Llama-Guard-4-12B
Llama-Guard-4-12B (meta-llama, 2025) est un modèle génération d'images à 12 milliards de paramètres . Llama-Guard-4-12B is an open-weights image model with roughly 12 billion parameters.
by meta-llama · 12 milliards de paramètres
Idéal pour
Comment utiliser Llama-Guard-4-12B dans osFoundry
Connectez-vous avec votre propre clé (BYOK)
Ouvrez la fenêtre de clés et collez votre clé API meta-llama. osFoundry détecte automatiquement Llama-Guard-4-12B — assignez-le à un rôle Maestro (router, direct, orchestrator ou fallback) dans l'onglet Pipeline et il est actif dans chaque conversation. Votre clé, votre compte fournisseur — sans majoration sur les tokens.
Déployez un endpoint dédié
Llama-Guard-4-12B est en open-weights — exécutez-le localement gratuitement, ou déployez un endpoint GPU dédié dans votre espace de travail pour disposer d'une capacité réservée sans limite de débit.
Utilisez-le dans une Room App
Les Room Apps déclarent leurs fonctionnalités IA dans leur manifeste, puis les appellent via invokeAI :
import { invokeAI } from '@osfoundry/app-sdk'
// 'summarize' is an AI feature declared in your app manifest.
const result = await invokeAI('summarize', userText)
Appelez-le depuis vos propres applications
Une fois un modèle intégré à votre espace de travail, vous pouvez l'héberger en tant qu'API et l'appeler depuis vos propres services, scripts ou CI — en dehors d'osFoundry.
Utilisez Llama-Guard-4-12B via API
Llama-Guard-4-12B est également servi par des fournisseurs d'API hébergés — utilisez-le via API (BYOK) si vous préférez ne pas gérer de GPU. Cette page liste la tarification par fournisseur.
Quel matériel peut faire tourner Llama-Guard-4-12B
Llama-Guard-4-12B fonctionne sur un seul GPU grand public 16GB (~8 GB de VRAM avec marge pour le cache KV). L'inférence en pleine précision tient sur un seul H100 80GB en précision FP16 (~29 GB).
Llama-Guard-4-12B face aux modèles similaires
| Modèle | Organisation | Paramètres | Contexte | Prix en entrée | Auto-hébergement |
|---|
| Llama-Guard-4-12B | meta-llama | 12B | — | Free (local) | Oui |
| gemma-3-12b-it-GGUF | unsloth | 12B | — | Free (local) | Oui |
| pixtral-12b | mistral-experimental | 12B | — | Free (local) | Oui |
| BgGPT-Gemma-3-12B-IT | INSAIT-Institute | 12B | — | Free (local) | Oui |
Licence
Non spécifiée — Conditions de licence non spécifiées — vérifiez la fiche du modèle en amont avant tout usage commercial.
Consultez la documentation en amont.
Questions fréquentes sur Llama-Guard-4-12B
Llama-Guard-4-12B est-il gratuit à utiliser ?
Llama-Guard-4-12B est gratuit à exécuter localement sur votre propre matériel. L'accès hébergé via osFoundry est facturé à l'usage (entrée Free (local), sortie Free (local)). Vous pouvez basculer entre local et hébergé à tout moment.
Puis-je utiliser Llama-Guard-4-12B à des fins commerciales ?
L'usage commercial est autorisé sous conditions. Conditions de licence non spécifiées — vérifiez la fiche du modèle en amont avant tout usage commercial. Consultez la documentation en amont.
Combien de VRAM faut-il pour Llama-Guard-4-12B ?
Environ 8 GB en quantification Q4, ou 29 GB en pleine précision FP16. Tient sur un seul GPU grand public 24GB.
Puis-je exécuter Llama-Guard-4-12B localement ?
Oui. Llama-Guard-4-12B est en open-weights et s'exécute localement sur un GPU station de travail. Le runtime local d'osFoundry gère le chargement du modèle, la quantification et le routage.
À quoi Llama-Guard-4-12B excelle-t-il ?
Llama-Guard-4-12B convient particulièrement bien à image text to text.
Comment utiliser Llama-Guard-4-12B dans osFoundry ?
Collez votre clé API meta-llama dans la fenêtre de clés (ou déployez les open weights pour les modèles auto-hébergeables), assignez Llama-Guard-4-12B à un rôle Maestro dans l'onglet Pipeline, puis utilisez-le en chat, dans les Room Apps via invokeAI, ou dans vos propres applications.
Publié par meta-llama le 23 avril 2025. Source : https://huggingface.co/meta-llama/Llama-Guard-4-12B