Llama 4 家族：Scout 与 Maverick 的技术定位

2025 年 4 月，Meta 正式发布 Llama 4 系列，旗舰为两款差异化产品——Scout（170 亿参数激活 / 1090 亿参数总量，16 个专家混合架构 MoE）和 Maverick（170 亿参数激活 / 4000 亿参数总量，128 个专家）。与前代 Llama 3.x 的稠密 Transformer 相比，Llama 4 全面转向 MoE，每次推理仅激活部分参数，在相同算力下显著提升吞吐效率。[1]

从基准测试数据看，Scout 在 MMLU 上约达 88%，在 MATH 数学推理集上约达 70%；Maverick 则在多模态任务（图文理解、长文本摘要）上进一步提升，接近但尚未完全超越 GPT-4o 的整体水平。[2] 值得注意的是，Meta 官方公布数据与第三方复现结果之间存在一定差距——这在模型发布生命周期中属常见现象，投资者在解读基准数字时应保留合理折扣。

模型 参数量（激活/总量） 架构 MMLU（估算） 开源许可 上下文窗口
Llama 4 Scout 17B / 109B MoE（16 专家） ~88% Llama 4 Community（可商用） 10M tokens
Llama 4 Maverick 17B / 400B MoE（128 专家） ~90%（估算） Llama 4 Community（可商用） 1M tokens
GPT-4.5（OpenAI） 未披露 稠密 Transformer（推测） ~90%（官方） 闭源 API 128K tokens
Gemini 2.0 Pro 未披露 未披露 ~89%（官方） 闭源 API 2M tokens

数据来源：Meta 官方技术报告、OpenAI 模型卡片、第三方 LMSYS Chatbot Arena；部分数字为估算，仅供参考。[1][2][3]

企业自部署经济模型：成本优势量化

开源大模型最核心的商业价值在于将按 token 付费的 API 支出转换为可摊薄的基础设施资本支出。以一家中型企业每月调用 10 亿 tokens 为基准场景，进行成本对比估算：

方案 单价估算 月均费用（10亿tokens） 年化费用 备注
GPT-4.5 API（输入） $75 / 1M tokens（估算） ~$75,000 ~$900,000 闭源，无法微调核心权重
Claude 3.7 Sonnet API $3 / 1M tokens ~$3,000 ~$36,000 闭源，数据不出云端
Llama 4 Scout 自部署（8×H100） 硬件折旧+电力，约$0.3-0.8/1M tokens（估算） ~$500-800 ~$6,000-9,600 数据完全私有，支持全参数微调
Llama 4 Scout 云端托管（推断服务商） $0.5-1.2 / 1M tokens（Together AI 等） ~$500-1,200 ~$6,000-14,400 无需自建运维，数据留在指定云

上述自部署成本为估算，受 GPU 利用率、电价、运维人力影响较大，实际场景可能有较大出入。[4]

核心结论：在 token 消耗量达到一定规模后，Llama 4 Scout 的自部署总拥有成本（TCO）可比 GPT-4.5 API 低 90% 以上。这一经济差距对金融、医疗、法律等数据敏感行业尤为显著——这些行业本就有合规驱动的私有化部署需求，开源模型同时满足了成本优化与数据主权两个诉求。

需要提示的风险是：自部署存在工程成本、模型维护、安全合规等隐性支出。对于规模较小或 AI 能力积累不足的企业，看似便宜的开源路线实际总成本未必低于 API 方案。

开源策略：护城河还是公益？

Meta 开源 Llama 系列的动机，市场存在两种解读：一是真正的技术民主化理念；二是竞争性开源——通过拉平基础模型能力，削弱 OpenAI、Google 在模型层的差异化，将战场转移到 Meta 真正具备优势的生态层（广告系统、社交数据、硬件终端）。

从战略逻辑看，后者更具说服力。Meta 的商业模式依赖于广告变现，其核心资产是 Facebook/Instagram/WhatsApp 的 30 亿+月活用户及随之积累的行为数据。大模型能力本身并非 Meta 的变现入口，但它是：

  • AI 广告系统的引擎：Llama 4 被深度集成进广告创意生成、受众建模、实时出价系统，直接提升广告 ROAS（广告支出回报率）；
  • Meta AI 助手的底座：截至 2025 年底，Meta AI 月活用户已突破 6 亿，是全球最大的 AI 助手产品之一；[5]
  • Ray-Ban 智能眼镜的核心算法：硬件与模型深度绑定，构建 AI 硬件生态。

换言之，Meta 将基础模型作为成本中心开源，从而在上层的利润中心——广告、硬件、生态——中收割价值。这一策略的副产品是：大量企业客户采用 Llama 自部署，形成与 Meta 技术体系的深度绑定，未来围绕企业服务（微调支持、安全合规工具、模型托管）存在商业化空间。

对比分析：开源护城河的边界

Llama 4 的开源策略并非没有边界。以下几点值得机构投资者审慎评估：

1. 许可证条款的灰色地带：Llama 4 采用 Community License，允许商业使用，但对月活用户超过 7 亿的服务商（如微软、Google）设有额外条款限制，实质上将最大竞争对手排除在免费午餐之外。[1]

2. 能力差距仍存在：在代码生成、长链推理、函数调用稳定性等企业高价值场景，GPT-4.5 和 Claude 3.7 目前仍领先——尤其是 OpenAI 的 Codex 系列和 Anthropic 的工具调用能力，在实际工程落地中反馈更优。Llama 4 的优势集中于成本敏感、文本生成密集的场景。

3. 微调与 RAG 的工程门槛：开源模型的成本优势需以大量工程投入为前提。Meta 尚未提供像 OpenAI Fine-tuning API 那样成熟的托管微调服务，企业端的部署摩擦成本不可忽视。

4. 安全与合规的未知风险：Llama 4 的安全对齐相比 Anthropic Claude 透明度更低，在高监管行业（金融、医疗）的合规风险仍有待评估。

财务视角：AI 投入与变现的时间差

Meta 2025 年资本支出指引约为 600-650 亿美元，其中 AI 基础设施占据主导，较 2024 年的约 380 亿美元大幅提升。[6] 与此同时，Meta 2025 年全年营收约为 1800 亿美元（估算，基于管理层指引），净利润率约 35-40%——在科技巨头中属顶层水平。

AI 投入对 Meta 财务模型的影响体现在两个层面：短期，高 capex 带来折旧压力，对 GAAP 利润率有约 2-3 个百分点的稀释（估算）；中期，AI 广告系统的效率提升直接体现在 ARPU（每用户平均收入）的增长，2024 年 Q4 Meta 的广告 ARPU 同比增长约 14%，部分可归因于 AI 系统升级。[6]

值得关注的是，Llama 开源本身对 Meta 直接财务贡献有限——真正的变现路径仍是广告。投资者若将 Meta 定价为 AI 模型公司，需谨慎区分基础模型能力提升与广告变现路径之间的传导链条。

Q：Llama 4 开源是否意味着 Meta 放弃了模型商业化？

并非如此。Meta 的商业化路径是模型开源加生态变现。开源是吸引开发者生态、降低竞争对手护城河、推动自身底层技术成为行业标准的策略工具。Meta 真正的商业变现依赖广告系统中的 AI 应用、Meta AI 助手产品，以及未来可能的企业服务（如 Llama API 付费微调、安全合规工具包）。

Q：Llama 4 自部署是否真的比 GPT-4.5 API 便宜 90%？

在 token 消耗规模足够大（通常月均 5 亿 tokens 以上）的场景下，单纯的推理成本确实可实现 90% 以上的节省。但完整的 TCO 需纳入 GPU 采购/租赁成本、工程师人力、运维保障、安全合规工具等隐性支出。对于中小规模企业，实际节省比例可能在 50-70% 区间（估算），而非宣传口径的 90%+。

Q：Meta AI 月活 6 亿是否可以直接与 ChatGPT 比较？

不宜直接对比。Meta AI 的 6 亿月活是基于其已有的 Facebook/Instagram/WhatsApp 流量入口自然分发的，用户深度使用粘性（如付费转化率、日均对话轮次）与 ChatGPT 付费用户基础存在结构性差异。这个数字更多反映分发渠道优势，而非产品力的胜出。

Q：Llama 4 是否会在企业市场替代 GPT-4.5？

部分替代已在发生，但全面替代在中短期内概率较低。GPT-4.5 在工具调用稳定性、长链任务规划、代码生成等企业核心场景仍具优势，加之 OpenAI 的企业销售、合规认证、SLA 保障体系相对成熟。Llama 4 更可能在成本敏感、文本密集、私有化部署诉求强的特定场景形成替代，而非全面夺取企业 AI 预算。

Q：Meta 高 capex 是否会持续压制利润率？

这是目前市场分歧最大的议题之一。管理层认为 AI 投入将在 2-3 年内通过广告效率提升实现回报，但折旧周期与变现节奏的错配在财报层面会持续体现。2026 年若 AI 广告 ARPU 提升加速，capex 压力将被更好消化；若宏观广告支出下滑，高 capex 对利润率的侵蚀将更为显著。

参考来源：[1] Meta AI, Llama 4 Technical Report, April 2025. [2] LMSYS Chatbot Arena Leaderboard, May 2025, lmsys.org/blog. [3] OpenAI, GPT-4.5 System Card, February 2025, openai.com. [4] Together AI Pricing Documentation, together.ai, accessed June 2026. [5] Meta Platforms Q4 2025 Earnings Call Transcript, January 2026. [6] Meta Platforms 2025 Annual Report (Form 10-K), February 2026, investor.fb.com.

免责声明：本文为基于公开资料的市场观察与分析，不构成任何投资建议、买卖推荐或目标价预测。投资者应独立判断、自行承担风险。

站内延伸阅读

如果要把这篇文章放回 m8 的研究框架，可以继续沿着以下入口阅读：

常见问题

这篇文章属于 m8 的哪个研究入口？

这篇文章归入 美股 主线，建议先从 美股栏目 进入，再结合研究目录里的相邻专题一起看。

读完这篇后，下一步应该看什么？

优先继续看 美股文章列表、美股重点标的研究中心、美股 AI 基建 / 半导体。这些入口能把单篇事件放回市场、行业和专题框架里，减少只看一篇文章造成的信息断层。

后续最需要跟踪哪些变量？

后续重点跟踪：财报指引、AI capex、利率预期、美元流动性和估值对盈利增速的容忍度。

这篇内容可以直接当作投资建议吗？

不可以。m8 的文章用于整理公开信息、研究框架和风险变量，不构成个股买卖建议，也不替代个人的仓位管理和风险评估。

m8 会如何更新这类主题？

如果后续出现财报、政策、订单、资金流或估值假设的关键变化，m8 会在对应栏目和专题页继续补充更新，并通过内链把新旧文章串起来。