Llama 4 Maverick 17B 128E Instruct

library_name: transformers language:

• ar

• de

• en

• es

• fr

• hi

• id

• it

• pt

• th

• tl

• vi base_model:

• meta-llama/Llama-4-Maverick-17B-128E 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

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

  「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トを意味します。

  「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のに必要な年齢に達しており、あなた、またはあなたの雇用主もしくはその他の個人または団体（あなたがその個人または団体に代わって本契約を締結する場合）で、あなたがその雇用主またはその他の個人または団体に代わって本契約を締結する場合にそれらを法的に拘束する権限を有する者を意味します。

  「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の独自の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する場合、または団体の場合に主たる事業所が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する場合）を意味します。

  下記の「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したものとみなされます。

  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権利に基づき、Llama素材を使用、複製、頒布、複写、派生作品の作成および改変を行うための非独占的、世界的、非譲渡的かつロイヤリ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（別のAIモデルを含む）を頒布または提供する場合、(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トに「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、頒布または提供されるAIモデルを作成、学習、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モデル名の先頭に「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する場合、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次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、著作権© Meta Platforms, Inc. 全著作権所有。」

  iv. 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に関する法律および規制を含む）に準拠し、Llama素材の許容可能な使用ポリシー（https://www.llama.com/llama4/use-policyで入手可能）に従う必要があります。このポリシーは本契約に引用により組み込まれます。

  2. 追加の商用条件。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が独自の裁量でこれを付与する場合を除き、本契約に基づくいかなる権利も行使する権限はありません。

  3. 保証の否認。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、商品性または特定の目的への適合性の保証を含むすべての保証を否認します。Llama素材の使用または再頒布の適切性を判断する責任はあなたにあり、Llama素材およびその出力または結果の使用に伴うすべてのリスクを負担します。

  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、本契約から生じる、契約、不法行為、過失、製品責任またはその他のいかなる責任理論に基づいても、逸失利益または間接的、特別、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いません。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通知されていた場合でも同様です。

  5. 知的財産

  a. 本契約に基づく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、相手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」（「マーク」）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。マークの使用から生じるすべての信用はMetaに帰属します。

  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（訴訟における交叉請求または反訴を含む）に対して訴訟またはその他の手続きを提起する場合、本契約に基づいて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から生じるまたは関連するいかなる第三者による請求からも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、本契約の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件にも違反した場合、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連条約は本契約には適用されません。本契約から生じ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専属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 下記の「送信」をクリックすることで、ライセンス条件に同意し、提供する情報がMetaプライバシーポリシーに従って収集、保存、処理および共有されることを確認します: checkbox extra_gated_description: >- 提供いただく情報は、Metaプライバシーポリシーに従って収集、保存、処理および共有されます。 extra_gated_button_content: 送信 extra_gated_heading: "必ず正式な法的姓名、生年月日、およびすべての企業識別子を含む完全な組織名を提供してください。頭字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モデル群は、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性能を提供します。

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学習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が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については、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より技術的な情報については、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、複数言語での商用および研究用途を意図しています。指示調整済み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、事前学習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、および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モデル群は、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: 適用される法律や規制（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。許容可能な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と参照されている言語や能力を超えた使用。

注記:

1. Llama 4は、12のサポート言語（事前学習には合計200言語が含まれます）よりも広範な言語で学習されています。開発者は、Llama 4 Community Licenseおよび許容可能な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能力を活用する場合、開発者はリスクを軽減するための展開を行い、特定のアプリケーションに合わせた追加のテストと調整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するか、pip install -U transformers を使用してアップグレードしてください。

from transformers import AutoProcessor, Llama4ForConditionalGeneration
import torch

model_id = "meta-llama/Llama-4-Maverick-17B-128E-Instruct"

processor = AutoProcessor.from_pretrained(model_id)
model = Llama4ForConditionalGeneration.from_pretrained(
    model_id,
    attn_implementation="flex_attention",
    device_map="auto",
    torch_dtype=torch.bfloat16,
)

url1 = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/0052a70beed5bf71b92610a43a52df6d286cd5f3/diffusers/rabbit.jpg"
url2 = "https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/datasets/cat_style_layout.png"
messages = [
    {
        "role": "user",
        "content": [
            {"type": "image", "url": url1},
            {"type": "image", "url": url2},
            {"type": "text", "text": "これらの2つの画像がどのように似ていて、どのように異なるかを説明できますか？"},
        ]
    },
]

inputs = processor.apply_chat_template(
    messages,
    add_generation_prompt=True,
    tokenize=True,
    return_dict=True,
    return_tensors="pt",
).to(model.device)

outputs = model.generate(
    **inputs,
    max_new_tokens=256,
)

response = processor.batch_decode(outputs[:, inputs["input_ids"].shape[-1]:])[0]
print(response)
print(outputs[0])

ハードウェアとソフトウェア

学習要因: 事前学習には、カスタム学習ライブラリ、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、および評価も本番インフラで実施されました。

学習エネルギー使用量: モデルの事前学習には、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。学習時間は各モデルの学習に必要な総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、電力使用効率に合わせて調整されています。

学習による温室効果ガス排出量: ロケーションベースの温室効果ガス排出量の推定総量は、学習において1,999トン CO2eqでした。2020年以降、Metaはグローバルな事業においてネットゼロの温室効果ガス排出量を維持し、電力使用の100％をクリーンで再生可能なエネルギーと一致させています。したがって、学習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。

学習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、学習エネルギー使用量および温室効果ガス排出量は他の者によって発生することはありません。

学習データ

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学習されました。このデータは、公開されているデータ、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組み合わせです。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。

データの新鮮さ: 事前学習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。

事前学習済みモデル

指示調整済みモデル

^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、性能劣化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。

セーフガード

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用で安全かつ柔軟な体験を展開できるようにする。
• 悪意のあるユーザーがLlamaの能力を悪用して潜在的な危害を加える可能性から開発者を保護する。
• コミュニティに対して、モデルの誤用を防ぐための保護を提供する。

Llamaは、さまざまな使用例で使用するための基盤技術です。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。私たちのアプローチは、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、技術から世界が利益を得られる最も有用なモデルを構築することです。その後、開発者はドライバーシートに座り、独自のポリシーを定義し、必要なセーフガードを備えてモデルを展開することで、使用例に合わせた安全性を調整します。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使用できる、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量を減らすことです。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
データ収集には多面的なアプローチを採用し、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て潜在的な安全リスクを軽減しています。多くの大規模言語モデル（LLM）ベースの分類器を開発し、高品質なプロンプトと応答を慎重に選択することで、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に基づき、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は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指示追従の改善も目標としました。つまり、モデルは指定されたトーンをより容易に取り入れることができます。これらすべてが、より会話的で洞察に富んだ全体的な体験に貢献しています。

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、LLMに共通する偽の拒否やテンプレート化された「説教的」な言語パターンを減らすのに効果的であることがわかりました。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できるプロンプトです。

Llama 4システム保護

大規模言語モデル、Llama 4を含む、は単独で展開されるように設計されておらず、代わりに追加のガードレールが必要な全体的なAIシステムの一部として展開されるべきです。システム保護は、適切な有用性-安全性の調整を達成し、システムに固有の安全性および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において鍵となります。

私たちは、Llamaモデルまたは他のLLMと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、これらのセーフガード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。私たちは、専用の敵対的評価データセットを構築し、Llamaモデルと入力プロンプトおよび出力応答をフィルタリングするLlama Guard 3で構成され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できます。
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ます。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
私たちは、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使用しています。重要なリスク領域の主題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動作するように再プログラムするなど、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、および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。

重大なリスク

私たちは以下の重大なリスク領域に特に重点を置