Llama 4 från Meta: modellen med öppna vikter

Llama 4 är fortfarande Metas senaste modellfamilj med öppet tillgängliga vikter den 24 augusti 2026. Familjen presenterades den 5 april 2025. Den består av de publicerade varianterna Scout och Maverick. Den större lärarmodellen Behemoth presenterades men släpptes aldrig publikt.

Metas produktlinje har samtidigt bytt riktning. Den 8 april 2026 presenterade bolaget Muse Spark, Metas första stängda modell i den nya Muse-familjen och modellen bakom Meta AI. Llama 4 är alltså fortfarande den senaste öppna familjen, men inte den modell Meta leder sin konsumentassistent med.

Det är viktigt att datera båda uppgifterna. Modellutbudet förändras, och en jämförelse utan datum blir snabbt missvisande.

Vad är Llama 4?

Llama är Metas familj av grundmodeller. Llama 4 kan ta emot text och bilder och producera text och kod. Meta beskriver Scout och Maverick som autoregressiva modeller med en mixture-of-experts-arkitektur och tidig sammansmältning av text- och bildinformation.

Den officiella modellkortet anger lanseringsdatum, arkitektur, träningsdata, språk, avsedda användningar och kända begränsningar. Modellkortet är en leverantörskälla och ska läsas som Metas dokumentation av den egna produkten, inte som en oberoende jämförelse.

Familjens viktigaste egenskap är inte att den vann ett visst test vid lanseringen. Sådana rankningar åldras fort och påverkas av prompt, testdata och körmiljö. Den bestående skillnaden är att modellvikterna går att hämta och köra i en miljö som användaren väljer, inom licensens villkor.

Öppna vikter är inte samma sak som öppen källkod

Begreppen blandas ofta ihop. Öppna vikter betyder att de numeriska parametrarna som modellen använder går att hämta. Det gör det möjligt att köra modellen hos en vald molnleverantör eller i egen miljö, undersöka beteendet och anpassa den.

Det betyder inte att allt bakom modellen är öppet. Träningsdata, fullständig träningskod och hela processen för dataval och finjustering behöver inte vara publicerade. Det betyder inte heller att vikterna saknar användningsvillkor.

Llama 4 distribueras under Metas egen communitylicens, inte under en vanlig licens för fri programvara. Licensen ger omfattande rätt att använda, ändra och distribuera materialet, men ställer villkor för bland annat attribution, namngivning av härledda modeller och kommersiell användning vid mycket stor användarbas.

Organisationen behöver därför läsa licensen för det aktuella användningsfallet. Formuleringen "öppen modell" är inte en ersättning för en licensgranskning.

En särskild begränsning för EU

Metas användningspolicy för Llama 4 innehåller en särskild begränsning för multimodala modeller. Policyn anger att de rättigheter som annars ges för de multimodala modellerna inte ges till en person med hemvist i EU eller ett företag med huvudsakligt verksamhetsställe i EU. Begränsningen gäller enligt texten inte slutanvändare av en produkt eller tjänst som innehåller modellerna.

Detta är relevant för svenska organisationer eftersom Llama 4 är multimodal. Exakt vad en planerad distribution innebär behöver bedömas mot den aktuella licensen och policyn. Att en modell går att ladda ner tekniskt betyder inte att varje användning är tillåten.

Kontrollen ska göras mot den version av licensen och policyn som gäller när beslutet tas. Den här artikeln återger läget den 24 augusti 2026 och är inte juridisk rådgivning.

Scout, Maverick och Behemoth

Scout och Maverick är de två publicerade varianterna.

Meta anger i modellkortet att båda aktiverar 17 miljarder parametrar åt gången. Scout har 109 miljarder parametrar totalt och använder 16 experter. Maverick har 400 miljarder totalt och använder 128 experter.

Behemoth beskrevs som en större lärarmodell som användes för att överföra kunskap till de publicerade modellerna. Den finns inte i Metas publika nedladdningslista. Den ska därför inte beskrivas som en produkt som en organisation kan välja.

Skillnaden mellan aktiva och totala parametrar följer av mixture-of-experts. Modellen innehåller fler delar än de som används för varje enskilt textfragment. En router väljer vilka experter som ska aktiveras.

Så fungerar mixture-of-experts

I en tät språkmodell deltar samma stora uppsättning parametrar i varje steg. I en mixture-of-experts-modell finns flera expertblock, och en styrfunktion väljer en delmängd för varje token.

Det går att jämföra med ett team där olika specialister kallas in beroende på uppgiften. Liknelsen är förenklad: experterna är inte människor med tydligt namngivna yrken, och det går inte att anta att en viss expert alltid hanterar ett begripligt ämne.

Arkitekturen gör att den totala modellkapaciteten kan vara större än den del som används vid varje steg. Det kan minska beräkningen jämfört med att aktivera alla parametrar samtidigt, men den faktiska hastigheten och kostnaden beror på hårdvara, programvara, kvantisering, batchstorlek och hur experterna fördelas.

Att två varianter har lika många aktiva parametrar betyder därför inte att de alltid har samma minneskrav eller driftkostnad.

Multimodalitet med text och bild

Llama 4 använder enligt modellkortet tidig sammansmältning, vilket innebär att text- och bildinformation behandlas i samma modellflöde. Avsedda användningar omfattar bland annat bildigenkänning, resonemang om bilder, bildtexter och frågor om bildinnehåll.

En multimodal modell kan exempelvis:

• sammanfatta ett diagram tillsammans med en skriftlig fråga,
• beskriva objekt i en bild,
• läsa ett formulär och strukturera vissa fält,
• jämföra en bild med ett textkrav,
• skapa text eller kod utifrån visuellt underlag.

Förmågan ska testas på de bilder som verksamheten faktiskt använder. Ett bra resultat på fotografier säger inte att modellen läser svenska blanketter, små tabeller eller medicinska bilder korrekt.

Modellkortet anger också gränser för hur många bilder Meta testat. Om användningen går utanför dokumenterade förutsättningar behöver organisationen göra egna tester och riskkontroller.

Kontextfönster och långa dokument

Meta anger ett mycket långt maximalt kontextfönster för Scout och ett kortare men fortfarande stort fönster för Maverick. Ett maximalt fönster beskriver hur mycket information systemet tekniskt kan ta emot. Det visar inte att modellen hittar varje detalj eller drar rätt slutsats i ett långt material.

Långa kontexter skapar flera praktiska frågor:

• hur materialet väljs och ordnas,
• om viktiga delar försvinner bland irrelevant text,
• hur kostnad och svarstid påverkas,
• om behörigheter följer med när många dokument hämtas,
• hur källhänvisningar kontrolleras,
• vad som händer när dokument motsäger varandra.

För en dokumenttjänst bör testmaterialet innehålla uppgifter i början, mitten och slutet, liknande dokument och avsiktligt motsägande uppgifter. Mät om modellen hittar rätt källa och om svaret går att spåra tillbaka till den.

Ett långt fönster kan minska behovet av att dela material, men ersätter inte informationssökning, urval och kontroll.

Språkstöd och svenska

Modellkortet listar tolv fullt stödda språk. Svenska finns inte i den listan, även om Meta uppger att förträningen omfattade material från många fler språk.

Det betyder inte att modellen saknar svensk förmåga. Det betyder att svenska ligger utanför den uttryckligt stödda listan i modellkortet. En svensk organisation behöver därför testa stavning, facktermer, myndighetsspråk, böjningar och instruktionsefterlevnad på eget material.

Testet bör skilja mellan:

• förståelse av svensk indata,
• kvalitet i svensk utdata,
• korrekt återgivning av namn och siffror,
• förmåga att citera svenskt underlag,
• stabilitet mellan korta och långa dokument.

Översättning via engelska kan dölja fel och förändra juridiska eller tekniska begrepp. Bedöm slutresultatet på svenska.

Vad träningsuppgifterna säger och inte säger

Meta anger att träningsdata är en blandning av offentligt tillgängligt material, licensierat material och information från Metas produkter och tjänster, inklusive offentliga inlägg och interaktioner med Meta AI.

Den beskrivningen ger en övergripande bild men inte en fullständig förteckning över varje källa. En organisation kan därför inte härleda varje modellpåstående till en viss träningspost.

Det har två följder. För det första ska modellen inte behandlas som en databas med inbyggda källhänvisningar. För det andra behöver upphovsrätt, personuppgifter och sakriktighet bedömas i den färdiga tjänsten och för det material organisationen själv tillför.

Om svar måste kunna beläggas bör systemet hämta godkända källor och visa vilka textdelar som använts. Modellen kan fortfarande återge källan fel, så länken och originaltexten behöver kontrolleras.

Egen drift, moln eller API

Öppna vikter ger flera driftsalternativ.

Egen miljö

Organisationen laddar ner vikterna och kör dem på egen eller hyrd hårdvara som den själv styr. Det ger kontroll över version, loggning och nätverksvägar, men kräver kapacitet för drift, säkerhet, uppdateringar och övervakning.

"Egen drift" betyder inte automatiskt att data är säkra. Felaktiga behörigheter, loggar, säkerhetskopior och exponerade gränssnitt kan fortfarande läcka information.

Molntjänst med vald modell

En molnleverantör kan erbjuda den öppna modellen som hanterad tjänst. Det minskar driftarbetet men skapar ett leverantörsförhållande som behöver granskas för data, region, loggning och villkor.

Externt API

Ett API kan ge snabb start och tydlig användningsmätning. Organisationen får mindre kontroll över den underliggande miljön och behöver följa hur modellen, priset och villkoren förändras.

Jämför alternativen mot samma krav på kvalitet, kostnad, svarstid, dataflöde, återställning och kompetens. Modellvikterna är bara en del av systemet.

Anpassning och finjustering

Öppna vikter gör det möjligt att anpassa modellen. Det kan ske genom instruktioner, hämtning av verksamhetens dokument eller finjustering.

Finjustering ändrar modellens beteende med nya exempel. Metoder som LoRA anpassar en mindre uppsättning extra parametrar i stället för att träna om hela modellen. Forskningsresultaten visar att metoden kan minska resursbehovet, men säger inte att varje domän blir bättre.

Innan finjustering bör teamet fråga:

1. Kan tydligare instruktioner lösa problemet?
2. Saknar modellen kunskap som hellre bör hämtas från en aktuell källa?
3. Finns tillräckligt många granskade exempel?
4. Hur ska förbättringen mätas?
5. Kan anpassningen försämra andra uppgifter?
6. Hur tas personuppgifter och hemligheter bort ur träningsmaterialet?

Finjustering är särskilt olämplig som genväg för att stoppa in fakta som ändras ofta. Aktuella uppgifter hör bättre hemma i en kontrollerad datakälla.

Säkerhet och ansvar

Tillgång till vikterna gör det möjligt att bygga egna skydd, men ansvaret flyttas samtidigt till den som bygger tjänsten. Meta tillhandahåller användningspolicy och vissa skyddsverktyg, men de visar inte att ett visst system är säkert i en viss verksamhet.

Använd NIST:s profil för generativ AI för att strukturera testning, dokumentation, uppföljning och incidenthantering. Riskerna behöver bedömas för hela systemet, inklusive hämtning, verktyg, behörigheter och gränssnitt.

Praktiska kontroller är:

• ett definierat användningsområde,
• testdata med normala fall och undantag,
• mätning av sakfel och skadliga svar,
• begränsad åtkomst till data och verktyg,
• loggning som kan granskas,
• mänsklig överlämning vid osäkerhet,
• återtest efter modell- eller systembyte.

En modell med öppna vikter blir inte automatiskt mer transparent i sina enskilda slutsatser. Parametrarna går att inspektera tekniskt, men ett visst svar kan fortfarande vara svårt att förklara.

Så jämför du Llama med en sluten tjänst

Undvik en tabell med dagsaktuella benchmarkpoäng. Jämför i stället det som påverkar beslutet:

Kör därefter båda alternativen mot samma svenska testmaterial. Mät kvalitet, kritiska fel, kostnad per godkänd uppgift, svarstid och arbetet för drift och kontroll.

När Llama är ett rimligt val

Llama kan vara relevant när organisationen behöver:

• styra var modellen körs,
• låsa en bestämd viktfil under en period,
• göra en egen anpassning,
• bygga på ett ekosystem runt öppna vikter,
• undvika att hela lösningen är bunden till ett enda modell-API.

Det kan vara ett sämre val när teamet saknar driftkapacitet, när licensvillkoren inte passar, när svenska resultat inte når kraven eller när en hanterad tjänst ger lägre total kostnad.

Valet ska göras för ett arbetsflöde, inte för en modellfamilj i allmänhet.

Läget efter Muse Spark

Muse Spark ändrade Metas egen produktlinje. Meta beskriver modellen som nativt multimodal, med verktygsanvändning och stöd för flera samverkande agenter. Den driver Meta AI och har stängda vikter.

Det gör att två erbjudanden samexisterar:

• Llama 4 som den senaste öppna viktfamiljen,
• Muse Spark som den stängda modellen bakom Metas assistent.

Den som väljer Llama får därför inte automatiskt samma modell som används i Meta AI. Produktens namn och modellfamiljen behöver hållas isär.

Slutsats

Llama 4 är fortfarande Metas senaste familj med öppna vikter den 24 augusti 2026. Scout och Maverick är publicerade; Behemoth är inte en publik produkt. Muse Spark presenterades den 8 april 2026 och driver nu Meta AI med stängda vikter.

Llama 4 ger kontroll över viktfil, driftmiljö och anpassning, men är inte fri från licensvillkor, säkerhetsarbete eller kostnader. För svenska organisationer är EU-begränsningen för de multimodala modellerna och det icke uttryckliga svenska språkstödet särskilt viktiga att kontrollera.

Det rätta testet är därför praktiskt: läs licensen, välj ett avgränsat arbetsflöde, kör på svenskt facit och jämför hela systemets kvalitet, kostnad och dataflöde. Öppna vikter är en teknisk möjlighet. Värdet avgörs av vad organisationen kan bygga och kontrollera runt dem.