Benchmarks de Llama 4: rendimiento de Scout, tamaño de Maverick y puntuaciones de programación

Un desglose sencillo de Llama 4 Scout y Maverick de Meta: número de parámetros, ventanas de contexto, puntuaciones en LiveCodeBench, MMLU Pro y GPQA, y consejos sinceros sobre qué modelo conviene para programar, documentos largos o el chat diario.

Benchmarks de Llama 4: rendimiento de Scout, tamaño de Maverick y puntuaciones de programación
Cristian Da Conceicao

Meta lanzó Llama 4 con dos modelos que en la ficha técnica parecen casi idénticos y que en la práctica se comportan de forma muy distinta. Scout y Maverick activan ambos 17 000 millones de parámetros por token, pero uno es un modelo de 109B pensado para un contexto enorme y el otro es un modelo de 400B pensado para la calidad pura. Si estás eligiendo entre ellos, o simplemente quieres saber si las cifras destacadas se sostienen, este es el desglose con los datos puestos uno al lado del otro.

Todo lo que sigue usa las puntuaciones que Meta publicó en la ficha del modelo para las versiones ajustadas a instrucciones, y señalo cuando las clasificaciones de terceros no coinciden. Los benchmarks son un punto de partida, no un veredicto, así que también explico qué dice y qué no dice cada cifra sobre el trabajo real.

La versión corta

Aquí tienes toda la historia en una tabla antes de entrar en detalles.

EspecificaciónLlama 4 ScoutLlama 4 Maverick
Parámetros totales109B400B
Parámetros activos por token17B17B
Expertos16128
Ventana de contextoHasta 10M tokensHasta 1M tokens
LiveCodeBench (0-shot)32.843.4
MMLU Pro (0-shot)74.380.5
GPQA Diamond57.269.8

El patrón es sencillo. Maverick gana en todos los benchmarks de calidad, a menudo por entre 6 y 12 puntos. Scout gana en longitud de contexto y en lo fácil que resulta alojarlo en hardware. Ninguno de los dos es la respuesta correcta para todo el mundo.

Un ingeniero de software escribiendo código en un escritorio con dos monitores desenfocados al fondo

Cifras de rendimiento de Scout

Llama 4 Scout Instruct es el hermano pequeño, y "pequeño" es relativo. Tiene 109 000 millones de parámetros en total, repartidos en 16 expertos, con solo 17 000 millones activos para cada token. Es un diseño de mezcla de expertos: el modelo envía cada token a un pequeño grupo de especialistas en lugar de activar toda la red.

Parámetros activos frente a totales

La cifra de parámetros activos determina la velocidad y el cómputo por token. La cifra total determina la memoria. Pagas por los 109B en almacenamiento, pero solo calculas con 17B a la vez. Por eso Scout puede parecer rápido para su tamaño y, aun así, necesitar una configuración de GPU seria para alojarlo. Meta afirmó que Scout cabe en una sola GPU H100 cuando se cuantiza a Int4, que es la afirmación principal para quien lo aloja por su cuenta.

La afirmación de los 10 millones de tokens

La característica de Scout de la que más se habla es una ventana de contexto de hasta 10 millones de tokens. Sobre el papel, eso basta para engullir repositorios de código completos, años de transcripciones de reuniones o una estantería de expedientes legales en un solo prompt.

Plano detallado de libros antiguos de biblioteca con un largo rollo de papel desenrollado sobre ellos

💡 Baño de realidad: algunos usuarios informaron de que, en ciertas configuraciones alojadas, la calidad efectiva empezaba a caer alrededor de los 32 000 tokens. Muchos proveedores también limitan la ventana muy por debajo de los 10M para controlar el costo de la memoria. Una ventana anunciada muy grande es un techo, no una promesa, así que prueba siempre con tus propios documentos largos.

Donde Scout se defiende

Scout obtiene un 74.3 en MMLU Pro y un 57.2 en GPQA Diamond. Son cifras respetables para un modelo de este tamaño, y valen para resumir, extraer datos, redactar borradores de atención al cliente y responder preguntas generales. Donde se queda atrás es en el razonamiento complejo y el código, y eso nos lleva al modelo grande.

Vista aérea de llamas caminando en fila india por un sinuoso sendero de montaña

El tamaño de Maverick, explicado

Llama 4 Maverick Instruct es el peso pesado de la pareja. Tiene 400 000 millones de parámetros totales y los mismos 17 000 millones activos, pero repartidos en 128 expertos en lugar de 16. Más expertos significan más especialización, y eso se refleja en las puntuaciones.

400B en el papel, 17B en ejecución

Esta es la parte que confunde a la gente. Un modelo de 400B suena diez veces más lento que uno de 40B. No lo es, porque el cómputo por token depende de los parámetros activos. Maverick genera tokens con aproximadamente el mismo costo de cómputo que Scout. Lo que cambia es la factura de memoria: necesitas espacio para guardar los 400B de pesos, aunque la mayoría esté inactiva en cada token.

Vista desde un ángulo bajo de un largo pasillo de centro de datos con filas de racks de servidores negros

Por qué importan los 128 expertos

Con 128 expertos, el enrutador tiene muchas más opciones para decidir qué especialista atiende cada token. En la práctica, esto da a Maverick mejor cobertura de temas de nicho, un manejo más sólido del código y un razonamiento de varios pasos más fiable. El modelo también añade capas densas y de expertos alternadas, que Meta atribuye a mantener la calidad alta sin disparar el costo.

La realidad del hardware

Meta describió Maverick como un modelo que cabe en un único host H100 DGX, lo que significa un servidor con ocho GPU y no una sola tarjeta. Eso deja el alojamiento propio fuera del alcance de la mayoría de aficionados. Para los demás, el acceso alojado es la opción sensata, y ahí es donde una plataforma como PicassoIA ayuda, ya que puedes usarlo desde el navegador sin tener ni una GPU.

Primer plano de una tarjeta gráfica instalada dentro de un equipo con la carcasa abierta, sobre una mesa de trabajo

Pregunta sobre el alojamientoScoutMaverick
Huella de memoriaModeradaMuy grande
¿Posible con una sola GPU?Sí, con cuantización Int4No, necesita un host con varias GPU
Velocidad por tokenRápidaRápida, cómputo activo similar
Mejor opción paraContexto largo, presupuestos más ajustadosCargas donde manda la calidad

Puntuaciones de programación cara a cara

La programación es lo que más le interesa a la mayoría de lectores, así que seré directo: Maverick es claramente el mejor programador de los dos.

Resultados en LiveCodeBench

La ficha del modelo de Meta indica 32.8 para Scout y 43.4 para Maverick en LiveCodeBench, medido con problemas publicados entre octubre de 2024 y febrero de 2025 y con prompts 0-shot. Es una diferencia de más de 10 puntos, algo grande para un benchmark de este tipo. Algunas webs de comparación de terceros sitúan a Maverick más cerca de 39.7, lo que probablemente refleja una configuración de evaluación distinta y no un modelo distinto.

Lo que la cifra significa para el trabajo real

LiveCodeBench prueba problemas de estilo competitivo: rompecabezas autocontenidos con una respuesta correcta clara. La ingeniería diaria es más desordenada. Lees código que no conoces, editas varios archivos y manejas requisitos a medio escribir. Un modelo que saca 43 en LiveCodeBench seguirá tropezando con grandes refactorizaciones, y uno que saca 32 seguirá escribiendo código repetitivo, pruebas y pequeñas utilidades perfectamente válidas.

💡 Regla práctica: usa Scout para explicar código, escribir docstrings, generar pruebas unitarias y resumir un repositorio. Usa Maverick cuando necesites una lógica correcta a la primera.

Los resultados de razonamiento lo confirman

La misma diferencia aparece en GPQA Diamond, un conjunto de preguntas de ciencia de nivel de posgrado: 57.2 para Scout frente a 69.8 para Maverick. En MMLU Pro, una versión más difícil de la clásica prueba de conocimientos, las cifras son 74.3 y 80.5. Incluso los modelos base preentrenados siguen la misma tendencia, con MMLU Pro (5-shot) en 58.2 para Scout y 62.9 para Maverick.

BenchmarkScoutMaverickDiferencia
LiveCodeBench32.843.4+10.6
MMLU Pro74.380.5+6.2
GPQA Diamond57.269.8+12.6
MMLU Pro (base, 5-shot)58.262.9+4.7

Una mujer revisando gráficos de barras impresos extendidos sobre una gran mesa de roble

Leer los benchmarks sin dejarse engañar

Las cifras de una ficha de modelo son ordenadas. El mundo real no lo es. Hay algunas cosas que conviene tener presentes antes de citar cualquiera de estas cifras para tomar una decisión.

La polémica de LMArena

Cuando se lanzó Llama 4, Meta destacó una buena posición en la clasificación del chat LMArena. Más tarde se supo que la versión probada allí era una variante experimental ajustada para chat, no la versión disponible para el público. La reacción de la comunidad fue dura y ensombreció el lanzamiento. Las fichas de los modelos en sí no están en discusión, pero el episodio es un buen recordatorio para confiar en los benchmarks que puedas reproducir.

La configuración de evaluación lo cambia todo

El mismo modelo puede puntuar varios puntos de diferencia según:

  • Número de shots: prompts zero-shot frente a five-shot
  • Plantilla del prompt: la redacción y el formato exactos que se usan
  • Ventana de fechas: LiveCodeBench incorpora problemas nuevos con el tiempo
  • Ajustes de muestreo: temperatura, número de intentos, presupuesto de razonamiento

Por eso verás la cifra de MMLU Pro de Scout citada como 74.3 en un sitio y una cifra mucho más baja en otro. Compara números solo cuando procedan de la misma configuración.

La longitud del contexto no es calidad del contexto

Una ventana de 10M es un logro de ingeniería, pero la precisión de recuperación a lo largo de esa ventana varía según la tarea. Las pruebas de aguja en un pajar son el caso fácil. Razonar sobre datos dispersos es el difícil. Trata el contexto largo como una capacidad que hay que verificar, no como una suposición.

Qué modelo de Llama 4 te conviene

Dos desarrolladores programando en pareja en un escritorio de pie en un loft luminoso

Elige Scout si

  • Trabajas con entradas muy largas, como bases de código completas, transcripciones largas o colecciones de documentos
  • Quieres un modelo más ligero de alojar y más barato de ejecutar a escala
  • Tus tareas son resumir, redactar, clasificar o responder preguntas
  • La velocidad importa más que exprimir los últimos puntos de precisión

Elige Maverick si

  • Necesitas generación de código y lógica más sólidas
  • Manejas razonamiento más difícil, preguntas técnicas o tareas de varios pasos
  • Trabajas con imágenes y texto a la vez y quieres el nivel de calidad superior
  • La calidad de la salida importa más que el costo de memoria

Considera alternativas más recientes

Llama 4 llegó en abril de 2025, y el campo ha avanzado. Si lo que buscas es liderar los benchmarks, mira también las opciones más nuevas en PicassoIA. GPT 5.6 Sol está pensado para tareas de programación exigentes, Claude Sonnet 5 es un asistente de programación sólido, Gemini 3.1 Pro gestiona prompts largos y multimodales, y Deepseek v3.1 es otra opción de mezcla de expertos de pesos abiertos que vale la pena probar. Llama 4 sigue siendo atractivo por sus pesos abiertos y su licencia flexible, pero ya no es el único nombre en la conversación.

Cómo usar Llama 4 en PicassoIA

Los dos modelos están disponibles en PicassoIA, así que puedes hacer tu propia comparación sin instalar nada. Es la forma más rápida de comprobar si la diferencia en los benchmarks importa para tus tareas.

Un diseñador joven trabajando en un equipo portátil en una mesa de cafetería iluminada por el sol

Paso a paso

  1. Abre la página del modelo. Ve a Llama 4 Scout Instruct o a Llama 4 Maverick Instruct.
  2. Escribe un prompt preciso. Indica la tarea, el formato que quieres y cualquier restricción. Para código, pega la función relevante y describe el comportamiento esperado.
  3. Ajusta los parámetros. Baja la temperatura (alrededor de 0.2 a 0.4) para código y datos, y súbela (0.7 a 0.9) para borradores creativos.
  4. Limita la longitud de la salida. Fija un máximo de tokens razonable para que las respuestas sean concretas y rápidas.
  5. Ejecútalo y compara. Envía el mismo prompt a los dos modelos y lee las salidas una al lado de la otra.

Consejos de parámetros que ayudan

  • Sé explícito con el formato. Pide "solo el código, sin explicación" o "una tabla con tres columnas" y los dos modelos lo siguen bien.
  • Divide las tareas grandes en pasos. Incluso con un contexto amplio, un prompt por etapas da resultados más fiables que una única petición enorme.
  • Usa una frase inicial de tipo sistema. Una instrucción breve de rol, como "Eres un revisor sénior y cuidadoso", afina el tono y la precisión.
  • Prueba con tus propios datos. Pega un documento real o un error real. Tu propia muestra supera a cualquier benchmark público.

💡 Prueba rápida de comparación: toma un error complicado de tu propio proyecto, pégalo en los dos modelos y pide una corrección con explicación. La diferencia en la calidad del razonamiento suele notarse en la primera respuesta.

Un flujo de trabajo sencillo

Empieza con Scout para borradores, resúmenes y exploración, porque es más ligero. Pasa a Maverick cuando la tarea exija precisión, como un algoritmo enrevesado o un informe técnico con afirmaciones exactas. Este enfoque de dos niveles mantiene la calidad alta sin abusar del modelo grande.

Veredicto final sobre las cifras

Scout y Maverick comparten el mismo tamaño activo, pero son herramientas distintas. Scout es el caballo de batalla de contexto largo, con un techo de 10M tokens, necesidades de alojamiento más ligeras y puntuaciones generales sólidas. Maverick es la opción de calidad, con un tamaño total de 400B, 128 expertos y ventajas claras en LiveCodeBench (43.4 frente a 32.8), MMLU Pro (80.5 frente a 74.3) y GPQA Diamond (69.8 frente a 57.2).

Un excursionista solitario de pie en la cima rocosa mirando un mar de nubes al atardecer

Haz tu propio benchmark hoy

El mejor benchmark es el que sale de tu propio trabajo. Abre Llama 4 Scout Instruct y Llama 4 Maverick Instruct en dos pestañas de Picasso IA, envía a ambos el mismo prompt real y mira qué respuesta usarías de verdad. Después prueba algunos de los modelos más nuevos de la colección completa de modelos, combina tu texto con imágenes y videos de los generadores de la plataforma y construye un flujo de trabajo que encaje con tu manera de crear. Empieza con un solo prompt y compara los resultados tú mismo.

Compartir este artículo

Elige tu idioma

FreeCrea imágenes y videos con IAGratis, sin tarjeta de créditoGeneraciones gratis para empezarSeedance 2.5 Lite incluidoEmpieza gratis ya