{"id":1277,"date":"2026-06-23T14:45:04","date_gmt":"2026-06-23T14:45:04","guid":{"rendered":"https:\/\/convly.ai\/?p=1277"},"modified":"2026-08-26T12:38:32","modified_gmt":"2026-08-26T12:38:32","slug":"llama-4-scout-vs-llama-4-maverick","status":"publish","type":"post","link":"https:\/\/convly.ai\/de\/llama-4-scout-vs-llama-4-maverick\/","title":{"rendered":"Llama 4 Scout vs. Llama 4 Maverick: Spezifikationen, Preise &amp; Entscheidungshilfe (2026)"},"content":{"rendered":"<p>Meta ver\u00f6ffentlichte <strong>Llama 4 Scout<\/strong> und <strong>Llama 4 Maverick<\/strong> am selben Tag \u2013 dem 5. April 2025 \u2013 und es liegt nahe, sie als \u201edie kleine\u201c und \u201edie gro\u00dfe\u201c Variante zu verstehen. Doch diese Sichtweise ist in Bezug auf Ihre Rechnung falsch. Beide Modelle aktivieren <strong>genau 17 Milliarden Parameter pro Token<\/strong>. Unterschiedlich ist lediglich die Gr\u00f6\u00dfe des Expertenpools, aus dem diese 17 Mrd. Parameter gezogen werden: 16 Experten bei Scout, 128 bei Maverick. Alle anderen Unterschiede \u2013 die Preis-Differenz, der Hardware-Aufwand, die Benchmark-Ergebnisse \u2013 ergeben sich unmittelbar aus dieser einen architektonischen Entscheidung.<\/p>\n<p>Das bedeutet auch, dass die \u00fcbliche Intuition \u201egr\u00f6\u00dferes Modell, bessere Antworten\u201c hier versagt. Maverick umfasst insgesamt 3,7-mal mehr Parameter, liefert aber keineswegs 3,7-mal bessere Ergebnisse; bei einigen Benchmarks schneidet es sogar nicht besser ab. Im Folgenden finden Sie den vollst\u00e4ndigen direkten Vergleich, basierend auf Meta\u2019s offizieller Modellkarte und den aktuellen Preisen der Anbieter \u2013 inklusive jener Spezifikation, die st\u00e4ndig zitiert wird, aber praktisch nicht verf\u00fcgbar ist.<\/p>\n<div class=\"convly-tldr\">\n<h3>Wichtigste Erkenntnisse<\/h3>\n<ul>\n<li><strong>Gleiche Anzahl aktiver Parameter, unterschiedliche Expertenpools.<\/strong> Scout umfasst insgesamt 109 Mrd. Parameter, davon sind 17 Mrd. pro Token aktiv \u2013 verteilt auf 16 Experten. Maverick umfasst insgesamt 400 Mrd. Parameter, davon ebenfalls 17 Mrd. pro Token aktiv \u2013 verteilt auf 128 Experten. Der Rechenaufwand pro Token ist nahezu identisch; der Speicherbedarf hingegen nicht.<\/li>\n<li><strong>Scouts 10-Mio.-Token-Kontextfenster ist real, doch Sie k\u00f6nnen es fast sicher nicht mieten.<\/strong> Meta trainierte Scout f\u00fcr 10 Millionen Tokens. Gehostete Anbieter bieten jedoch nur zwischen 128K und ca. 1,3 Mio. an. Die volle Spanne von 10 Mio. erfordert Self-Hosting sowie einen enormen KV-Cache.<\/li>\n<li><strong>Mavericks Vorteil konzentriert sich auf Schlussfolgerungsf\u00e4higkeit und Programmierung.<\/strong> GPQA Diamond +12,6 Punkte, LiveCodeBench +10,6. Bei Dokumentenverst\u00e4ndnis liegen beide Modelle gleichauf \u2013 DocVQA erreicht bei beiden 94,4.<\/li>\n<li><strong>Scout kostet bei gemischter Berechnung rund 2,3-mal weniger<\/strong> (0,15 USD gegen\u00fcber 0,35 USD pro 1 Mio. gemischter Tokens bei einem Eingabe-zu-Ausgabe-Verh\u00e4ltnis von 3:1).<\/li>\n<li><strong>Der lokale Hardware-Einsatz ist der Bereich, in dem sich beide Modelle wirklich unterscheiden.<\/strong> Scout passt bei 4-Bit-Quantisierung auf eine einzelne 80-GB-H100-GPU; Maverick ben\u00f6tigt bei 4-Bit etwa 240 GB und bei FP8 einen kompletten 8-GPU-Host.<\/li>\n<li><strong>Behandeln Sie Mavericks ber\u00fchmte LMArena-Punktzahl von 1417 als ung\u00fcltig.<\/strong> Dieser Wert stammt von einer noch nicht ver\u00f6ffentlichten experimentellen Chat-Variante, nicht von den herunterladbaren Gewichten.<\/li>\n<\/ul>\n<\/div>\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_88 counter-flat ez-toc-counter ez-toc-container-direction\">\n<label for=\"ez-toc-cssicon-toggle-item-6ab5973a48f4b\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Umschalten<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #000000;color:#000000\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #000000;color:#000000\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/label><input type=\"checkbox\"  id=\"ez-toc-cssicon-toggle-item-6ab5973a48f4b\"  aria-label=\"Umschalten\" \/><nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/convly.ai\/de\/llama-4-scout-vs-llama-4-maverick\/#The_30-second_version\" >Die 30-Sekunden-Zusammenfassung<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/de\/llama-4-scout-vs-llama-4-maverick\/#Architecture_one_knob_two_very_different_models\" >Architektur: ein einziger Parameter, zwei sehr unterschiedliche Modelle<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/de\/llama-4-scout-vs-llama-4-maverick\/#Context_window_10M_on_paper_far_less_in_practice\" >Kontextfenster: 10 Mio. auf dem Papier, deutlich weniger in der Praxis<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/de\/llama-4-scout-vs-llama-4-maverick\/#Benchmarks_where_the_extra_291B_parameters_show_up\" >Benchmarks: Wo sich die zus\u00e4tzlichen 291 Mrd. Parameter bemerkbar machen<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/de\/llama-4-scout-vs-llama-4-maverick\/#Local_hardware_VRAM_at_FP16_FP8_and_4-bit\" >Lokale Hardware: VRAM bei FP16, FP8 und 4-Bit<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/de\/llama-4-scout-vs-llama-4-maverick\/#API_pricing_across_providers\" >API-Preise bei verschiedenen Anbietern<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/de\/llama-4-scout-vs-llama-4-maverick\/#What_this_actually_costs\" >Was das tats\u00e4chlich kostet<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/de\/llama-4-scout-vs-llama-4-maverick\/#Licensing_read_the_EU_clause_before_you_build\" >Lizenzierung: Lesen Sie vor der Entwicklung den EU-Abschnitt sorgf\u00e4ltig durch<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/de\/llama-4-scout-vs-llama-4-maverick\/#Which_should_you_pick\" >Welches Modell sollten Sie w\u00e4hlen?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/convly.ai\/de\/llama-4-scout-vs-llama-4-maverick\/#Frequently_asked_questions\" >H\u00e4ufig gestellte Fragen<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/convly.ai\/de\/llama-4-scout-vs-llama-4-maverick\/#Bottom_line\" >Fazit<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-12\" href=\"https:\/\/convly.ai\/de\/llama-4-scout-vs-llama-4-maverick\/#Related_articles\" >Verwandte Artikel<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"The_30-second_version\"><\/span>Die 30-Sekunden-Zusammenfassung<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ausw\u00e4hlen <strong>Scout<\/strong> wenn Sie langdokumentenbasierte Aufgaben, Retrieval, Zusammenfassung, OCR sowie Extraktion von Diagrammen oder Formularen durchf\u00fchren \u2013 oder generell hochvolumige Anwendungen mit stark kumulierenden Kosten pro Token, insbesondere wenn Sie auf einer einzelnen GPU self-hosten m\u00f6chten. W\u00e4hlen Sie <strong>Maverick<\/strong> wenn Ihre Arbeitslast tats\u00e4chlich auf Schlussfolgerungsf\u00e4higkeit oder Programmierung ausgerichtet ist, wo sein zweistelliger Vorsprung bei GPQA Diamond und LiveCodeBench die zus\u00e4tzliche Hardware und die h\u00f6heren Kosten rechtfertigt. F\u00fcr die meisten Dokumenten- und Extraktions-Pipelines bringt die 2,3-fach h\u00f6here Bezahlung f\u00fcr Maverick nahezu keine messbaren Vorteile.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Architecture_one_knob_two_very_different_models\"><\/span>Architektur: ein einziger Parameter, zwei sehr unterschiedliche Modelle<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Beide Modelle sind Mixture-of-Experts-Transformer mit einer von Meta als <em>fr\u00fcher Fusion<\/em> bezeichneten Architektur f\u00fcr native Multimodalit\u00e4t \u2013 Bild- und Text-Token durchlaufen denselben Backbone statt \u00fcber einen separaten Vision-Adapter verbunden zu werden. Beide akzeptieren Text und Bilder und geben Text aus. Beide haben einen Wissensstand vom August 2024.<\/p>\n<p>Der Unterschied liegt im Router: Scout w\u00e4hlt aus 16 Experten, Maverick aus 128. Da bei beiden Modellen jeweils nur 17 Mrd. Parameter pro Token aktiviert werden, fallen die Kosten f\u00fcr die <em>Berechnung<\/em> pro Token nahezu identisch aus \u2013 doch jeder Experte muss im Arbeitsspeicher resident sein, unabh\u00e4ngig davon, ob er gerade aktiviert wird. Daher ben\u00f6tigt Maverick 3,7-mal so viel Speicher wie Scout, w\u00e4hrend die Verarbeitung pro Token nur marginal langsamer ist; genau das erm\u00f6glicht es, ein sparsames 400-Mrd.-Parameter-Modell zu Preisen anzubieten, die f\u00fcr ein dichtes 400-Mrd.-Parameter-Modell unm\u00f6glich w\u00e4ren.<\/p>\n<p>Ein weiterer Unterschied, der erw\u00e4hnenswert ist: Scout wurde auf rund 40 Billionen Tokens trainiert, Maverick auf rund 22 Billionen. Scout verarbeitete mehr Daten \u00fcber weniger Experten; Maverick weniger Daten \u00fcber deutlich mehr Experten. Das erkl\u00e4rt, warum Scout bei breiten Wissens- und Dokumentenaufgaben mith\u00e4lt, bei anspruchsvollen Schlussfolgerungsaufgaben jedoch zur\u00fcckbleibt.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Context_window_10M_on_paper_far_less_in_practice\"><\/span>Kontextfenster: 10 Mio. auf dem Papier, deutlich weniger in der Praxis<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Dies ist die am h\u00e4ufigsten zitierte und zugleich irref\u00fchrendste Zahl der Llama-4-Ver\u00f6ffentlichung. Meta wirbt mit einem \u201ebranchenf\u00fchrenden Kontextfenster von 10 Millionen Tokens\u201c f\u00fcr Scout, das mittels eines interleaved-Attention-Designs ohne Positions-Embeddings erreicht wird. Maverick bietet 1 Mio.<\/p>\n<p>Der Haken: <strong>Im Wesentlichen stellt kein gehosteter Anbieter 10 Mio. zur Verf\u00fcgung.<\/strong> In der Praxis sehen die Limits wie folgt aus: Groq bei rund 128K\u2013131K, DeepInfra bei rund 320K, Together bei rund 328K, Fireworks nahe 1 Mio., OpenRouter listet Scout mit 1.310.720 Tokens und einer Begrenzung von 16.384 Tokens f\u00fcr die Antwort. Um tats\u00e4chlich 10 Mio. Tokens nutzen zu k\u00f6nnen, m\u00fcssen Sie selbst hosten \u2013 und sto\u00dfen dann auf die eigentliche Einschr\u00e4nkung: den KV-Cache. Bei Tiefen im mehrmillionenbereich \u00fcbertrifft dessen Gr\u00f6\u00dfe die Modellgewichte bei weitem \u2013 genau deshalb begrenzen Anbieter ihn.<\/p>\n<p>Der ehrliche Vergleich lautet daher nicht \u201e10 Mio. vs. 1 Mio.\u201c, sondern eher <strong>~1,3 Mio. vs. ~1 Mio.<\/strong> auf den Plattformen, die die meisten Nutzer tats\u00e4chlich verwenden \u2013 ein echter, aber enger Vorteil f\u00fcr Scout, nicht die zehnfach gr\u00f6\u00dfere Differenz, die die Spezifikation suggeriert. Falls Sie eine echte Multi-Millionen-Token-Anforderung haben, planen Sie Self-Hosting ein und testen Sie Durchsatz und Leistung bei gro\u00dfer Tiefe, bevor Sie sich endg\u00fcltig festlegen.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Benchmarks_where_the_extra_291B_parameters_show_up\"><\/span>Benchmarks: Wo sich die zus\u00e4tzlichen 291 Mrd. Parameter bemerkbar machen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Alle nachfolgenden Zahlen stammen aus Meta\u2019s eigenen ver\u00f6ffentlichten Ergebnissen f\u00fcr die Instruct-Varianten. Es handelt sich um Erstpartei-Daten \u2013 interpretieren Sie sie daher als Richtwerte, nicht als endg\u00fcltige Werte.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Benchmark<\/th>\n<th>Llama 4 Scout<\/th>\n<th>Llama 4 Maverick<\/th>\n<th>L\u00fccke<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>MMLU Pro (Schlussfolgerungsf\u00e4higkeit)<\/td>\n<td>74.3<\/td>\n<td class=\"convly-vs-winner\">80.5<\/td>\n<td>+6.2<\/td>\n<\/tr>\n<tr>\n<td>GPQA Diamond (Graduierten-Naturwissenschaften)<\/td>\n<td>57.2<\/td>\n<td class=\"convly-vs-winner\">69.8<\/td>\n<td>+12.6<\/td>\n<\/tr>\n<tr>\n<td>LiveCodeBench (Programmierung)<\/td>\n<td>32.8<\/td>\n<td class=\"convly-vs-winner\">43.4<\/td>\n<td>+10.6<\/td>\n<\/tr>\n<tr>\n<td>MMMU (Bildschlussfolgerung)<\/td>\n<td>69.4<\/td>\n<td class=\"convly-vs-winner\">73.4<\/td>\n<td>+4.0<\/td>\n<\/tr>\n<tr>\n<td>MMMU Pro<\/td>\n<td>52.2<\/td>\n<td class=\"convly-vs-winner\">59.6<\/td>\n<td>+7.4<\/td>\n<\/tr>\n<tr>\n<td>MathVista<\/td>\n<td>70.7<\/td>\n<td class=\"convly-vs-winner\">73.7<\/td>\n<td>+3.0<\/td>\n<\/tr>\n<tr>\n<td>ChartQA<\/td>\n<td>88.8<\/td>\n<td class=\"convly-vs-winner\">90.0<\/td>\n<td>+1.2<\/td>\n<\/tr>\n<tr>\n<td>DocVQA (Test)<\/td>\n<td>94.4<\/td>\n<td>94.4<\/td>\n<td>0.0<\/td>\n<\/tr>\n<tr>\n<td>MGSM (mehrsprachige Mathematik)<\/td>\n<td>90.6<\/td>\n<td class=\"convly-vs-winner\">92.3<\/td>\n<td>+1.7<\/td>\n<\/tr>\n<tr>\n<td>MTOB-Halbbuch (Englisch \u2192 Kgv)<\/td>\n<td>42.2<\/td>\n<td class=\"convly-vs-winner\">54.0<\/td>\n<td>+11.8<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Die Form dieser Tabelle ist die gesamte Argumentation. Maverick\u2019s Vorteil liegt <strong>in gro\u00dfem und konstantem Ausma\u00df bei Schlussfolgern, Naturwissenschaften und Programmierung<\/strong> \u2014 ein relativer Gewinn von 22 % bei GPQA Diamond und ein relativer Gewinn von 32 % bei LiveCodeBench. Bei <strong>Dokument- und Diagrammverst\u00e4ndnis bricht er jedoch vollst\u00e4ndig zusammen<\/strong>: 1,2 Punkte bei ChartQA und ein Unentschieden bei DocVQA.<\/p>\n<p>Falls Ihre Pipeline auf Rechnungsextraktion, Formularauswertung, Beleg-OCR oder Diagrammlesung ausgerichtet ist, besagen Metas eigene Zahlen, dass Maverick Ihre Dokumente nicht besser lesen wird als Scout \u2014 und daf\u00fcr zahlen Sie etwa das 2,3-Fache pro Token. Das ist der einzige wirklich handlungsrelevante Befund hier.<\/p>\n<p>Ein Benchmark, den Sie g\u00e4nzlich ignorieren sollten: Maverick\u2019s weit verbreitete <strong>1417 LMArena-ELO<\/strong>. Meta reichte eine \u201eexperimentelle Chat-Version\u201c ein, die niemals zum Download bereitgestellt oder allgemein \u00fcber die API zug\u00e4nglich gemacht wurde; Forscher stellten fest, dass deren Ausgaben nicht mit den Gewichten auf Hugging Face \u00fcbereinstimmten. LMArena aktualisierte am 8. April 2025 seine Richtlinien dahingehend, dass f\u00fcr Open-Weight-Einreichungen eine \u00dcbereinstimmung mit den ver\u00f6ffentlichten Gewichten erforderlich ist, und erkl\u00e4rte, dass Metas Interpretation der Regeln nicht dem entspricht, was es von Modellanbietern erwartet. Die unver\u00e4nderten \u00f6ffentlichen Gewichte erreichten deutlich niedrigere Platzierungen. Welche reale Qualit\u00e4t Mavericks Konversationsf\u00e4higkeit auch immer hat \u2014 1417 ist kein Beleg daf\u00fcr.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Local_hardware_VRAM_at_FP16_FP8_and_4-bit\"><\/span>Lokale Hardware: VRAM bei FP16, FP8 und 4-Bit<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Der Speicherbedarf f\u00fcr Gewichte ergibt sich einfach aus Parameteranzahl \u00d7 Bytes pro Parameter, zuz\u00fcglich etwa 15\u201325 % f\u00fcr den KV-Cache und Aktivierungsoverhead bei moderaten Kontextl\u00e4ngen. Lange Kontexte treiben den Cache deutlich h\u00f6her.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Pr\u00e4zision<\/th>\n<th>Scout (109 Mrd.)<\/th>\n<th>Maverick (400 Mrd.)<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>BF16\/FP16-Gewichte<\/td>\n<td class=\"convly-vs-winner\">ca. 218 GB<\/td>\n<td>~800 GB<\/td>\n<\/tr>\n<tr>\n<td>FP8-Gewichte<\/td>\n<td class=\"convly-vs-winner\">ca. 109 GB<\/td>\n<td>~400 GB<\/td>\n<\/tr>\n<tr>\n<td>INT4-Gewichte<\/td>\n<td class=\"convly-vs-winner\">ca. 55 GB<\/td>\n<td>ca. 200 GB<\/td>\n<\/tr>\n<tr>\n<td>INT4 praktisch (inkl. Overhead)<\/td>\n<td class=\"convly-vs-winner\">ca. 65 GB<\/td>\n<td>ca. 240 GB<\/td>\n<\/tr>\n<tr>\n<td>Minimale realistische Hardware<\/td>\n<td class=\"convly-vs-winner\">1\u00d7 H100 mit 80 GB oder ein Mac mit 128 GB<\/td>\n<td>Multi-GPU-Server (4\u00d7 H100 im 4-Bit-Modus)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Meta stellt ausdr\u00fccklich fest, dass Scout \u201eauf einer einzigen NVIDIA-H100-GPU Platz findet\u201c, wenn Int4-Quantisierung verwendet wird, und dass Maverick \u201eauf einem einzelnen H100-Host Platz findet\u201c \u2014 beachten Sie das Wort <em>Host<\/em>, was einen 8-GPU-Knoten und nicht eine einzelne Karte bedeutet. Ein 8\u00d7H100-Knoten bietet 640 GB, was Maverick bei FP8 problemlos bew\u00e4ltigt, aber <em>nicht<\/em> bei BF16, wo allein die 800 GB Gewichte den Knoten \u00fcberschreiten. Maverick in voller Genauigkeit ben\u00f6tigt H200-Klasse-Speicher oder zwei Knoten.<\/p>\n<p>Praktisch gesehen: Scout ist ein Single-GPU- oder Single-Workstation-Modell und eines der leistungsf\u00e4higsten Modelle, die auf einem Mac Studio mit 128 GB laufen. Maverick ist ausschlie\u00dflich f\u00fcr Rechenzentren geeignet. Nutzen Sie den <a href=\"\/de\/llm-vram-calculator\/\">VRAM-Rechner<\/a> um Ihre eigene Konfiguration und Kontexttiefe zu pr\u00fcfen.<\/p>\n<div class=\"cmp\">\n  <table class=\"cmp-table\">\n    <thead><tr><th>Spezifikation<\/th><th><a href=\"https:\/\/convly.ai\/de\/model\/llama-4-scout\/\">Llama 4 Scout<\/a><\/th><th><a href=\"https:\/\/convly.ai\/de\/model\/llama-4-maverick\/\">Llama 4 Maverick<\/a><\/th><\/tr><\/thead>\n    <tbody>\n          <tr><td class=\"cmp-spec\">Entwickler<\/td><td class=\"\">Meta<\/td><td class=\"\">Meta<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Typ<\/td><td class=\"\">Multimodal (MoE)<\/td><td class=\"\">Multimodal (MoE)<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Parameter<\/td><td class=\"\">109 Mrd. insgesamt \/ 17 Mrd. aktiv (MoE)<\/td><td class=\"\">400 Mrd. insgesamt \/ 17 Mrd. aktiv (MoE)<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Kontextfenster<\/td><td class=\"cmp-win\">10 Mio.<\/td><td class=\"\">1 Mio.<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Modality<\/td><td class=\"\">Text, Bild \u2192 Text<\/td><td class=\"\">Text, Bild \u2192 Text<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Lizenz<\/td><td class=\"\">Llama 4 Community (EU-beschr\u00e4nkt)<\/td><td class=\"\">Llama 4 Community (EU-beschr\u00e4nkt)<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Offene Gewichte<\/td><td class=\"\">\u2705 Ja<\/td><td class=\"\">\u2705 Ja<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Eingabepreis (pro 1 Mio. Token in USD)<\/td><td class=\"cmp-win\">$0.1<\/td><td class=\"\">$0.2<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Ausgabepreis (pro 1 Mio. Token in USD)<\/td><td class=\"\">$0.3<\/td><td class=\"\">$0.8<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">VRAM (4-Bit)<\/td><td class=\"\">ca. 65 GB<\/td><td class=\"\">ca. 240 GB<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Mindest-GPU-Anforderung (lokal)<\/td><td class=\"\">H100 80 GB \/ Mac 128 GB<\/td><td class=\"\">Multi-GPU-Server<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Ver\u00f6ffentlicht<\/td><td class=\"\">2025<\/td><td class=\"\">2025<\/td><\/tr>\n        <\/tbody>\n  <\/table>\n\n    <div class=\"cmp-verdict\">\n    <h3>Wesentliche Unterschiede<\/h3>\n    <ul><li><strong>Kosten:<\/strong> Llama 4 Scout ist <strong>133 % g\u00fcnstiger<\/strong> als Llama 4 Maverick \u2013 bezogen auf den durchschnittlichen Preis pro Token.<\/li><li><strong>Kontext:<\/strong> Llama 4 Scout \u00fcberzeugt beim Kontextfenster (10 Mio. vs. 1 Mio.) \u2013 ideal f\u00fcr lange Dokumente, umfangreiche Codebasen und gro\u00dfe RAG-Eingaben.<\/li><li><strong>Offenheit:<\/strong> Beide Modelle verf\u00fcgen \u00fcber offene Gewichte und k\u00f6nnen daher entweder selbst gehostet oder feinjustiert werden. Vergleichen Sie oben die erforderliche VRAM-Menge, um zu ermitteln, welches Modell auf Ihrer GPU l\u00e4uft.<\/li><li><strong>Llama 4 Scout lokal ausf\u00fchren:<\/strong> ca. 65 GB im 4-Bit-Format (mindestens H100 mit 80 GB VRAM oder Mac mit 128 GB RAM).<\/li><li><strong>Llama 4 Maverick lokal ausf\u00fchren:<\/strong> ca. 240 GB im 4-Bit-Format (mindestens Multi-GPU-Server).<\/li><\/ul>\n  <\/div>\n\n    <div class=\"cmp-rec\">\n    <h3>Welches Modell sollten Sie w\u00e4hlen?<\/h3>\n    <p><strong>Llama-4-Scout w\u00e4hlen<\/strong> wenn Sie niedrigere Kosten pro Token bei Hochvolumen-Arbeitslasten ben\u00f6tigen oder ein gr\u00f6\u00dferes Kontextfenster ben\u00f6tigen.<\/p>\n    <p><strong>W\u00e4hlen Sie Llama 4 Maverick<\/strong> wenn es in Ihre bestehende Technologieumgebung passt oder Sie Meta bevorzugen.<\/p>\n    <p class=\"cmp-tools\">\u2192 Ermitteln Sie die tats\u00e4chlichen Kosten mit dem <a href=\"\/de\/ai-api-cost-calculator\/\">API-Kostenrechner<\/a> \u00b7 pr\u00fcfen Sie Ihre lokale Hardware mit dem <a href=\"\/de\/llm-vram-calculator\/\">VRAM-Rechner<\/a> \u00b7 durchsuchen Sie alle <a href=\"\/de\/models\/\">\u00fcber 30 Modelle<\/a>.<\/p>\n  <\/div>\n<\/div>\n\n<h2><span class=\"ez-toc-section\" id=\"API_pricing_across_providers\"><\/span>API-Preise bei verschiedenen Anbietern<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Keines der beiden Modelle ist nach Stand der Technik teuer; beide werden als kommerziell nutzbare Open-Weight-Inferenzmodelle positioniert. Die folgenden Preise gelten pro 1 Mio. Tokens und \u00e4ndern sich h\u00e4ufig.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Anbieter<\/th>\n<th>Scout Eingabe \/ Ausgabe<\/th>\n<th>Maverick Eingabe \/ Ausgabe<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>DeepInfra<\/td>\n<td class=\"convly-vs-winner\">$0.10 \/ $0.30<\/td>\n<td>$0.20 \/ $0.80<\/td>\n<\/tr>\n<tr>\n<td>Groq<\/td>\n<td>$0.11 \/ $0.34<\/td>\n<td>\u2014<\/td>\n<\/tr>\n<tr>\n<td>DigitalOcean<\/td>\n<td>\u2014<\/td>\n<td>$0.20 \/ $0.696<\/td>\n<\/tr>\n<tr>\n<td>NovitaAI<\/td>\n<td>$0.18 \/ $0.59<\/td>\n<td>$0.27 \/ $0.85<\/td>\n<\/tr>\n<tr>\n<td>Parasail<\/td>\n<td>\u2014<\/td>\n<td>$0.35 \/ $1.00<\/td>\n<\/tr>\n<tr>\n<td>Google Vertex<\/td>\n<td>$0.25 \/ $0.70<\/td>\n<td>$0.35 \/ $1.15<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>Groq ist bei Scout besonders erw\u00e4hnenswert: Es ist marginal teurer als DeepInfra, bietet aber zwischengespeicherte Eingaben f\u00fcr 0,055 USD pro 1 Mio. Tokens \u2014 ein entscheidender Vorteil f\u00fcr Agent-Loops, die dieselbe Systemanweisung tausendfach neu versenden. Parasail bietet das \u00e4quivalente f\u00fcr Maverick f\u00fcr 0,17 USD.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_this_actually_costs\"><\/span>Was das tats\u00e4chlich kostet<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Gehen Sie von einer moderaten Produktionslast von 100 Mio. Eingabe- und 20 Mio. Ausgabetokens pro Monat zum g\u00fcnstigsten Mainstream-Preis aus:<\/p>\n<ul>\n<li><strong>Scout:<\/strong> (100 \u00d7 0,10 USD) + (20 \u00d7 0,30 USD) = <strong>16 USD\/Monat<\/strong><\/li>\n<li><strong>Maverick:<\/strong> (100 \u00d7 0,20 USD) + (20 \u00d7 0,80 USD) = <strong>36 USD\/Monat<\/strong><\/li>\n<\/ul>\n<p>Bei zehnmal so hoher Last w\u00e4chst die Differenz auf 160 USD vs. 360 USD pro Monat. Das Verh\u00e4ltnis bleibt bei etwa 2,25\u20132,3\u00d7 unabh\u00e4ngig vom Volumen, sodass die Entscheidung nicht prim\u00e4r von absoluten Kosten bei kleinem Volumen abh\u00e4ngt \u2014 sondern davon, ob Mavericks F\u00fchrungsposition bei Schlussfolgern und Programmierung eine dauerhafte Verdopplung der St\u00fcckkosten wert ist. Berechnen Sie Ihre eigenen Zahlen im <a href=\"\/de\/ai-api-cost-calculator\/\">API-Kostenrechner<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Licensing_read_the_EU_clause_before_you_build\"><\/span>Lizenzierung: Lesen Sie vor der Entwicklung den EU-Abschnitt sorgf\u00e4ltig durch<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Beide Modelle werden unter der <strong>Llama-4-Community-Lizenzvereinbarung<\/strong>ausgeliefert, die Open-Weight und kommerziell nutzbar ist, aber keine OSI-zertifizierte Open-Source-Lizenz darstellt. Zwei Einschr\u00e4nkungen sind in der Praxis relevant. Erstens erfordern Produkte mit mehr als 700 Millionen monatlichen aktiven Nutzern eine gesonderte Lizenz, die direkt mit Meta ausgehandelt werden muss. Zweitens \u2014 und dies betrifft Sie weitaus wahrscheinlicher \u2014 beschr\u00e4nkt die Lizenz multimodale Nutzung f\u00fcr Unternehmen und Einzelpersonen mit Sitz in der <strong>Europ\u00e4ischen Union<\/strong>.<\/p>\n<p>Falls Sie ein in der EU ans\u00e4ssiges Unternehmen sind und die Vision-Funktionen nutzen m\u00f6chten, ist dies eine juristische Frage, die vor dem Schreiben des ersten Codes gekl\u00e4rt werden muss \u2014 nicht danach. Teams in dieser Lage entscheiden sich oft f\u00fcr <a href=\"\/de\/models\/\">ein alternatives Open-Weight-Modell<\/a> mit einer klareren Lizenz, wie beispielsweise eine Apache-2.0- oder MIT-lizenzierte Qwen- oder GLM-Version.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Which_should_you_pick\"><\/span>Welches Modell sollten Sie w\u00e4hlen?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<div class=\"convly-procons\">\n<div class=\"pros\">\n<h4>W\u00e4hlen Sie Llama 4 Scout, wenn<\/h4>\n<ul>\n<li>Ihre Workload Dokumente, OCR, Formulare, Diagramme oder Retrieval umfasst \u2014 dort zeigen die Benchmarks nahezu Parit\u00e4t<\/li>\n<li>Sie es auf einer einzelnen H100, einem Mac mit 128 GB oder einer moderaten GPU-Hardware selbst hosten m\u00f6chten<\/li>\n<li>Die Kosten pro Token summieren sich mit Ihrem Volumen, und Sie m\u00f6chten die etwa 2,3-fache Einsparung.<\/li>\n<li>Sie ben\u00f6tigen das l\u00e4ngste verf\u00fcgbare Kontextfenster und k\u00f6nnen innerhalb der vom Anbieter gesetzten Grenzen arbeiten.<\/li>\n<li>Sie befinden sich in der Prototyp-Phase und suchen das g\u00fcnstigste leistungsf\u00e4hige multimodale Open-Weight-Modell.<\/li>\n<\/ul>\n<\/div>\n<div class=\"cons\">\n<h4>W\u00e4hlen Sie Llama 4 Maverick, wenn<\/h4>\n<ul>\n<li>Ihre Arbeitslast tats\u00e4chlich auf Schlussfolgerung beruht \u2013 wissenschaftliche Fragen &amp; Antworten, Analyse, mehrstufige Logik.<\/li>\n<li>Sie Code generieren oder \u00fcberpr\u00fcfen, wo die L\u00fccke im LiveCodeBench 32 % betr\u00e4gt.<\/li>\n<li>Sie bereits \u00fcber eine Multi-GPU-Infrastruktur verf\u00fcgen oder diese ohnehin \u00fcber eine API nutzen.<\/li>\n<li>Sie die st\u00e4rkere multilinguale Leistung und bessere \u00dcbersetzungsf\u00e4higkeit ben\u00f6tigen, wie sie auf MGSM und MTOB gezeigt wird.<\/li>\n<li>Die Genauigkeit bei schwierigen Aufgaben ist wichtiger, als Ihre Kosten pro Token zu verdoppeln.<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<p>Der pragmatische Weg f\u00fcr die meisten Teams lautet: <strong>Beginnen Sie mit Scout, messen Sie die Leistung und leiten Sie ausschlie\u00dflich die fehlgeschlagenen Abfragen an Maverick weiter.<\/strong> Da beide Modelle dasselbe Promptformat und dieselben multimodalen Eingaben akzeptieren, ist es nur mit geringem technischem Aufwand verbunden, anspruchsvolle Abfragen an Maverick zu routen, w\u00e4hrend der Gro\u00dfteil \u00fcber Scout bedient wird \u2013 und dies schl\u00e4gt in der Regel die Standardisierung auf eines der beiden Modelle.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>H\u00e4ufig gestellte Fragen<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>Ist Llama 4 Maverick besser als Llama 4 Scout?<\/h3>\n<p>Bei Schlussfolgerung und Programmierung ja klar \u2013 Maverick liegt um 12,6 Punkte vorne bei GPQA Diamond und um 10,6 Punkte bei LiveCodeBench. Bei Dokumenten- und Diagrammverst\u00e4ndnis liegen beide Modelle praktisch gleichauf, mit identischen DocVQA-Werten von 94,4. Ob ein Modell \u201ebesser\u201c ist, h\u00e4ngt vollst\u00e4ndig davon ab, ob Ihre Arbeitslast auf Schlussfolgerung oder auf Extraktion ausgerichtet ist.<\/p>\n<h3>Kann ich wirklich den 10-Millionen-Token-Kontext von Llama 4 Scout nutzen?<\/h3>\n<p>Nicht \u00fcber eine gehostete API. Meta hat Scout f\u00fcr 10 Millionen Tokens trainiert, doch Anbieter stellen zwischen 128K und etwa 1,3 Mio. zur Verf\u00fcgung \u2013 Groq begrenzt auf rund 131K, DeepInfra auf rund 320K, Together auf rund 328K. Um die volle Spanne von 10 Mio. zu erreichen, ist Self-Hosting erforderlich; dabei wird der KV-Cache bei dieser Tiefe gr\u00f6\u00dfer als die Modellgewichte selbst.<\/p>\n<h3>Wie viel VRAM ben\u00f6tige ich, um Llama 4 Scout lokal auszuf\u00fchren?<\/h3>\n<p>Etwa 65 GB bei 4-Bit-Quantisierung inklusive Overhead \u2013 das passt auf eine einzelne 80-GB-H100-GPU; Meta best\u00e4tigt diese Konfiguration. Bei FP8 ben\u00f6tigen Sie etwa 109 GB, bei BF16 etwa 218 GB. Ein Mac Studio mit 128 GB einheitlichem Arbeitsspeicher kann das quantisierte Modell ausf\u00fchren.<\/p>\n<h3>Kann Llama 4 Maverick auf einer einzigen GPU laufen?<\/h3>\n<p>Nein. In 4-Bit ben\u00f6tigt es etwa 240 GB VRAM, was etwa vier H100-GPUs entspricht. Meta behauptet zwar, das Modell passe \u201eauf einen einzelnen H100-Host\u201c, meint damit aber einen 8-GPU-Knoten im FP8-Format \u2013 nicht eine einzelne Karte. Im BF16-Format \u00fcbersteigen die 800 GB Gewichte sogar einen 640-GB-8\u00d7H100-Knoten.<\/p>\n<h3>Wie viel g\u00fcnstiger ist Scout im Vergleich zu Maverick?<\/h3>\n<p>Rund 2,3-mal g\u00fcnstiger bei einem gemischten Verh\u00e4ltnis von Eingabe zu Ausgabe von 3:1 \u2013 also etwa 0,15 USD pro 1 Mio. gemischter Tokens gegen\u00fcber 0,35 USD. Bei einer monatlichen Arbeitslast von 100 Mio. Eingabe- und 20 Mio. Ausgabetokens bel\u00e4uft sich dies auf 16 USD gegen\u00fcber 36 USD.<\/p>\n<h3>D\u00fcrfen Llama-4-Modelle kommerziell genutzt werden?<\/h3>\n<p>\u00dcberwiegend ja. Die Llama-4-Community-Lizenz erlaubt die kommerzielle Nutzung, allerdings ben\u00f6tigen Produkte mit mehr als 700 Millionen monatlich aktiven Nutzern eine gesonderte Vereinbarung mit Meta, und die multimodale Nutzung ist f\u00fcr in der EU ans\u00e4ssige Unternehmen eingeschr\u00e4nkt. Das Modell ist open-weight, aber nicht OSI-konform offen.<\/p>\n<h3>Warum war die LMArena-Bewertung von Llama 4 Maverick umstritten?<\/h3>\n<p>Meta reichte eine noch nicht ver\u00f6ffentlichte \u201eexperimentelle Chat-Version\u201c ein, die 1417 ELO erzielte; ihre Ausgaben stimmten jedoch nicht mit den \u00f6ffentlich verf\u00fcgbaren Gewichten \u00fcberein. LMArena \u00e4nderte am 8. April 2025 seine Richtlinie dahingehend, dass bei Open-Weight-Einreichungen zwingend die ver\u00f6ffentlichten Gewichte zugrunde gelegt werden m\u00fcssen; das unver\u00e4nderte Modell erreichte daraufhin deutlich niedrigere Platzierungen.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Bottom_line\"><\/span>Fazit<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Scout und Maverick sind dieselbe Engine mit unterschiedlich gro\u00dfen Experten-Pools, und die Entscheidung zwischen ihnen f\u00e4llt ungew\u00f6hnlich klar aus, weil Metas eigene Benchmarks die Trennlinie ziehen: Maverick rechtfertigt seinen Aufpreis bei hochschulreifer Schlussfolgerung und Code-Generierung, wo zweistellige Leistungsl\u00fccken unbestreitbar sind. Bei Dokumentenverst\u00e4ndnis bringt es hingegen keinerlei Vorteil \u2013 hier liegt es exakt gleichauf mit Scout, kostet jedoch 2,3-mal so viel pro Token und erfordert statt einer einzelnen GPU einen kompletten Rechenzentrumsrack.<\/p>\n<p>Zwei Einschr\u00e4nkungen, die Sie stets im Blick behalten sollten: Die Schlagzeile \u201e10 Mio. Token Kontext\u201c bei Scout ist aktuell nicht mietbar \u2013 planen Sie stattdessen realistisch mit rund 1,3 Mio., es sei denn, Sie hosten das Modell selbst. Und die LMArena-Zahl von 1417 f\u00fcr Maverick geh\u00f6rt vollst\u00e4ndig aus Ihrer Bewertung gestrichen \u2013 sie bezieht sich auf ein Modell, das niemand herunterladen kann. Beurteilen Sie beide Modelle stattdessen anhand der offiziellen Modellkarten-Benchmarks \u2013 und noch besser: anhand Ihres eigenen Evaluations-Sets. Der Unterschied zwischen Hersteller-Marketing und tats\u00e4chlich ausgelieferten Gewichten war die zentrale Lehre dieser Launch-Veranstaltung.<\/p>\n<p><!--related-block--><\/p>\n<div class=\"convly-related\">\n<h2><span class=\"ez-toc-section\" id=\"Related_articles\"><\/span>Verwandte Artikel<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><a href=\"https:\/\/convly.ai\/de\/models\/\">Datenbank f\u00fcr KI-Modelle: Spezifikationen, Preise und VRAM f\u00fcr \u00fcber 40 Modelle<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/llm-vram-calculator\/\">LLM-VRAM-Rechner: Welches Modell passt tats\u00e4chlich auf Ihre GPU?<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/ai-api-cost-calculator\/\">KI-API-Kostenrechner: Sch\u00e4tzen Sie Ihre monatlichen Ausgaben<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/ai-price-performance-index-2026\/\">AI-Preis-Leistungs-Index 2026<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/de\/self-hosting-vs-api-calculator\/\">Selbsthosting vs. API-Rechner<\/a><\/li>\n<\/ul>\n<\/div>","protected":false},"excerpt":{"rendered":"<p>Llama 4 Scout vs Llama 4 Maverick compared: specs, API pricing, context window, VRAM and a clear verdict on which model to choose in 2026.<\/p>","protected":false},"author":1,"featured_media":1906,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[246],"tags":[395,795],"class_list":["post-1277","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-comparisons","tag-ai-model-comparison","tag-llama-4-maverick"],"_links":{"self":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/1277","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/comments?post=1277"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/1277\/revisions"}],"predecessor-version":[{"id":2404,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/posts\/1277\/revisions\/2404"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/media\/1906"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/media?parent=1277"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/categories?post=1277"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/de\/wp-json\/wp\/v2\/tags?post=1277"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}