Llama 4 Scout 17B 16E

library_name: transformers language:

• ar

• de

• en

• es

• fr

• hi

• id

• it

• pt

• th

• tl

• vi tags:

• facebook

• meta

• pytorch

• llama

• llama4 extra_gated_prompt: >- LLAMA 4 コミュニティライセンス契約

  Llama 4 バージョン発効日: 2025年4月5日

  「本契約」とは、Llama素材の使用、複製、頒布および改変に関する本契約に定める利用条件を意味します。

  「ドキュメンテーション」とは、Metaがhttps://www.llama.com/docs/overviewで配布するLlama 4に付随する仕様書、マニュアルおよびドキュメンテーションを意味します。

  「ライセンシー」または「あなた」とは、適用される法律、規則または規制の下で法的同意を提供するために必要な年齢に達しており、本契約を締結する際に雇用主またはその他の個人または団体を代理する場合には、雇用主またはその他の個人または団体を法的に拘束する権限を有する、あなた、またはあなたの雇用主またはその他の個人または団体を意味します。

  「Llama 4」とは、https://www.llama.com/llama-downloadsでMetaが配布する、機械学習モデルコード、学習済みモデル重み、推論を可能にするコード、学習を可能にするコード、ファインチューニングを可能にするコードおよびその他の要素を含む、基盤となる大規模言語モデルおよびソフトウェアとアルゴリズムを意味します。

  「Llama素材」とは、本契約の下で利用可能となるMetaの専有するLlama 4およびドキュメンテーション（およびその一部）を総称して意味します。

  「Meta」または「当社」とは、Meta Platforms Ireland Limited（あなたがEEAまたはスイスに所在している場合、または団体の場合、主たる事業所がEEAまたはスイスにある場合）およびMeta Platforms, Inc.（あなたがEEAまたはスイス以外に所在している場合）を意味します。

  以下の「同意する」をクリックするか、Llama素材のいかなる部分または要素を使用または頒布することにより、あなたは本契約に拘束されることに同意するものとします。

  1. ライセンス権利および再頒布

  a. 権利の付与。あなたは、Llama素材に具現化されたMetaの知的財産権またはその他のMetaが所有する権利に基づき、Llama素材を使用、複製、頒布、複写、派生作品を作成し、改変するための非独占的、世界的、非譲渡的かつロイヤルティフリーの限定ライセンスを付与されます。

  b. 再頒布および使用

  i. あなたがLlama素材（またはその派生作品）、またはそれらを含む製品またはサービス（他のAIモデルを含む）を頒布または利用可能にする場合、(A) そのようなLlama素材に本契約の写しを添付すること、および (B) 関連するウェブサイト、ユーザーインターフェース、ブログ記事、アバウトページ、または製品ドキュメンテーションに「Built with Llama」を目立つように表示する必要があります。Llama素材またはLlama素材の出力または結果を使用して、頒布または利用可能となるAIモデルを作成、トレーニング、ファインチューニング、またはその他の方法で改善する場合、そのようなAIモデルの名称の冒頭に「Llama」を含める必要があります。

  ii. あなたが統合されたエンドユーザー製品の一部としてライセンシーからLlama素材またはその派生作品を受領した場合、本契約の第2条はあなたには適用されません。

  iii. あなたが頒布するLlama素材のすべてのコピーに、そのようなコピーの一部として頒布される「Notice」テキストファイル内に以下の帰属表示を保持する必要があります：「Llama 4はLlama 4 Community Licenseの下でライセンスされており、Copyright © Meta Platforms, Inc. All Rights Reserved.」

  iv. あなたのLlama素材の使用は、適用される法律および規制（貿易コンプライアンス法および規制を含む）に準拠し、Llama素材の許容使用ポリシー（https://www.llama.com/llama4/use-policyで利用可能）に従う必要があります。この許容使用ポリシーは、本契約に参照により組み込まれます。

  2. 追加の商業的条件。Llama 4バージョンのリリース日において、ライセンシーまたはライセンシーの関連会社によって提供される製品またはサービスの月間アクティブユーザーが前暦月において7億人を超える場合、あなたはMetaからライセンスを請求する必要があり、Metaはその単独の裁量でこれを付与する場合があります。Metaが明示的にそのような権利を付与しない限り、あなたは本契約の下でのいかなる権利も行使する権限を有しません。

  3. 保証の免責。適用される法律で要求されない限り、Llama素材およびその出力または結果は「現状有姿」で提供され、いかなる種類の保証もなく、Metaは明示的または黙示的を問わず、所有権、非侵害性、商品性または特定の目的への適合性を含むがこれに限られない、いかなる種類の保証も否認します。あなたは、Llama素材の使用または再頒布の適切性を単独で判断し、Llama素材およびその出力または結果の使用に関連するいかなるリスクも負担するものとします。

  4. 責任の制限。いかなる場合でも、Metaまたはその関連会社は、契約、不法行為、過失、製品責任その他のいかなる責任理論に基づいても、本契約に起因する逸失利益または間接的、特別的、結果的、付随的、懲罰的または模範的損害について責任を負わず、Metaまたはその関連会社がそのような損害の可能性について知らされていた場合でも同様です。

  5. 知的財産

  a. 本契約の下では商標ライセンスは付与されず、Llama素材に関連して、Metaもライセンシーも、Llama素材の説明および再頒布における合理的かつ慣習的な使用に必要な場合または本第5条(a)に定める場合を除き、他方またはその関連会社が所有または関連するいかなる名称または商標も使用することはできません。Metaはここに、第1条(b)(i)の最後の文を遵守するために必要な範囲でのみ「Llama」（「商標」）を使用するライセンスをあなたに付与します。あなたはMetaのブランドガイドライン（現在はhttps://about.meta.com/brand/resources/meta/company-brand/でアクセス可能）に従うものとします。商標の使用から生じるすべてのグッドウィルはMetaの利益となります。

  b. MetaがLlama素材およびMetaが作成またはMetaのために作成された派生作品を所有することに従い、あなたが作成したLlama素材の派生作品および改変に関しては、あなたとMetaの間で、あなたがそのような派生作品および改変の所有者であり、今後も所有者であるものとします。

  c. あなたが、Llama素材またはLlama 4の出力または結果、またはそのいずれかの一部が、あなたが所有またはライセンス可能な知的財産権またはその他の権利の侵害を構成すると主張して、Metaまたはいかなる団体（訴訟における反訴または交叉請求を含む）に対して訴訟またはその他の手続きを提起した場合、本契約の下であなたに付与されたすべてのライセンスは、そのような訴訟または請求が提起または開始された日をもって終了します。あなたは、Llama素材の使用または頒布に起因または関連するいかなる第三者からの請求からMetaを補償し、免責するものとします。

  6. 期間および終了。本契約の期間は、あなたが本契約を承諾した時またはLlama素材にアクセスした時に開始し、本契約に定める条件に従って終了するまで完全な効力を有して継続します。Metaは、あなたが本契約のいかなる条項または条件に違反した場合、本契約を終了することができます。本契約の終了時、あなたはLlama素材の使用を停止し、削除するものとします。第3条、第4条および第7条は、本契約の終了後も存続します。

  7. 準拠法および管轄権。本契約は、カリフォルニア州の法律に準拠し、解釈されるものとし、国際物品売買契約に関する国際連合条約は適用されません。本契約に起因するいかなる紛争についても、カリフォルニア州の裁判所が排他的管轄権を有します。 extra_gated_fields: 名: text 姓: text 生年月日: date_picker 国: country 所属: text 職種: type: select options:

  • 学生
  • 大学院生
  • AI研究者
  • AI開発者/エンジニア
  • 記者
  • その他 geo: ip_location 以下の「送信」をクリックすることで、ライセンス条項に同意し、提供した情報がMetaプライバシーポリシーに従って収集、保存、処理、共有されることを確認します: checkbox extra_gated_description: >- 提供いただいた情報は、Metaプライバシーポリシーに従って収集、保存、処理、共有されます。 extra_gated_button_content: 送信 extra_gated_heading: "必ず正式な氏名、生年月日、およびすべての企業識別子を含む正式な組織名を提供してください。略語や特殊文字の使用は避けてください。これらの指示に従わない場合、このモデルやHugging Face上の他のモデルにアクセスできなくなる可能性があります。このフォームは送信後に編集できないため、すべての情報が正確であることを確認してください。" license: other license_name: llama4

モデル情報

Llama 4モデルコレクションは、テキストとマルチモーダル体験を可能にするネイティブマルチモーダルAIモデルです。これらのモデルは、Mixture-of-Experts（MoE）アーキテクチャを活用し、テキストおよび画像理解において業界をリードするパフォーマンスを提供します。

これらのLlama 4モデルは、Llamaエコシステムの新たな時代の始まりを告げるものです。Llama 4シリーズでは、2つの効率的なモデルをリリースしています。16のエキスパートを持つ170億パラメータモデル「Llama 4 Scout」と、128のエキスパートを持つ170億パラメータモデル「Llama 4 Maverick」です。

モデル開発者: Meta

モデルアーキテクチャ: Llama 4モデルは、Mixture-of-Experts（MoE）アーキテクチャを使用し、ネイティブマルチモーダリティのために早期融合を組み込んだ自己回帰型言語モデルです。

対応言語: アラビア語、英語、フランス語、ドイツ語、ヒンディー語、インドネシア語、イタリア語、ポルトガル語、スペイン語、タガログ語、タイ語、ベトナム語。

モデルリリース日: 2025年4月5日

ステータス: これはオフラインデータセットでトレーニングされた静的モデルです。コミュニティのフィードバックに基づいてモデルの動作を改善するため、調整されたモデルの将来のバージョンがリリースされる可能性があります。

ライセンス: カスタム商用ライセンスであるLlama 4 Community License Agreementは、https://github.com/meta-llama/llama-models/blob/main/models/llama4/LICENSEで利用可能です。

モデルに関する質問やコメントの送信先: モデルに関するフィードバックやコメントを提供する方法の詳細は、LlamaのREADMEをご覧ください。Llama 4をアプリケーションで使用するための生成パラメータやレシピに関する技術情報については、こちらをご覧ください。

意図された使用

意図された使用例: Llama 4は、複数の言語での商用および研究用途を意図しています。命令調整モデルは、アシスタントのようなチャットや視覚的推論タスクを目的としており、事前トレーニング済みモデルは自然言語生成に適応させることができます。視覚に関しては、Llama 4モデルは視覚認識、画像推論、キャプション作成、画像に関する一般的な質問への回答にも最適化されています。Llama 4モデルコレクションは、合成データ生成や蒸留を含む他のモデルを改善するためにそのモデルの出力を活用する能力もサポートしています。Llama 4 Community Licenseはこれらの使用例を許可しています。

範囲外: 適用される法律または規制（貿易コンプライアンス法を含む）に違反する方法での使用。許容使用ポリシーおよびLlama 4 Community Licenseで禁止されている他の方法での使用。このモデルカードで明示的にサポートされているもの以外の言語や機能での使用。

注記:

1. Llama 4は、12のサポート言語（事前トレーニングには合計200言語が含まれます）よりも広範な言語でトレーニングされています。開発者は、Llama 4 Community Licenseおよび許容使用ポリシーに準拠している限り、12のサポート言語を超える言語でLlama 4モデルをファインチューニングすることができます。開発者は、追加の言語でのLlama 4の使用が安全かつ責任ある方法で行われることを保証する責任があります。

2. Llama 4は、最大5つの入力画像までの画像理解についてテストされています。これ以上の画像理解機能を活用する場合、開発者はリスクを軽減するためにデプロイメントを調整し、特定のアプリケーションに合わせた追加のテストとチューニングを実施する責任があります。

transformersでの使用方法

transformers v4.51.0 がインストールされていることを確認し、pip install -U transformers でアップグレードしてください。

from transformers import pipeline
import torch

model_id = "meta-llama/Llama-4-Scout-17B-16E"

pipe = pipeline(
    "text-generation",
    model=model_id,
    device_map="auto",
    torch_dtype=torch.bfloat16,
)

output = pipe("Roses are red,", max_new_tokens=200)

ハードウェアとソフトウェア

トレーニング要因: 事前トレーニングには、カスタムトレーニングライブラリ、Metaの独自構築GPUクラスター、および本番インフラを使用しました。ファインチューニング、量子化、アノテーション、評価も本番インフラで実施されました。

トレーニングエネルギー使用量: モデルの事前トレーニングには、以下の表に示すように、H100-80GB（TDP 700W）タイプのハードウェアで累計7.38M GPU時間の計算が使用されました。トレーニング時間は各モデルのトレーニングに必要な総GPU時間であり、電力消費は使用されたGPUデバイスごとのピーク電力容量で、電力使用効率に調整されています。

トレーニング温室効果ガス排出量: トレーニングにおける場所ベースの温室効果ガス排出量の総計は1,999トン CO2eqと推定されます。2020年以降、Metaはグローバル事業において温室効果ガス排出量をネットゼロに維持し、電力使用の100%をクリーンおよび再生可能エネルギーで賄っているため、トレーニングにおける市場ベースの温室効果ガス排出量は0トンCO2eqでした。

トレーニングエネルギー使用量および温室効果ガス排出量を決定するために使用された方法論はこちらで確認できます。Metaがこれらのモデルを公開しているため、トレーニングエネルギー使用量および温室効果ガス排出量は他の人々によって発生することはありません。

トレーニングデータ

概要: Llama 4 Scoutは約40兆トークン、Llama 4 Maverickは約22兆トークンのマルチモーダルデータで事前トレーニングされました。このデータは、公開可能なデータ、ライセンスデータ、およびMetaの製品やサービスからの情報の混合です。これにはInstagramやFacebookから公開共有された投稿や、Meta AIとの人々のやり取りが含まれます。

データの鮮度: 事前トレーニングデータのカットオフは2024年8月です。

ベンチマーク

このセクションでは、以前のモデルに対するLlama 4の結果を報告します。展開の柔軟性のために量子化チェックポイントを提供していますが、報告されたすべての評価とテストはbf16モデルで実施されました。

事前トレーニング済みモデル

命令調整モデル

^MMMU Proの報告数値は標準タスクと視覚タスクの平均です

量子化

Llama 4 ScoutモデルはBF16重みとしてリリースされていますが、オンデマンドint4量子化により単一のH100 GPUに収まります。Llama 4 MaverickモデルはBF16およびFP8量子化重みの両方でリリースされています。FP8量子化重みは単一のH100 DGXホストに収まりながら品質を維持します。また、パフォーマンス低下を最小限に抑えるオンデマンドint4量子化のコードも提供しています。

保護策

リリースアプローチの一環として、リスク管理のために3つの戦略を採用しました:

• 開発者が対象ユーザーおよびLlamaがサポートする使用例に対して有益で安全かつ柔軟な体験を展開できるようにする。
• 潜在的に危害を引き起こすためにLlamaの能力を悪用しようとする敵対的なユーザーから開発者を保護する。
• コミュニティに対して、当社のモデルの悪用を防ぐための保護を提供する。

Llamaは多様な使用例での利用を目的とした基盤技術です。MetaのLlamaモデルがどのように展開されているかの例は、コミュニティストーリーウェブページで確認できます。当社のアプローチは、標準的なリスクセットに対してモデルの安全性を調整することで、世界が技術の恩恵を受けられる最も有益なモデルを構築することです。その後、開発者は自らの使用例に合わせて安全性を調整し、必要な保護策を展開する主導権を持ちます。Llama 4は、開発者使用ガイド: AI保護で概説されているベストプラクティスに従って開発されました。

モデルレベルのファインチューニング

安全性ファインチューニングを実施する主な目的は、開発者がさまざまなアプリケーションに対してすぐに利用可能で安全かつ強力なモデルを提供し、安全なAIシステムを展開するために必要な作業負荷を軽減することです。さらに、この取り組みは、安全性ファインチューニングの堅牢性を研究するための貴重なリソースを研究コミュニティに提供します。

ファインチューニングデータ
潜在的な安全リスクを軽減するために、ベンダーからの人間生成データと合成データを組み合わせた多面的なアプローチでデータ収集を行っています。高品質のプロンプトと応答を慎重に選択できるようにする多くの大規模言語モデル（LLM）ベースの分類器を開発し、データ品質管理を強化しています。

拒否
Llama 3モデルで開始した作業を基に、Llama 4では良性プロンプトに対するモデルの拒否を大幅に減らすことに重点を置きました。安全性データ戦略に境界線および敵対的プロンプトを含め、安全性データ応答がトーンガイドラインに従うように修正しました。

トーン
Llama 3の拒否トーンに関する作業を拡張し、モデルがより自然に聞こえるようにしました。説教的で過度に道徳的な言語を削除することを目標とし、ヘッダー、リスト、表などの正しい使用を含むフォーマットの問題を修正しました。

これを達成するために、システムプロンプトの操縦性と命令追従の改善も目標とし、モデルが指定されたトーンをより容易に採用できるようにしました。これらすべてが、より会話的で洞察に富んだ体験全体に貢献します。

システムプロンプト
Llama 4はより操縦可能なモデルであり、応答を特定の開発者成果に合わせて簡単に調整できます。効果的なシステムプロンプトは、大規模言語モデルのパフォーマンスを大幅に向上させることができます。特に、システムプロンプトの使用は、誤った拒否やLLMに共通する定型化されたまたは「説教的」な言語パターンを減らすのに効果的です。また、会話性や適切なフォーマットの使用も改善できます。

以下のプロンプトは、開発者がLlama 4モデルの特定のニーズや使用例に合わせてさらにカスタマイズするための基本的なテンプレートとして考慮してください。

Llama 4システム保護

Llama 4を含む大規模言語モデルは、単独で展開するように設計されておらず、追加のガードレールが必要なAIシステム全体の一部として展開する必要があります。システム保護は、適切な有用性と安全性の調整を達成し、システムに固有の安全性とセキュリティリスクを軽減し、モデルまたはシステムと外部ツールの統合を行うために重要です。

当社は、開発者がLlamaモデルまたは他のLLMと共に展開すべきシステムレベルの保護（Llama Guard、Prompt Guard、Code Shieldなど）をコミュニティに提供しています。すべてのリファレンス実装デモには、これらの保護がデフォルトで含まれているため、開発者はシステムレベルの安全性をすぐに利用できます。

評価

Llamaモデルを一般的な使用例および特定の能力について評価しました。一般的な使用例評価は、チャットボット、視覚QAなど、最も一般的に構築されるアプリケーションのシステムの安全リスクを測定します。専用の敵対的評価データセットを構築し、LlamaモデルとLlama Guard 3で入力プロンプトと出力応答をフィルタリングするシステムを評価しました。アプリケーションをコンテキストで評価することが重要であり、使用例に合わせた専用の評価データセットを構築することをお勧めします。Prompt GuardとCode Shieldも、アプリケーションに関連する場合に利用可能です。
能力評価は、長文脈、多言語、コーディング、記憶など、特定の能力に固有のLlamaモデルの脆弱性を測定し、これらに対して専用のベンチマークを作成しました。

レッドチーミング
敵対的プロンプトを通じてリスクを発見することを目的とした定期的なレッドチーミング演習を実施し、その学びをベンチマークと安全性チューニングデータセットの改善に活用しています。重要なリスク領域の専門家と早期に協力し、モデルが社会に意図しない害をもたらす可能性を理解します。これらの議論に基づいて、有害な情報の抽出やモデルを潜在的に有害な方法で行動させるための再プログラミングなど、レッドチームの敵対的目標セットを導き出します。レッドチームは、サイバーセキュリティ、敵対的機械学習、整合性の専門家に加え、特定の地理的市場における整合性問題の背景を持つ多言語コンテンツスペシャリストで構成されています。

重大リスク

以下の重大リスク領域に特に重点を置いています:

1. CBRNE（化学、生物、放射能、核、爆発物）材料の有用性
Llama 4に関連する化学および生物兵器の拡散リスクを評価するために、専門家が設計した評価およびその他の対象評価を適用し、Llama 4の使用が悪意のある行為者がこの種の兵器を使用した攻撃を計画または実行する能力を有意に増加させる可能性があるかどうかを評価しました。また、このリスク領域に関連するコンテンツポリシーの違反について追加のレッドチーミングと評価も実施しました。

2. 児童の安全
データフィルタリングなどの事前トレーニング方法を、モデルにおける児童の安全リスクを軽減する最初のステップとして活用しています。トレーニング後のモデルの児童の安全リスクを評価するために、専門家チームがモデルが児童の安全リスクをもたらす出力を生成する能力を評価します。これを使用して追加のモデルファインチューニングと詳細なレッドチーミング演習を情報提供します。また、複数画像および多言語などのLlama 4機能をカバーする