58.7%
GPQA Diamond (AA run)
Modelle / Meta
Llama 4 · Release 2026-04-05
Metas Long-Context-Llama-4-MoE. 10M-Token-Fenster, 17B aktiv / 109B gesamt. Open Weights für Codebase-RAG und Dokumenten-Mining.
Self-Hosting-Route, wenn ganze Repos oder Dokumentbibliotheken in einem Durchlauf nötig sind — nicht für niedrigste Chat-Latenz.
Familienprofil
Bester veröffentlichter Score je abgedeckter Benchmark-Familie.
3 getestete Benchmark-Familien
Wo Llama 4 Scout auf jeder öffentlichen Benchmark-Quelle mit Zeile steht. Rang zählt jedes Modell mit neuester Zeile im selben Test — kein universeller Qualitätsscore.
| Benchmark | Family | Rang | Score | Quelle | Datum |
|---|---|---|---|---|---|
| AA output speed | Performance | #90/ 196 | Artificial Analysis | 2026-10-12 | |
| SciCode | Coding | #97/ 97 | 21 | Artificial Analysis | 2026-09-28 |
| AA-LCR | Long context | #174/ 184 | 28 | Artificial Analysis | 2026-09-28 |
| GPQA Diamond | Reasoning | #174/ 184 | 59 | Artificial Analysis | 2026-09-28 |
| Humanity's Last Exam | Reasoning | #185/ 186 | 4 | Artificial Analysis | 2026-09-28 |
Die drei höchstscorierenden kartierten Modelle pro Capability-Family. Wo Llama 4 Scout auftaucht, ist es hervorgehoben.
Benchmark-Zeilen im öffentlichen Ledger für Llama 4 Scout in den letzten 120 Tagen. Ältere Zeilen stehen in der vollen Tabelle unten.
| Benchmark | Family | Score | Quelle | Tage her |
|---|---|---|---|---|
| AA output speed | Performance | 67 t/s | Artificial Analysis | 18 |
| AA-LCR | Long context | 27.7% | Artificial Analysis | 32 |
| GPQA Diamond | Reasoning | 58.7% | Artificial Analysis | 32 |
| Humanity's Last Exam | Reasoning | 3.8% | Artificial Analysis | 32 |
| SciCode | Coding | 21.3% | Artificial Analysis | 32 |
Ein hoher Composite, der eine schwache Family versteckt, ist eine Falle. Diese Balken zeigen Families ohne öffentlichen Test — und wo das Modell führt.
Hover auf einen Punkt zeigt Name, Score und Input-Preis. Per Tastatur: die zwölf besten mit Tab durchgehen oder die Rangliste unten nutzen.
Jeder Katalog-Benchmark für Llama 4 Scout. Scores verlinken zur Originalquelle; Lücken heissen: noch keine öffentliche Zeile.
5 von 13 Katalog-Benchmarks haben eine belegte Zeile für Llama 4 Scout.
58.7%
GPQA Diamond (AA run)
3.8%
HLE (AA run)
21.3%
SciCode (AA run)
27.7%
AA-LCR (AA run)
67 t/s
Median output tokens/s (1k prompt, default provider)
Jede Antwort unten stammt aus den datierten Feldern dieser Seite. Nichts davon ist zusätzlich für Suchmaschinen geschrieben.
Llama 4 Scout ist ein Modell von Meta: Metas Long-Context-Llama-4-MoE. 10M-Token-Fenster, 17B aktiv / 109B gesamt. Open Weights für Codebase-RAG und Dokumenten-Mining.
Self-Hosting-Route, wenn ganze Repos oder Dokumentbibliotheken in einem Durchlauf nötig sind — nicht für niedrigste Chat-Latenz.
Llama 4 Scout listet $0.08 Input und $0.30 Output pro 1M Tokens. Preise zuletzt geprüft am 2026-06-09.
Llama 4 Scout veröffentlicht ein Kontextfenster von 10M Tokens.
Llama 4 Scout trägt im Modell-Atlas den Status Solid.
The Pack · Redaktionsnewsletter
Eine kurze E-Mail, wenn eine Hochschule ihre KI-Regel für Abschlussarbeiten ändert oder ein Recherche-Tool Preise oder Datenschutz anpasst. Kein Tracking, keine Drittanbieter-Analytics. Abmeldung mit einem Klick.
Die KI-Checkliste für die Abschlussarbeit ist frei nutzbar, ohne Anmeldung →