞品描述并排对比。
- 图像问答交互：Meta 强调 Scout 具有出色的图像定位（image grounding）能力，即能将问题精准关联到图片的特定区域。无论是解读路牌文字、排查截图中的报错，还是分析图表走势都不在话下。
- 日常对话与写作：概念讲解、撰写邮件、起草大纲和文本润色，全面支持 12 种官方语言：阿拉伯语、英语、法语、德语、印地语、印尼语、意大利语、葡萄牙语、西班牙语、他加禄语、泰语和越南语。
- 私有化部署：如果你打算在自己的服务器上运行 Llama 4 模型，Scout 是最切实可行的选择。
如何在我们的聊天中使用 Scout
- 点击下方链接开启对话，或在模型菜单中直接选择 Llama 4 Scout。
- 粘贴需要处理的文本，或在每条消息中附带一张图片。
- 提出明确具体的要求：比如“列出文本中所有的截止日期及对应负责人”，效果会远好于“这篇文章讲了什么？”。
本站聊天完全免费，目前提供每日 100 条消息额度。我们的文本摘要工具也是快速精简长篇内容的趁手利器。
使用限制说明
- 长对话会被截断：虽然云端服务商为 Scout 提供了 1,310,720 token 的上下文（官方模型卡更标称 1000 万），但我们的免费聊天界面只会保留最近的上下文，并对单条消息的字数设有限制。对于极大体量的输入，建议调用 API 或自行本地部署 Scout。
- 超长上下文不等于绝对记忆：在处理极长文本时，任何模型都有可能遗漏细节或产生混淆。建议要求模型引用原文或标明段落出处，以便核对。
- 知识库截止时间：训练数据截止至 2024 年 8 月，且当前聊天界面未联网。
- 仍可能出现幻觉：Scout 有可能以极其确定的语气给出错误事实，也可能会误读图片中模糊或过小的文字。关键信息请务必人工核实。
- 并非最新前沿模型：Meta 旗下的 Muse 系列等更新一代模型在复杂代码编写和多步骤任务上表现更为强劲。目前我们的聊天界面暂未引入任何 Muse 模型。
官方获取途径
模型权重已托管至 Hugging Face，模型名称为 meta-llama/Llama-4-Scout-17B-16E-Instruct；在模型页面签署许可协议后即可下载文件。Ollama 标注的 Scout 下载体积约为 67 GB，因此需要配备充足内存和显存的硬件。通过云端 API 调用极为经济：OpenRouter 标价为每百万输入 token 0.10 美元，每百万输出 token 0.30 美元（基于 OpenRouter 2026 年 10 月公开报价）。
Llama 4 Community License 允许在满足以下条件下商用：产品中须显著标注“Built with Llama”，遵守可接受使用政策，且若产品月活跃用户数（MAU）超过 7 亿，须向 Meta 单独申请商用授权。作为多模态模型，Scout 受该政策中欧盟条款的约束，相关权利不授予设在欧盟境内的个人或企业，但使用该产品构建的应用终端用户不受影响。完整细则请见我们的许可证说明页。
隐私与数据安全
长文档中往往包含个人信息或敏感数据。在我们的聊天界面中，你粘贴的内容会经由我们的服务器和 AI 网关转发至推理提供商以生成回复；我们不会存储你的消息正文，你的对话记录仅保留在本地浏览器中。尽管如此，在粘贴内容前仍建议隐去真实姓名、账号等机密信息。若涉及高度敏感的资料，选择本地部署 Scout 并运行在专属硬件上是最稳妥的方案。
模型对比
当输入文本极长或推理预算有限时，Scout 是理想之选；若追求极致的回答质量与深度，Maverick 更胜一筹；详情可查阅我们的 Maverick vs Scout 对比评测。相较于 Llama 3.3 70B，Scout 架构更新、支持图像输入并涵盖更多语言，具体解析请看 Llama 3.3 vs Llama 4。对比其他厂商推出的更新开源模型（如 DeepSeek V4），Scout 发布时间更早但整体更为轻便，详见 Llama vs DeepSeek。
常见问题
我真的能在 Scout 中用满 1000 万 token 吗？
1000 万是 Meta 官方模型卡的理论上限。第三方托管服务商通常支持的窗口较小（我们的提供商支持 1,310,720 token），且本站免费聊天界面会对长对话做进一步截断。要在极端长度下实现本地自建，需要极为庞大的硬件内存支撑。
Scout 的能力会比 Maverick 差很多吗？
它的参数规模相对更小，因此在处理精妙写作或高难度逻辑问题时，Maverick 通常表现更佳。但面对长文本处理、即时快速问答和低成本部署需求时，Scout 往往是更划算的选择。
Scout 能看懂图片吗？
可以。在聊天界面选中 Scout 后，每条消息均支持上传一张图片。它擅长理解、描述并就图片展开推理，但不支持图像生成。
我可以在个人电脑上本地运行 Scout 吗？
只有大内存配置的设备才能胜任，因为仅 Ollama 的模型下载体积就高达约 67 GB。初学者建议从更小规格的 Llama 模型上手体验；详情请参阅本地运行 Llama 指南。