Llama 4 de Meta : Scout, Maverick et Behemoth, les modèles à connaître

Meta veut faire de Llama 4 une démonstration de force dans la course mondiale à l’intelligence artificielle. Avec Scout, Maverick et Behemoth, le groupe ne présente pas un unique assistant conversationnel, mais une gamme de modèles aux ambitions distinctes : lire des corpus immenses, assister les utilisateurs dans des tâches variées, ou encore analyser des images et résoudre des problèmes complexes. Cette nouvelle génération doit progressivement alimenter Meta AI, l’assistant déployé dans les applications du groupe.

L’annonce intervient dans un marché où la rapidité de réponse ne suffit plus. Les grands acteurs cherchent désormais à proposer des systèmes capables de comprendre plusieurs types de contenus, de conserver le fil d’échanges longs et de mieux répondre à des demandes spécialisées. Llama 4 s’inscrit dans cette évolution, avec une promesse centrale : combiner traitement du langage, compréhension visuelle et efficacité de calcul.

Ce que Meta change avec Llama 4

Llama 4 désigne une famille de grands modèles de langage, ou LLM. Ces systèmes sont entraînés à repérer des régularités dans de très grandes quantités de données afin de produire, résumer, classer ou transformer du texte. Leur fonctionnement repose sur des paramètres, c’est-à-dire des valeurs ajustées pendant l’entraînement. Un nombre élevé de paramètres peut signaler un modèle plus vaste, mais ne garantit pas à lui seul la qualité de chaque réponse : les données, l’architecture, les méthodes d’entraînement et les évaluations comptent tout autant.

La principale évolution mise en avant par Meta est la multimodalité. Là où un modèle classique reçoit surtout du texte, les modèles de Llama 4 peuvent aussi interpréter des images. En pratique, cela ouvre la voie à des requêtes telles que l’explication d’un graphique, l’analyse d’une photographie ou la synthèse d’un document mêlant texte et visuels.

Cette orientation répond à un usage concret : dans le monde réel, les informations ne se présentent pas uniquement sous la forme d’une phrase saisie dans une fenêtre de discussion. Elles se trouvent dans des présentations, des tableaux, des captures d’écran, des rapports numérisés et des images. Une IA qui relie ces éléments peut devenir plus utile, à condition que ses réponses soient vérifiées.

Scout, Maverick et Behemoth : quelles différences ?

Les trois modèles ne poursuivent pas exactement le même objectif. Llama 4 Scout est présenté comme le modèle généraliste et économe en ressources. Llama 4 Maverick est destiné à des interactions polyvalentes, notamment l’assistance et la rédaction créative. Llama 4 Behemoth représente le modèle le plus ambitieux de la gamme, mais son statut de préversion le tient encore à l’écart d’un déploiement général.

Scout : l’enjeu des très longs contextes

La caractéristique la plus frappante de Scout est sa capacité à gérer jusqu’à 10 millions de tokens. Un token est une unité de texte manipulée par le modèle, qui peut correspondre à un mot, une partie de mot ou un signe de ponctuation. Cette limite très élevée permet, en théorie, de soumettre au modèle de vastes ensembles de documents sans devoir les découper en une multitude de requêtes.

Pour une organisation, un tel contexte peut intéresser des équipes qui travaillent sur des archives, des comptes rendus, des corpus de retours clients ou des documents techniques. Scout est ainsi présenté comme un outil pertinent pour le résumé et l’analyse d’activité utilisateur. Cela ne transforme pas pour autant le modèle en base de connaissances infaillible : il faut organiser les documents fournis, contrôler la confidentialité des données et vérifier les résultats produits.

Maverick : l’assistant polyvalent selon Meta

Maverick conserve une taille annoncée de 17 milliards de paramètres, tout en ciblant les tâches de dialogue et de création. Meta le présente comme un modèle adapté à l’assistance, à la rédaction et à la compréhension d’images. Il peut donc servir, par exemple, à reformuler un texte, préparer une première version de contenu ou commenter un visuel accompagné d’une question.

Le modèle s’est hissé à la deuxième place de la Chatbot Arena, un classement fondé sur des préférences exprimées lors de comparaisons entre assistants. Ce résultat donne un indicateur de la qualité perçue dans des échanges conversationnels, mais ne résume pas toutes les performances d’un modèle. Une position élevée dans un classement ne garantit ni l’exactitude factuelle sur un sujet précis, ni l’absence de réponses inventées.

Behemoth : le modèle le plus puissant, encore indisponible

Avec 228 milliards de paramètres, Behemoth est présenté comme le poids lourd de Llama 4. Meta lui attribue de fortes capacités d’analyse d’images et de résolution de problèmes mathématiques. Ces aptitudes visent les tâches qui demandent davantage qu’une simple reformulation de texte, notamment l’interprétation d’informations visuelles ou la recherche d’une solution structurée.

Au 8 avril 2025, ce modèle reste toutefois en version preview. Il n’est pas disponible pour un déploiement public. Il faut donc distinguer les démonstrations de capacités et les produits réellement accessibles aux développeurs ou aux entreprises. Cette différence est essentielle dans l’IA générative, où les annonces de modèles en préparation peuvent précéder de plusieurs mois leur mise à disposition effective.

Que valent les promesses de performances ?

Meta affirme, à partir de ses tests internes, que Llama 4 progresse nettement par rapport aux générations précédentes et peut rivaliser avec les modèles de Google et d’OpenAI. Ces comparaisons sont importantes pour mesurer l’ambition de la gamme, mais elles doivent être interprétées avec prudence.

Les performances d’un modèle varient selon la tâche évaluée : traduction, écriture, programmation, analyse d’images, réponse à une question factuelle ou traitement de documents longs. Elles dépendent aussi de la formulation de la demande, des consignes données au modèle et des outils éventuels qui l’entourent. Un benchmark mesure un protocole donné, à un instant donné. Il ne remplace pas un essai sur les cas d’usage concrets d’une entreprise ou d’un particulier.

Llama 4 ne mise pas sur une approche de raisonnement avancé comparable à celle de certains concurrents, tels que Gemini 2.5. Ce type de système cherche à consacrer davantage d’étapes internes à certaines questions complexes avant de formuler une réponse. L’absence de cette orientation ne signifie pas que Llama 4 est incapable de résoudre des problèmes, mais elle dessine un positionnement différent : Meta insiste avant tout sur la multimodalité, les longs contextes et l’efficacité de ses modèles.

Comment Llama 4 doit-il arriver dans Meta AI ?

Meta prévoit d’intégrer progressivement les modèles Llama 4 à Meta AI, son assistant conversationnel accessible à travers WhatsApp, Instagram, Facebook et Messenger. Pour les utilisateurs, cette intégration signifie que les capacités du modèle peuvent être proposées directement dans des services déjà utilisés au quotidien, plutôt que seulement dans une interface technique réservée aux développeurs.

Meta AI a récemment été lancé en Europe et le groupe prévoit d’utiliser ses nouveaux modèles dans 40 pays pour améliorer ses services. L’objectif est de proposer une assistance pour rechercher une information, rédiger, imaginer du contenu ou interagir avec une IA depuis les applications du groupe.

Il faut cependant éviter une confusion fréquente : utiliser Meta AI dans une application ne revient pas nécessairement à disposer d’un accès complet au modèle sous-jacent. Les fonctionnalités visibles, les langues prises en charge et les modèles effectivement mobilisés peuvent varier selon le pays, le service et l’état du déploiement. L’accès pour un utilisateur final et le droit, pour un développeur, d’intégrer un modèle à son propre produit sont deux sujets distincts.

Pourquoi les développeurs européens n’y ont-ils pas accès ?

Au moment de l’annonce, Scout et Maverick ne sont pas disponibles pour les développeurs situés en Europe. Meta précise que les droits d’utilisation de ces modèles ne sont pas accordés aux particuliers domiciliés dans l’Union européenne, ni aux entreprises dont le siège se trouve dans l’UE.

Cette restriction est particulièrement notable car Llama a suscité l’intérêt de développeurs qui souhaitent adapter les modèles à leurs propres services ou les faire fonctionner dans leur infrastructure. En pratique, une société européenne ne peut donc pas considérer Scout ou Maverick comme des briques immédiatement exploitables, même si elle suit avec intérêt les avancées techniques annoncées.

Aucune date de disponibilité en Europe n’a été annoncée au 8 avril 2025. L’incertitude dépasse le seul cas de Llama 4 : elle illustre les difficultés rencontrées par les entreprises d’IA lorsqu’elles doivent concilier déploiement international, règles locales et conditions contractuelles de leurs modèles.

Des modèles plus vastes, mais pas automatiquement plus fiables

La montée en puissance des modèles génératifs nourrit de grandes attentes, mais aussi des interrogations légitimes. Une fenêtre de contexte de plusieurs millions de tokens permet de traiter davantage d’informations dans une même requête. Elle ne garantit pas que le modèle en tirera la bonne conclusion. De même, une IA capable de commenter une image peut se tromper sur un détail, ignorer une ambiguïté ou produire une justification plausible mais fausse.

Pour réduire ces risques, les utilisateurs peuvent appliquer quelques règles simples : fournir des consignes précises, demander au modèle de signaler ses incertitudes, vérifier les données importantes et ne pas transmettre de contenus sensibles sans connaître les garanties applicables. Dans une entreprise, l’encadrement des usages, la formation des équipes et des procédures de validation sont aussi importants que le choix du modèle.

Les débats sur les données servant à entraîner les IA sont également appelés à rester centraux. La qualité, l’origine et les droits associés aux contenus utilisés pour développer ces systèmes concernent directement les créateurs, les éditeurs, les plateformes et les utilisateurs. Les progrès techniques de Llama 4 ne font donc pas disparaître les questions de transparence, de responsabilité et de confiance.

Ce qu’il faut surveiller après le lancement

Les prochaines étapes pour Llama 4 seront concrètes. Il faudra d’abord suivre la disponibilité réelle de Behemoth : ses capacités annoncées sont élevées, mais le modèle ne peut pas encore être déployé. Il faudra ensuite observer la qualité de l’intégration de Scout et Maverick dans Meta AI, notamment dans les services utilisés par des millions de personnes.

La question européenne sera tout aussi déterminante. Tant que les droits d’utilisation ne sont pas accordés aux développeurs et entreprises de l’Union européenne, une part importante de l’écosystème technologique régional restera en dehors de l’accès direct à cette nouvelle génération. Enfin, les évaluations indépendantes permettront de compléter les annonces de Meta : la vraie mesure de Llama 4 se jouera dans des usages répétés, sur des tâches diverses, et non dans les seules promesses de lancement.