La capacidad distintiva: multimodalidad y contexto largo
Meta posiciona a Scout como un modelo con fusión temprana de texto e imágenes: la información visual no se agrega como una capa posterior, sino que participa de la representación desde el procesamiento del modelo. Para productos que trabajan con documentos, interfaces, imágenes o evidencia visual, esta arquitectura habilita flujos que un modelo solo textual no resuelve por sí mismo.
La ventana de contexto de hasta 10 millones de tokens es otra capacidad relevante, aunque debe tratarse como una restricción de ingeniería y no como un argumento de marketing. Contexto disponible no equivale automáticamente a recuperación precisa: el equipo debe medir calidad, latencia, costo y comportamiento con el tipo de corpus que realmente usará.
MoE reduce cómputo activo, no elimina el costo de operación
Scout usa Mixture-of-Experts con 16 expertos: activa 17B parámetros por paso, pero distribuye 109B de pesos totales. El patrón permite aumentar capacidad sin ejecutar todos los parámetros para cada token, una ventaja para inferencia frente a un modelo denso de tamaño equivalente.
Sin embargo, los pesos siguen necesitando memoria. La ficha del modelo y la operación práctica obligan a evaluar cuantización, distribución en varias GPU, throughput requerido y límites de latencia. Elegir un modelo open-weight significa asumir la responsabilidad de esa plataforma, no solo descargar un checkpoint.
Open-weight no es sinónimo de open source
Los pesos de Scout se descargan públicamente después de aceptar la Llama 4 Community License, pero esa licencia no es Apache 2.0 ni una licencia OSI. Incluye condiciones de uso para organizaciones que superen los 700 millones de usuarios activos mensuales.
Para una startup o una empresa, la revisión de licencia debe formar parte del diseño de adopción junto con seguridad, evaluación y privacidad. El modelo puede ser técnicamente adecuado y aun así no ser compatible con la distribución, el producto o la escala proyectada.
Entradas
- Texto multilingüe
- Imágenes
Fusión temprana
- Representación multimodal
- Embeddings compartidos
Cómputo MoE
- 16 expertos
- 17B activos / 109B totales
Salida
- Texto y código
- Contexto de hasta 10M tokens
Texto e imágenes se integran temprano en la representación del modelo. Los bloques transformer enrutan cada token hacia expertos seleccionados antes de producir texto o código multilingüe.
Criterio de adopción: Llama 4 Scout es una alternativa open-weight potente para casos multimodales y de contexto largo, siempre que el equipo valide calidad en su dominio, planifique infraestructura y revise las obligaciones de su licencia comunitaria.