Llama 4 Scout 拆解：为什么Meta要在手机上跑千亿参数？

Scout是什么

Llama 4 Scout是Meta在2026年Q1发布的轻量化旗舰模型，定位是「能部署在边缘设备上的多模态模型」。核心参数：总参数量约109B，但采用MoE（混合专家）架构，每次推理只激活约17B参数。上下文窗口10M tokens，支持图文输入。

按Meta的说法，这个模型能在单张H100或消费级4090上流畅运行，甚至针对移动端做了量化优化。

很多人看到「109B参数」就以为这是个需要多卡才能跑的怪物。实际不是。

MoE架构的特点是「稀疏激活」——每次处理一个token，只有一部分「专家」子网络会被调用。Scout每次激活的是17B，这才是真实的推理算力需求。对比一下，Llama 3.1 70B是密集模型，每个token都要用全部70B参数。

所以Scout的实际推理成本，大约相当于一个17B的密集模型——但它的「知识容量」更接近100B级别。这就是MoE的价值。

10M tokens是个夸张的数字——相当于几百本书。但历史告诉我们，支持不等于好用。

真正的问题是：在接近上限的长度下，模型的实际召回精度是多少？从已有的第三方测试来看，Scout在约100k tokens以内的召回率比较稳定，超过500k之后开始出现明显的遗漏。这和大多数「长上下文」模型的表现曲线一致。

不过，哪怕「只能」稳定用100k，也已经够处理一个完整的中型代码库了。对很多实际场景来说，这已经足够了。

Scout不是一个「跑分用的」模型，而是Meta争夺AI基础设施话语权的棋子。

几个信号：

逻辑很清楚：用开源策略降低企业采用门槛，用边缘部署能力卡住不想把数据传云端的客户，用Maverick吃高端API市场。这是一套完整的从设备端到云端的覆盖策略，而不是单纯在技术上内卷。

SFD实验室的MS01装的是Mac Studio，没有独立GPU，所以我们用MLX量化版本做了测试。Q4量化下，Scout跑中文对话的速度大约是15-20 tokens/s，对比我们之前用的Qwen 72B大概慢20%，但多模态能力强了不止一个档次。

直接的感受：图文理解准了很多。之前让Qwen分析一张架构图，它只能描述图里的文字；Scout能识别方框之间的箭头关系，输出的是实际的数据流逻辑，而不是图片的文字抄写。

如果你的场景是纯文本，暂时没必要换。Scout的文本能力比Qwen 72B强，但幅度有限，而且中文表达在某些场景下还不如专门针对中文优化过的模型自然。

如果你需要多模态——图文混合输入、文档理解、视觉QA——Scout是目前开源方案里最实用的选择之一，值得认真试一试。

我们已经把Scout放进了本地推理集群的备选名单。近期会做一次和Qwen3 72B的系统性对比测试，重点看中文写作质量、代码生成准确率和多模态实用度。结果出来后会写一篇详细的评测报告。