Model Releases
Llama 4 Meta : Le Modèle Open-Source qui Change la Règle du Jeu
Meta lance Llama 4, un modèle open-source historique avec architecture MoE et capacités multimodales natives, redéfinissant les standards de l'IA.
5 avril 2025
Model ReleaseLlama 4
Introduction : Une Étape Historique pour l'IA Open-Source
Le 5 avril 2025, Meta AI a officiellement dévoilé Llama 4, marquant un tournant décisif dans l'évolution des modèles d'IA générative open-source. Ce n'est pas simplement une nouvelle version, mais une refonte architecturale majeure qui vise à combler le fossé entre la puissance des modèles fermés et la flexibilité des modèles ouverts. Dans un marché saturé d'options, Llama 4 se distingue par son approche native multimodale et sa transparence technique sans précédent.
Pour les développeurs et ingénieurs en IA, cette annonce représente une opportunité stratégique. Contrairement aux précédentes générations qui étaient principalement textuelles, Llama 4 intègre dès la conception la compréhension de l'image et de la vidéo. Cela permet une fusion précoce des modalités, offrant des capacités d'inférence plus fluides et des latences réduites pour les applications complexes. Meta positionne ce modèle comme un outil essentiel pour la prochaine vague d'agents autonomes.
- Date de sortie officielle : 5 avril 2025
- Licence : Open Weights (Apache 2.0 compatible)
- Objectif : Unifier texte, image et vidéo dans un seul modèle
Architecture et Fonctionnalités Clés
L'architecture de Llama 4 repose sur une structure MoE (Mixture of Experts) avancée, permettant une efficacité computationnelle supérieure. Deux variantes principales sont disponibles : Scout et Maverick. Scout, avec ses 109 milliards de paramètres, est optimisé pour tourner sur une seule GPU H100, offrant une accessibilité immédiate pour les développeurs individuels. Maverick, quant à lui, atteint les 400+ milliards de paramètres et nécessite un système DGX H100 pour déployer toute sa puissance.
La capacité contextuelle est également une innovation majeure. Scout supporte une fenêtre de contexte de 10 millions de tokens, tandis que Maverick étend cette capacité pour des tâches d'analyse documentaire massive. L'intégration native multimodale signifie que le modèle ne traite pas les images comme des tokens séparés, mais les comprend directement via une fusion précoce des embeddings.
- Scout : 109B paramètres, 1 GPU H100, 10M tokens
- Maverick : 400B+ paramètres MoE, H100 DGX requis
- Multimodal : Texte, Image et Vidéo fusionnés nativement
- Fenêtre de contexte : Jusqu'à 10M tokens (Scout)
Performance et Benchmarks
Sur les benchmarks standard, Llama 4 Maverick démontre une supériorité notable par rapport à ses prédécesseurs. Sur le test MMLU, il atteint un score de 92.5%, surpassant les versions précédentes de Llama 3. Sur HumanEval pour le code, le modèle affiche une précision de 89%, prouvant son utilité pour les assistants de développement logiciel. Pour les tâches complexes de résolution de problèmes, SWE-bench montre une amélioration de 15% par rapport aux modèles concurrents de même taille.