Llama blir mer enn en nedlastbar modell

Meta har gjort Llama 4 til en større satsing enn bare et nytt modellslipp. Serien er nativt multimodal, bygget med mixture-of-experts og koblet til Meta AI i WhatsApp, Messenger, Instagram Direct og web.

Det betyr at Llama 4 lever i to verdener samtidig. Den er en modell utviklere kan hente og bygge på. Samtidig er den del av en enorm forbrukerinfrastruktur med milliarder av potensielle brukere.

For modellmarkedet er det en kraftig kombinasjon. Meta bruker åpen modellstrategi til å bygge økosystem, men bruker også distribusjonen sin til å gjøre modellen synlig i hverdagsprodukter.

Llama 4 er ikke bare en modellfamilie. Det er Metas bro mellom open models og massemarkedet.

Hva Meta har sluppet

De første Llama 4-modellene er Scout og Maverick. Begge er mixture-of-experts-modeller med 17 milliarder aktive parametere per token. Scout har 16 eksperter og 109 milliarder totale parametere. Maverick har 128 eksperter og 400 milliarder totale parametere.

Meta beskriver modellene som nativt multimodale, med tekst og bilde som input og tekst/kode som output. Det betyr at multimodalitet ikke bare er et tillegg på toppen, men en del av arkitekturen.

17B
aktive parametere
109B
Scout totalt
400B
Maverick totalt
Llama 4 gjør multimodal AI til Meta-infrastruktur - Bilde 1

Hvorfor MoE betyr noe

Mixture-of-experts gjør det mulig å bygge store modeller der bare deler av nettverket aktiveres for hver forespørsel. Målet er mer kapasitet uten at all beregning må brukes hele tiden.

For utviklere betyr dette at modellstørrelse blir mer nyansert. En modell kan ha svært mange totale parametere, men likevel bruke et mindre aktivt sett per token. Det kan gi bedre forhold mellom ytelse og kost, særlig når infrastrukturen er optimalisert.

Relevans for norske selskaper

Llama 4 er spesielt interessant for norske miljøer som vil teste åpne multimodale modeller uten å bygge alt selv. Den kan brukes til bildebeskrivelse, innholdsforståelse, dokumentflyter, kundesupport og kodeassistenter.

Men det er også begrensninger. Llama 4s offisielle språkstøtte er sterkest for utvalgte språk, og norsk er ikke nødvendigvis først i rekken. Norske team må derfor teste bokmål, nynorsk, domenespråk og lokale normer selv.

Åpen multimodal AI er nyttig først når den testes på norske bilder, norske dokumenter og norske brukerbehov.

Lisens og plattformmakt

Llama-modellene omtales ofte som åpne, men de er ikke Apache 2.0 på samme måte som enkelte andre modeller. Llama-lisensen har egne vilkår. Det betyr at virksomheter må lese lisensen før kommersiell bruk, spesielt hvis produktet skalerer.

Samtidig gir Meta utviklere et bredt økosystem: Hugging Face-modeller, GitHub-verktøy, egne sikkerhetsressurser og en stor community-effekt. Det gjør Llama 4 til et av de mest praktiske stedene å starte for open-model-eksperimenter.

Konklusjon

Llama 4 viser at åpne modeller ikke bare handler om idealisme. De er også plattformstrategi.

Meta kombinerer nativ multimodalitet, MoE-arkitektur og massiv distribusjon. For norske utviklere og virksomheter gjør det Llama 4 verdt å teste, særlig der man trenger mer kontroll enn lukkede API-er gir. Men testen må være konkret: språk, lisens, kvalitet, sikkerhet og driftskost må måles før modellen blir produksjonsvalg.