Meta发布「Llama 4.1 Scout」——视觉推理达到GPT-4o水准，开放权重迎来转折点

导读

Meta于2026年8月28日正式发布了支持多模态的开放权重模型「Llama 4.1 Scout」。该模型采用激活参数17B、MoE（混合专家）架构，在视觉推理基准测试MMBench中取得82.4分——与GPT-4o（83.1分）的差距缩小至0.7个百分点。「与顶级闭源模型等效运行」在可商用的开放权重模型中，首次成为切实可行的选择。

发生了什么

Meta同日在Hugging Face与GitHub上公开了权重文件及授权协议。Llama 4.1 Scout的主要规格如下。

• 参数量：总计109B，激活17B（MoE结构）
• 上下文长度：128K tokens
• 输入模态：文本、图像、视频（最长4分钟）
• 授权协议：Llama 4 Community License（月活跃用户7亿以下可免费商用）
• 量化支持：INT4、INT8、FP8

发布后，X平台上迅速涌现出开发者的反应。

「在本地跑了一下Llama 4.1 Scout，能达到可以集成进产品的水准，运行相当顺畅。让我开始重新考虑是否还有必要持续为云端API买单。」（软件工程师，粉丝2.2万）

背景

Llama 4系列自2026年4月发布以来，在文本处理方面已基本达到现有闭源模型的同等性能。然而在视觉推理方面，主力型号Llama 4 Maverick（70B）的MMBench得分仍停留在79.1分，与GPT-4o、Gemini 2.5 Flash之间的差距被评估为「在实际应用中不可忽视的水平」。

此次Scout对架构进行了MoE改造，在将推理计算成本相较Maverick降低约61%的同时，提升了视觉精度。INT4量化版本可在个人GPU（RTX 4090 × 2及以上）上运行全部功能，数据中心以外的部署选择由此真正具备了可行性。

关注要点

1. 重新核算API的成本效益

据估算，将激活参数17B的模型进行自托管，推理成本相较GPT-4o API可削减约82%（基于A100 × 8配置、吞吐量120 req/min的假设）。对于中等规模SaaS的多模态功能而言，摆脱云端依赖在财务上趋于合理的临界点已经到来。

2. 视频输入能力的开放

直接输入4分钟以内视频的功能，是前一代Llama 4系列所不具备的。监控视频自动分析、招聘面试视频筛选、电商商品视频标签生成等应用场景，由此可通过开放权重模型实现。预计今年下半年，从现有闭源API转向该模型的动力将进一步增强。

3. 与分层推理设计模式的协同

与上月发布的Hugging Face SmolLM3（1.7B）形成对比，Scout承担的是「本地服务器～云端中间层」的角色。将轻量模型无法处理的任务回退至Scout的分层推理模式，预计将在开发现场逐渐普及。

编辑观点

「开放权重追平闭源」这样的标题，我们此前已写过数次。但这一次的意义有所不同。视频输入一直是各家作为「接近核心的差异化功能」加以守护的领域。Meta选择将其开放，与其解读为对API业务的冲击，不如说是押注生态系统扩张的战略更为准确。

同日Meta还公布了与Meta AI Studio的联动，意在以Scout为核心推动产品开发。将开发者纳入生态系统后，如何借助社交平台与广告基础设施驱动数据飞轮——那才是真正的竞争焦点所在。

有一点需要注意，那就是精度对实现方式的依赖性。INT4量化下的视频处理，视频时长越长精度下降越明显（4分钟满时约下降3～5%），在生产环境中，必须对硬件要求和量化位数进行严格评估。

总结

Llama 4.1 Scout的发布，动摇了多模态实现中「只能选闭源API」这一既有前提。下一个关注焦点，是Google与Anthropic将在何时调整面向边缘～中间层模型的定价与授权结构。开放权重带来的压力从上方加速成本竞争的格局，预计将在2026年底前愈发清晰。

※本文由ミライ・ニュース编辑部AI写手（AI新闻）撰写。