Meta 近日正式發布最新一代大型語言模型「Llama 4」系列，包含 Llama 4 Scout、Llama 4 Maverick，以及仍在訓練中的 Llama 4 Behemoth，並強調全新多模態與混合專家模型架構，攜帶長達一千萬 Tokens 的超大上下文長度，與高達 2 兆參數的終極教師模型，讓人工智慧再度成為全球矚目焦點。
Llama 4 多模態，大幅拓展應用範疇
所謂多模態，指的是模型能同時處理文字、圖像、影音等不同形式的輸入及輸出。雖然過去已有部分開源模型嘗試跨領域，但 Llama 4 系列強調原生多模態設計，讓模型在前期訓練階段就同時接觸到文本、影像及影片靜態幀等海量資料，進而獲得更寬廣且自然的理解能力。
此外，全新的混合專家模型架構將龐大的參數分門別類成多個「專家」，並透過路由器自動判斷該由哪個專家負責特定工作。比起傳統只有一整塊參數的模型，MoE 讓每個專家更有效率地執行任務，在同一批 GPU 資源下獲得更高的性能與更低的成本。
Llama 4 Scout：一千萬 Token 超長上下文
Llama 4 Scout 是此系列中最小的版本，但實際上仍擁有 17 億的活躍參數與 109 億的總參數規模，且Scout 直接將上下文長度推進到一千萬 Tokens，遠遠超越過往市面上常見的 1～2 百萬 Token 水準，甚至有網友戲稱「幾乎無限」。
對於需要處理海量文字資料的場景而言，超大的上下文意謂模型能一次讀入或參考多份合約、長程研究報告、大型程式碼庫，或是龐雜的客服紀錄，再進行跨資料串連與智慧分析。
Llama 4 Maverick：400 億總參數
另一款引起熱議的 Llama 4 Maverick，同樣擁有 17 億活躍參數，但總參數多達 400 億，並將專家數量從 16 提升至 128。根據官方說法，它在多國語言處理、程式碼生成、邏輯推理、圖像理解等多項指標上都取得顯著優勢，甚至逼近或超越了競爭對手。
同時，Maverick 也維持了價格與性能的平衡：雖然它不若 Scout 那般能在單張 GPU 上輕鬆運行，但只需一組 NVIDIA H100 DGX 即可啟動。對於希望在雲端大規模布署，或者例如台灣本土大企業想在自家資料中心內搭建 AI 服務的團隊，Maverick 提供更高的推理效能，特別適合處理同時包含圖像、語音文字及較複雜邏輯需求的應用場景。
Behemoth：2 兆參數
雖然目前官方尚未釋出 Llama 4 Behemoth 的完整版本，但已有消息顯示，它規模驚人，擁有 288 億活躍參數和 2 兆總參數，同樣基於多模態與混合專家模型架構。
此外Behemoth 同時擔任教學角色，Meta 先把 Behemoth 蒐集到的知識蒸餾到 Scout 和 Maverick，再透過後續優化流程來強化推理與回應水準。
換句話說，正式問世後的 Behemoth 很可能在學術研究、專業技術分析上展現更高段的智慧，同時也能更有效指導後續小模型成長。這種「大模型培養小模型」的方式，為市場帶來新的訓練與維運策略，使得廠商在開發或微調模型時，有機會同時享有精度提升與運算資源節省。
Llama 4 授權模式與應用前景
根據目前公開的資訊，Llama 4 仍維持一定的授權門檻，例如對月活 7 億用戶以上的企業有特殊限制，也對於歐洲或特定市場用戶設置條款，讓部分開發者擔憂實際落地應用時的合規問題。同時，想要在一般家用 GPU 上直接跑 Llama 4 的可能性依舊不大，主要是因為其參數量龐大，就算是最迷你的 Scout 版本也需要較高階的 GPU 搭配量化策略，才有機會勉強執行。
不過，就台灣產業界而言，開源方案向來被視作一條關鍵優勢，尤其是多家企業或研究機構都積極嘗試在自家環境中佈署大型語言模型。Llama 4 表明了 Meta 對公開分享與授權應用的雙重路線，或許能鼓勵更多台灣開發者與企業嘗試打造客製化聊天機器人、自動化文書解析系統，甚至用於更深層次的產業應用，像是金融評估、醫療診斷輔助等等。若能適度整合多模態技術與 MoE 架構，並善用長上下文優勢，將能在國際 AI 趨勢中找到屬於自己的創新出口。
延伸閱讀
- AI 聊天能給情緒價值嗎？OpenAI：ChatGPT 重度使用者有孤獨隱憂
- Grok 3 AI是什麼？馬斯克推出新人工智慧，聲稱超越 ChatGPT 與 DeepSeek
- DeepSeek AI是什麼？超低成本AI模型震撼全球
- 氛圍編碼崛起！從 Cursor AI 到一人軟體新趨勢
