Llama 4 Scout + ScaleRL
Aucune estimation
Aucune exigence matérielle pour ce modèle
Les poids de ce modèle n'ont pas été publiés, donc il ne peut pas être téléchargé ou exécuté sur votre propre matériel à aucune taille. Il n'est accessible que par l'intermédiaire de son fournisseur, et aucun changement de carte graphique ne modifie cela..
Enregistrement
Spécifications complètes
Tout est enregistré pour ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — un contexte utile pour juger combien de travail a été investi, et comment il se compare avec des modèles construits à une échelle différente..
Origine
Qui a construit ce modèle, où, et quand il a été publié.
- Organisation
- Meta AI
- Type d'organisation
- Industry
- Pays
- United States of America
- Publié
- 15 October 2025
- Auteurs
- Devvrit Khatri, Lovish Madaan, Rishabh Tiwari, Rachit Bansal, Sai Surya Duvvuri, Manzil Zaheer, Inderjit S. Dhillon, David Brandfonbrener, Rishabh Agarwal
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut contenir plusieurs de chacun.
- Domaine
- Language
- Tâche
- Language modeling/generation, Question answering, Code generation
- Modèle de base
- Llama 4 Scout
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui décide s'il convient à une carte graphique donnée.
- paramètres
- 109B
- Données d'entraînement
- tokens
17Bx16 MoE (Scout) 109B total parameters
"7100 steps for Scout" SFT. "We run SFT using a batch size of 2M tokens, max sequence length of 12288 <..> on 32 H100 GPU nodes for approximately 4 epochs and 32B tokens in total." RL. "We allocate 14k generation budget during RL training, where 12k tokens are allocated to the intermediate reasoning (“thinking”), followed by 2k tokens for the final solution and answer. We sample 48 prompts in each batch, each with 16 generations per prompt. Thus, we get the total batch size as 768 completions …
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations en virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, pas de la rapidité avec laquelle le modèle fini vous répond.
- Comment cela a été établi
- Hardware
- Ajustement fin des calculs
- 1.4 × 10²³ FLOP
2500000000000000 FLOP/GPU/sec [GB200 reported] * 50000 GPU-hours * 3600 sec / hour * 0.3 [assumed utilization] = 1.35e+23 FLOP
L'exécution de formation
Ce qu'il a physiquement fallu pour entraîner : quels chips, combien, pendant combien de temps, et ce que cela a tiré du secteur.
- Matériel d'entraînement
- NVIDIA GB200
- Chips utilisés
- 80
- Heures de puce
- 50,000
- Consommation d'énergie
- 187.5 kW
Disponibilité
Que vous puissiez obtenir le modèle et l'exécuter sur votre propre matériel, ce qui détermine si l'un des chiffres de la carte graphique sur cette page s'applique.
- Poids
- Closed — provider access only
- Accès au modèle
- Unreleased
- Code d'entraînement
- Unreleased
Comment il est classé
Étiquettes que le ensemble de données source applique lors du suivi de modèles notables, et à quel point il est confiant dans l'entrée.
- Confiance d'enregistrement
- Confident
Sources
D'où vient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- The Art of Scaling Reinforcement Learning Compute for LLMs
- Dernière mise à jour
- 28 November 2025
Ce que les chiffres signifient
D'où cela vient-il
Llama 4 Scout + ScaleRL a été publié par Meta AI, dans le pays enregistré comme United States of America, durant October 2025. La catégorie à laquelle appartient l'éditeur est industry.
Il fonctionne dans le domaine de Language, et est enregistré comme exécutant la tâche de language modeling/generation, Question answering, Code generation.
Son point de départ était un modèle de base existant, Llama 4 Scout. C'est pourquoi il partage la forme et la taille générales du modèle de base.
Ses poids n'ont jamais été publiés, donc il ne peut être atteint que par son fournisseur. Aucun changement de carte graphique ne change cela.
Réponses
Llama 4 Scout + ScaleRL — questions courantes
Llama 4 Scout + ScaleRL— combien de paramètres cela a-t-il ?
Il a un nombre de paramètres de 109B. 17Bx16 MoE (Scout) 109B total parameters. Ce chiffre est le total, et c'est ce qui détermine combien de mémoire le modèle nécessite — environ un demi-gigaoctet par milliard à la compression que la plupart des gens utilisent.
Llama 4 Scout + ScaleRL— qui l'a créé ?
Il a été publié par Meta AI, basé sur United States of America, une organisation catégorisée comme industry.
Llama 4 Scout + ScaleRL— quand a-t-il été publié ?
Il a été publié dans October 2025.
Llama 4 Scout + ScaleRL— à quoi ça sert ?
Il fonctionne dans le domaine de Language, et est enregistré comme gérant la tâche de language modeling/generation, Question answering, Code generation. Les modèles portent souvent plus d'un de chacun, et les tags décrivent l'objectif plutôt que les limites de capacité.
Llama 4 Scout + ScaleRL— Quelle GPU ai-je besoin pour l'exécuter ?
Aucun. C'est un modèle fermé - ses poids n'ont jamais été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel à aucun prix. Il n'est accessible que par son fournisseur.
Llama 4 Scout + ScaleRL— est-ce que c'est open source ?
Non. Ses poids n'ont pas été publiés, donc il n'existe que sous forme de service contrôlé par son propriétaire.
L'autre direction
Regardez-le de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez savoir tout ce qu'elle exécutera., commencez par le matériel à la place.