{"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\/pt\/llama-4-scout-vs-llama-4-maverick\/","title":{"rendered":"Llama 4 Scout vs Llama 4 Maverick: Especifica\u00e7\u00f5es, Pre\u00e7os e Qual Escolher (2026)"},"content":{"rendered":"<p>A Meta lan\u00e7ou <strong>Llama 4 Scout<\/strong> e <strong>Llama 4 Maverick<\/strong> no mesmo dia \u2014 5 de abril de 2025 \u2014 e \u00e9 f\u00e1cil interpret\u00e1-los como &#8220;o pequeno&#8221; e &#8220;o grande&#8221;. Essa interpreta\u00e7\u00e3o est\u00e1 equivocada no aspecto que mais importa para sua conta. Ambos os modelos ativam <strong>exatamente 17 bilh\u00f5es de par\u00e2metros por token<\/strong>. O que difere \u00e9 o tamanho do grupo de especialistas do qual esses 17 bilh\u00f5es s\u00e3o selecionados: 16 especialistas no Scout e 128 no Maverick. Todo o restante \u2014 a diferen\u00e7a de pre\u00e7o, a diferen\u00e7a de hardware, a diferen\u00e7a nos benchmarks \u2014 decorre dessa \u00fanica escolha arquitetural.<\/p>\n<p>Isso tamb\u00e9m significa que a intui\u00e7\u00e3o habitual de que &#8220;modelo maior = respostas melhores&#8221; deixa de valer aqui. O Maverick tem 3,7\u00d7 mais par\u00e2metros no total, mas n\u00e3o apresenta desempenho 3,7\u00d7 superior, e em alguns benchmarks sequer supera o Scout. Abaixo est\u00e1 a compara\u00e7\u00e3o completa lado a lado, fundamentada no cart\u00e3o t\u00e9cnico publicado pela Meta e nos pre\u00e7os reais dos provedores \u2014 incluindo a especifica\u00e7\u00e3o mais citada e, na pr\u00e1tica, efetivamente indispon\u00edvel.<\/p>\n<div class=\"convly-tldr\">\n<h3>Principais conclus\u00f5es<\/h3>\n<ul>\n<li><strong>Mesmo n\u00famero de par\u00e2metros ativos, diferentes grupos de especialistas.<\/strong> Scout: 109 bilh\u00f5es de par\u00e2metros no total \/ 17 bilh\u00f5es ativos distribu\u00eddos entre 16 especialistas. Maverick: 400 bilh\u00f5es de par\u00e2metros no total \/ 17 bilh\u00f5es ativos distribu\u00eddos entre 128 especialistas. O custo computacional de infer\u00eancia por token \u00e9 quase id\u00eantico; a pegada de mem\u00f3ria n\u00e3o \u00e9.<\/li>\n<li><strong>Os 10 milh\u00f5es de tokens de contexto do Scout s\u00e3o reais, mas \u00e9 quase certo que voc\u00ea n\u00e3o conseguir\u00e1 alug\u00e1-los.<\/strong> A Meta treinou o Scout para 10 milh\u00f5es de tokens. Provedores hospedados oferecem entre 128 mil e ~1,3 milh\u00e3o. Os 10 milh\u00f5es completos exigem hospedagem pr\u00f3pria e um cache KV enorme.<\/li>\n<li><strong>A vantagem do Maverick concentra-se em racioc\u00ednio e programa\u00e7\u00e3o.<\/strong> GPQA Diamond +12,6 pontos, LiveCodeBench +10,6. Em compreens\u00e3o de documentos, ambos t\u00eam desempenho equivalente \u2014 DocVQA \u00e9 94,4 para os dois.<\/li>\n<li><strong>O Scout custa aproximadamente 2,3\u00d7 menos em uma base mista<\/strong> (US$ 0,15 versus US$ 0,35 por 1 milh\u00e3o de tokens mistos, numa propor\u00e7\u00e3o entrada:sa\u00edda de 3:1).<\/li>\n<li><strong>\u00c9 no hardware local que eles realmente se diferenciam.<\/strong> O Scout cabe em um \u00fanico H100 de 80 GB com quantiza\u00e7\u00e3o de 4 bits; o Maverick requer cerca de 240 GB com quantiza\u00e7\u00e3o de 4 bits e um host completo com 8 GPUs em FP8.<\/li>\n<li><strong>Considere o famoso \u00edndice de 1417 no LMArena do Maverick como inv\u00e1lido.<\/strong> Esse valor foi obtido a partir de uma variante experimental de chat ainda n\u00e3o lan\u00e7ada, e n\u00e3o dos pesos dispon\u00edveis para download.<\/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-6ab59759e50c7\" class=\"ez-toc-cssicon-toggle-label\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Alternar<\/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-6ab59759e50c7\"  aria-label=\"Alternar\" \/><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\/pt\/llama-4-scout-vs-llama-4-maverick\/#The_30-second_version\" >Vers\u00e3o de 30 segundos<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/convly.ai\/pt\/llama-4-scout-vs-llama-4-maverick\/#Architecture_one_knob_two_very_different_models\" >Arquitetura: um \u00fanico par\u00e2metro ajust\u00e1vel, dois modelos muito distintos<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/convly.ai\/pt\/llama-4-scout-vs-llama-4-maverick\/#Context_window_10M_on_paper_far_less_in_practice\" >Janela de contexto: 10 milh\u00f5es na teoria, muito menos na pr\u00e1tica<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/convly.ai\/pt\/llama-4-scout-vs-llama-4-maverick\/#Benchmarks_where_the_extra_291B_parameters_show_up\" >Benchmarks: onde os 291 bilh\u00f5es adicionais de par\u00e2metros se manifestam<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/convly.ai\/pt\/llama-4-scout-vs-llama-4-maverick\/#Local_hardware_VRAM_at_FP16_FP8_and_4-bit\" >Hardware local: VRAM em FP16, FP8 e 4 bits<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/convly.ai\/pt\/llama-4-scout-vs-llama-4-maverick\/#API_pricing_across_providers\" >Pre\u00e7os das APIs entre provedores<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/convly.ai\/pt\/llama-4-scout-vs-llama-4-maverick\/#What_this_actually_costs\" >Qual \u00e9 o custo real disso<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/convly.ai\/pt\/llama-4-scout-vs-llama-4-maverick\/#Licensing_read_the_EU_clause_before_you_build\" >Licenciamento: leia a cl\u00e1usula relativa \u00e0 UE antes de desenvolver seu produto<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/convly.ai\/pt\/llama-4-scout-vs-llama-4-maverick\/#Which_should_you_pick\" >Qual escolher?<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/convly.ai\/pt\/llama-4-scout-vs-llama-4-maverick\/#Frequently_asked_questions\" >Perguntas frequentes<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-11\" href=\"https:\/\/convly.ai\/pt\/llama-4-scout-vs-llama-4-maverick\/#Bottom_line\" >Conclus\u00e3o<\/a><\/li><li class='ez-toc-page-1'><a class=\"ez-toc-link ez-toc-heading-12\" href=\"https:\/\/convly.ai\/pt\/llama-4-scout-vs-llama-4-maverick\/#Related_articles\" >Artigos relacionados<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"The_30-second_version\"><\/span>Vers\u00e3o de 30 segundos<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Escolha <strong>Scout<\/strong> se voc\u00ea estiver trabalhando com documentos longos, recupera\u00e7\u00e3o de informa\u00e7\u00f5es, sumariza\u00e7\u00e3o, OCR ou extra\u00e7\u00e3o de gr\u00e1ficos e formul\u00e1rios \u2014 ou qualquer tarefa de alto volume em que o custo por token se acumule \u2014 e especialmente se desejar hospedar localmente em uma \u00fanica GPU. Escolha <strong>Maverick<\/strong> se sua carga de trabalho for genuinamente limitada por racioc\u00ednio ou programa\u00e7\u00e3o, onde sua lideran\u00e7a de dois d\u00edgitos nos benchmarks GPQA Diamond e LiveCodeBench justifica o hardware adicional e o custo extra. Para a maioria dos fluxos de trabalho envolvendo documentos e extra\u00e7\u00e3o, pagar 2,3\u00d7 mais pelo Maverick praticamente n\u00e3o traz ganhos mensur\u00e1veis.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Architecture_one_knob_two_very_different_models\"><\/span>Arquitetura: um \u00fanico par\u00e2metro ajust\u00e1vel, dois modelos muito distintos<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ambos os modelos s\u00e3o transformadores do tipo mixture-of-experts (mistura de especialistas) que utilizam o que a Meta chama de <em>fus\u00e3o precoce<\/em> para multimodalidade nativa \u2014 tokens de imagem e texto entram no mesmo backbone, em vez de serem acoplados por um adaptador visual separado. Ambos aceitam texto e imagens e geram apenas texto. Ambos t\u00eam corte de conhecimento em agosto de 2024.<\/p>\n<p>A diverg\u00eancia est\u00e1 no roteador. O Scout seleciona entre 16 especialistas, enquanto o Maverick seleciona entre 128. Como apenas 17 bilh\u00f5es de par\u00e2metros s\u00e3o ativados por token, em qualquer dos dois casos, os custos computacionais s\u00e3o aproximadamente iguais <em>por token<\/em> \u2014 contudo, cada especialista deve estar residente na mem\u00f3ria, independentemente de ser ou n\u00e3o ativado em determinado token. \u00c9 por isso que o Maverick consome 3,7\u00d7 mais mem\u00f3ria que o Scout, embora seja apenas marginalmente mais lento por token, e tamb\u00e9m \u00e9 por isso que um modelo esparso de 400 bilh\u00f5es pode ser disponibilizado a pre\u00e7os que seriam imposs\u00edveis para um modelo denso de 400 bilh\u00f5es.<\/p>\n<p>Uma diferen\u00e7a digna de nota: o Scout foi treinado com cerca de 40 trilh\u00f5es de tokens, enquanto o Maverick foi treinado com cerca de 22 trilh\u00f5es. O Scout viu mais dados distribu\u00eddos entre menos especialistas; o Maverick viu menos dados distribu\u00eddos entre muitos mais especialistas. Isso ajuda a explicar por que o Scout se mant\u00e9m competitivo em tarefas que exigem amplitude de conhecimento e compreens\u00e3o de documentos, mas fica atr\u00e1s em racioc\u00ednio avan\u00e7ado.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Context_window_10M_on_paper_far_less_in_practice\"><\/span>Janela de contexto: 10 milh\u00f5es na teoria, muito menos na pr\u00e1tica<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Este \u00e9 o n\u00famero mais citado \u2014 e mais enganoso \u2014 do lan\u00e7amento do Llama 4. A Meta anuncia uma janela de contexto &#8220;lideran\u00e7a do setor de 10 milh\u00f5es de tokens&#8221; para o Scout, alcan\u00e7ada por meio de um design de aten\u00e7\u00e3o entrela\u00e7ada sem embeddings posicionais. J\u00e1 o Maverick \u00e9 lan\u00e7ado com 1 milh\u00e3o.<\/p>\n<p>A ressalva: <strong>praticamente nenhum provedor hospedado oferece 10 milh\u00f5es.<\/strong> Na pr\u00e1tica, os limites s\u00e3o os seguintes: Groq em torno de 128 mil\u2013131 mil, DeepInfra em torno de 320 mil, Together em torno de 328 mil, Fireworks aproximando-se de 1 milh\u00e3o e OpenRouter listando o Scout com 1.310.720 tokens, mas com limite de conclus\u00e3o de 16.384 tokens. Para usar efetivamente 10 milh\u00f5es de tokens, \u00e9 necess\u00e1rio hospedar localmente, e ent\u00e3o voc\u00ea enfrenta a verdadeira restri\u00e7\u00e3o: o cache KV. Em profundidades de v\u00e1rios milh\u00f5es de tokens, esse cache supera em tamanho os pr\u00f3prios pesos do modelo \u2014 justamente por isso os provedores imp\u00f5em limites.<\/p>\n<p>Portanto, a compara\u00e7\u00e3o honesta n\u00e3o \u00e9 &#8220;10 milh\u00f5es versus 1 milh\u00e3o&#8221;. Ela \u00e9 mais pr\u00f3xima de <strong>~1,3 milh\u00e3o versus ~1 milh\u00e3o<\/strong> nas plataformas que a maioria das pessoas realmente utilizar\u00e1 \u2014 uma vantagem real do Scout, mas modesta, e n\u00e3o a diferen\u00e7a de dez vezes sugerida pela ficha t\u00e9cnica. Se voc\u00ea tiver uma demanda genu\u00edna de v\u00e1rios milh\u00f5es de tokens, reserve or\u00e7amento para hospedagem local e teste o throughput em grandes profundidades antes de se comprometer.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Benchmarks_where_the_extra_291B_parameters_show_up\"><\/span>Benchmarks: onde os 291 bilh\u00f5es adicionais de par\u00e2metros se manifestam<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Todos os valores abaixo s\u00e3o resultados oficiais publicados pela Meta para as variantes Instruct. S\u00e3o n\u00fameros de primeira m\u00e3o, portanto devem ser interpretados como indicativos, n\u00e3o definitivos.<\/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>Lacuna<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>MMLU Pro (racioc\u00ednio)<\/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 (ci\u00eancias de p\u00f3s-gradua\u00e7\u00e3o)<\/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 (programa\u00e7\u00e3o)<\/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 (racioc\u00ednio com imagens)<\/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 (teste)<\/td>\n<td>94.4<\/td>\n<td>94.4<\/td>\n<td>0.0<\/td>\n<\/tr>\n<tr>\n<td>MGSM (matem\u00e1tica multil\u00edngue)<\/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, metade do livro (ingl\u00eas \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>A forma desta tabela \u00e9 todo o argumento. A vantagem do Maverick \u00e9 <strong>grande e consistente em racioc\u00ednio, ci\u00eancia e programa\u00e7\u00e3o<\/strong> \u2014 um ganho relativo de 22% no GPQA Diamond e de 32% no LiveCodeBench. Em <strong>compreens\u00e3o de documentos e gr\u00e1ficos, ele desmorona completamente<\/strong>: 1,2 ponto no ChartQA e empate t\u00e9cnico no DocVQA.<\/p>\n<p>Se seu fluxo de trabalho envolve extra\u00e7\u00e3o de faturas, an\u00e1lise de formul\u00e1rios, OCR de recibos ou leitura de gr\u00e1ficos, os pr\u00f3prios n\u00fameros da Meta indicam que o Maverick n\u00e3o ler\u00e1 seus documentos melhor do que o Scout \u2014 e voc\u00ea pagaria cerca de 2,3\u00d7 por token para obter essa paridade. Esse \u00e9 o achado mais acion\u00e1vel deste artigo.<\/p>\n<p>Um benchmark que voc\u00ea deve ignorar totalmente: o valor amplamente divulgado de <strong>1417 ELO na LMArena<\/strong>. A Meta submeteu uma \"vers\u00e3o experimental de chat\" que nunca foi disponibilizada para download nem para acesso geral via API, e pesquisadores descobriram que suas sa\u00eddas n\u00e3o correspondiam aos pesos publicados no Hugging Face. A LMArena revisou sua pol\u00edtica em 8 de abril de 2025, exigindo que submiss\u00f5es de modelos de c\u00f3digo aberto correspondam exatamente aos pesos publicados, afirmando que a interpreta\u00e7\u00e3o da Meta das regras n\u00e3o coincidia com o que espera dos provedores de modelos. Os pesos p\u00fablicos n\u00e3o modificados obtiveram classifica\u00e7\u00e3o muito inferior. Qualquer que seja a qualidade real do Maverick em conversa\u00e7\u00e3o, 1417 n\u00e3o \u00e9 evid\u00eancia disso.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Local_hardware_VRAM_at_FP16_FP8_and_4-bit\"><\/span>Hardware local: VRAM em FP16, FP8 e 4 bits<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>A mem\u00f3ria necess\u00e1ria para os pesos corresponde simplesmente \u00e0 contagem de par\u00e2metros \u00d7 bytes por par\u00e2metro, somando-se aproximadamente 15\u201325% adicionais para o cache KV e sobrecarga de ativa\u00e7\u00f5es em comprimentos de contexto moderados. Contextos longos elevam significativamente o consumo do cache.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Precis\u00e3o<\/th>\n<th>Scout (109B)<\/th>\n<th>Maverick (400B)<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Pesos em BF16\/FP16<\/td>\n<td class=\"convly-vs-winner\">~218 GB<\/td>\n<td>~800 GB<\/td>\n<\/tr>\n<tr>\n<td>Pesos em FP8<\/td>\n<td class=\"convly-vs-winner\">~109 GB<\/td>\n<td>~400 GB<\/td>\n<\/tr>\n<tr>\n<td>Pesos em INT4<\/td>\n<td class=\"convly-vs-winner\">~55 GB<\/td>\n<td>~200 GB<\/td>\n<\/tr>\n<tr>\n<td>INT4 pr\u00e1tico (com sobrecarga)<\/td>\n<td class=\"convly-vs-winner\">~65 GB<\/td>\n<td>~240 GB<\/td>\n<\/tr>\n<tr>\n<td>Hardware m\u00ednimo realista<\/td>\n<td class=\"convly-vs-winner\">1\u00d7 H100 80 GB ou um Mac com 128 GB<\/td>\n<td>Servidor multi-GPU (4\u00d7 H100 em 4 bits)<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>A Meta afirma explicitamente que o Scout \"cabe em uma \u00fanica GPU NVIDIA H100\" com quantiza\u00e7\u00e3o INT4, e que o Maverick \"cabe em um \u00fanico host H100\" \u2014 observe a palavra <em>host<\/em>, que significa um n\u00f3 com 8 GPUs, n\u00e3o uma \u00fanica placa. Um n\u00f3 com 8\u00d7H100 fornece 640 GB, o que comporta confortavelmente o Maverick em FP8, mas <em>n\u00e3o<\/em> em BF16, onde apenas os 800 GB dos pesos j\u00e1 superam a capacidade do n\u00f3. O Maverick em precis\u00e3o total requer mem\u00f3ria equivalente \u00e0 da H200 ou dois n\u00f3s.<\/p>\n<p>Na pr\u00e1tica: o Scout \u00e9 um modelo para uso em GPU \u00fanica ou esta\u00e7\u00e3o de trabalho \u00fanica, sendo um dos mais capazes que podem ser executados em um Mac Studio com 128 GB. J\u00e1 o Maverick \u00e9 exclusivo para data centers. Use a <a href=\"\/pt\/llm-vram-calculator\/\">Calculadora de VRAM<\/a> calculadora<\/p>\n<div class=\"cmp\">\n  <table class=\"cmp-table\">\n    <thead><tr><th>Especifica\u00e7\u00f5es<\/th><th><a href=\"https:\/\/convly.ai\/pt\/model\/llama-4-scout\/\">Llama 4 Scout<\/a><\/th><th><a href=\"https:\/\/convly.ai\/pt\/model\/llama-4-maverick\/\">Llama 4 Maverick<\/a><\/th><\/tr><\/thead>\n    <tbody>\n          <tr><td class=\"cmp-spec\">Desenvolvedor<\/td><td class=\"\">Meta<\/td><td class=\"\">Meta<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Tipo<\/td><td class=\"\">Multimodal (MoE)<\/td><td class=\"\">Multimodal (MoE)<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Par\u00e2metros<\/td><td class=\"\">109B no total \/ 17B ativos (MoE)<\/td><td class=\"\">400 bilh\u00f5es no total \/ 17 bilh\u00f5es ativos (MoE)<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Janela de contexto<\/td><td class=\"cmp-win\">10 milh\u00f5es<\/td><td class=\"\">1 milh\u00e3o<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Modalidade<\/td><td class=\"\">Texto, Imagem \u2192 Texto<\/td><td class=\"\">Texto, Imagem \u2192 Texto<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Licen\u00e7a<\/td><td class=\"\">Llama 4 Community (restrita \u00e0 UE)<\/td><td class=\"\">Llama 4 Community (restrita \u00e0 UE)<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Pesos abertos<\/td><td class=\"\">\u2705 Sim<\/td><td class=\"\">\u2705 Sim<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Pre\u00e7o de entrada (US$\/1 milh\u00e3o)<\/td><td class=\"cmp-win\">$0.1<\/td><td class=\"\">$0.2<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Pre\u00e7o de sa\u00edda (US$\/1 milh\u00e3o)<\/td><td class=\"\">$0.3<\/td><td class=\"\">$0.8<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">VRAM (4 bits)<\/td><td class=\"\">~65 GB<\/td><td class=\"\">~240 GB<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">GPU m\u00ednima (local)<\/td><td class=\"\">H100 80 GB \/ Mac 128 GB<\/td><td class=\"\">Servidor multi-GPU<\/td><\/tr>\n          <tr><td class=\"cmp-spec\">Lan\u00e7ado<\/td><td class=\"\">2025<\/td><td class=\"\">2025<\/td><\/tr>\n        <\/tbody>\n  <\/table>\n\n    <div class=\"cmp-verdict\">\n    <h3>Principais diferen\u00e7as<\/h3>\n    <ul><li><strong>Custo:<\/strong> O Llama 4 Scout \u00e9 <strong>133% mais barato<\/strong> que o Llama 4 Maverick com base no custo m\u00e9dio por token.<\/li><li><strong>Contexto:<\/strong> O Llama 4 Scout supera o Maverick na janela de contexto (10 milh\u00f5es vs 1 milh\u00e3o) \u2014 ideal para documentos extensos, grandes bases de c\u00f3digo e entradas grandes em RAG.<\/li><li><strong>Abertura:<\/strong> ambos possuem pesos abertos, portanto podem ser auto-hospedados ou ajustados. Compare suas necessidades de VRAM acima para saber qual GPU pode execut\u00e1-los.<\/li><li><strong>Execute o Llama 4 Scout localmente:<\/strong> ~65 GB em 4 bits (GPU m\u00ednima: H100 80 GB \/ Mac 128 GB).<\/li><li><strong>Execute o Llama 4 Maverick localmente:<\/strong> ~~240 GB em 4 bits (servidor multi-GPU m\u00ednimo).<\/li><\/ul>\n  <\/div>\n\n    <div class=\"cmp-rec\">\n    <h3>Qual voc\u00ea deve escolher?<\/h3>\n    <p><strong>Escolha o Llama 4 Scout<\/strong> se voc\u00ea deseja um custo menor por token para cargas de trabalho de alto volume ou precisa de uma janela de contexto maior.<\/p>\n    <p><strong>Escolha o Llama 4 Maverick<\/strong> se ela se encaixar na sua pilha tecnol\u00f3gica atual ou se voc\u00ea preferir a Meta.<\/p>\n    <p class=\"cmp-tools\">\u2192 Estime custos reais no <a href=\"\/pt\/ai-api-cost-calculator\/\">Calculadora de custos de API<\/a> \u00b7 verifique o hardware local no <a href=\"\/pt\/llm-vram-calculator\/\">Calculadora de VRAM<\/a> \u00b7 navegue por todos os <a href=\"\/pt\/models\/\">30+ modelos<\/a>.<\/p>\n  <\/div>\n<\/div>\n\n<h2><span class=\"ez-toc-section\" id=\"API_pricing_across_providers\"><\/span>Pre\u00e7os das APIs entre provedores<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Nenhum dos dois modelos \u00e9 caro segundo os padr\u00f5es de ponta; ambos t\u00eam pre\u00e7os definidos como infer\u00eancia aberta de baixo custo. As tarifas abaixo s\u00e3o por 1 milh\u00e3o de tokens e mudam com frequ\u00eancia.<\/p>\n<table class=\"convly-vs\">\n<thead>\n<tr>\n<th>Provedor<\/th>\n<th>Scout, entrada\/sa\u00edda<\/th>\n<th>Maverick, entrada\/sa\u00edda<\/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 \/ $1.15<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p>A Groq merece destaque no caso do Scout: \u00e9 ligeiramente mais cara que a DeepInfra, mas oferece entrada em cache por US$ 0,055 por 1 milh\u00e3o de tokens \u2014 o que faz grande diferen\u00e7a em loops de agentes que reenviam milhares de vezes o mesmo prompt do sistema. A Parasail oferece equivalente para o Maverick por US$ 0,17.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"What_this_actually_costs\"><\/span>Qual \u00e9 o custo real disso<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Suponha uma carga de produ\u00e7\u00e3o moderada de 100 milh\u00f5es de tokens de entrada e 20 milh\u00f5es de tokens de sa\u00edda por m\u00eas, \u00e0 menor tarifa dispon\u00edvel no mercado principal:<\/p>\n<ul>\n<li><strong>Scout:<\/strong> (100 \u00d7 US$ 0,10) + (20 \u00d7 US$ 0,30) = <strong>US$ 16\/m\u00eas<\/strong><\/li>\n<li><strong>Maverick:<\/strong> (100 \u00d7 US$ 0,20) + (20 \u00d7 US$ 0,80) = <strong>US$ 36\/m\u00eas<\/strong><\/li>\n<\/ul>\n<p>Em um volume dez vezes maior, a diferen\u00e7a passa para US$ 160 vs. US$ 360 por m\u00eas. A propor\u00e7\u00e3o permanece em torno de 2,25\u20132,3\u00d7 independentemente da escala, portanto a decis\u00e3o n\u00e3o se baseia realmente em d\u00f3lares absolutos em volumes pequenos \u2014 trata-se de avaliar se a superioridade do Maverick em racioc\u00ednio e programa\u00e7\u00e3o justifica um aumento permanente de cerca de duas vezes no custo unit\u00e1rio. Fa\u00e7a seus pr\u00f3prios c\u00e1lculos na <a href=\"\/pt\/ai-api-cost-calculator\/\">Calculadora de custos de API<\/a>.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Licensing_read_the_EU_clause_before_you_build\"><\/span>Licenciamento: leia a cl\u00e1usula relativa \u00e0 UE antes de desenvolver seu produto<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Ambos os modelos s\u00e3o distribu\u00eddos sob a <strong>Llama 4 Community License Agreement<\/strong>, licen\u00e7a de c\u00f3digo aberto comercialmente utiliz\u00e1vel, mas n\u00e3o aprovada pela OSI como software livre. Duas restri\u00e7\u00f5es t\u00eam relev\u00e2ncia pr\u00e1tica. Primeiro, produtos com mais de 700 milh\u00f5es de usu\u00e1rios ativos mensais exigem licen\u00e7a espec\u00edfica negociada separadamente com a Meta. Segundo \u2014 e muito mais prov\u00e1vel de afetar voc\u00ea \u2014 a licen\u00e7a restringe o uso multimodal para entidades e indiv\u00edduos com domic\u00edlio na <strong>Uni\u00e3o Europeia<\/strong>.<\/p>\n<p>Se sua empresa est\u00e1 sediada na UE e planeja usar as capacidades visuais desses modelos, trata-se de uma quest\u00e3o jur\u00eddica que deve ser resolvida antes de escrever qualquer c\u00f3digo, n\u00e3o depois. Equipes nessa situa\u00e7\u00e3o frequentemente optam por <a href=\"\/pt\/models\/\">um modelo alternativo de c\u00f3digo aberto<\/a> com licen\u00e7a mais clara, como vers\u00f5es do Qwen ou do GLM sob licen\u00e7a Apache-2.0 ou MIT.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Which_should_you_pick\"><\/span>Qual escolher?<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<div class=\"convly-procons\">\n<div class=\"pros\">\n<h4>Escolha o Llama 4 Scout se<\/h4>\n<ul>\n<li>Sua carga de trabalho envolve documentos, OCR, formul\u00e1rios, gr\u00e1ficos ou recupera\u00e7\u00e3o \u2014 \u00e1reas em que os benchmarks mostram quase paridade<\/li>\n<li>Voc\u00ea deseja hosped\u00e1-lo localmente em uma \u00fanica H100, em um Mac com 128 GB ou em um servidor com GPU modesto<\/li>\n<li>O custo por token se acumula conforme seu volume, e voc\u00ea deseja a economia de ~2,3\u00d7<\/li>\n<li>Voc\u00ea precisa da janela de contexto mais longa dispon\u00edvel e consegue trabalhar dentro dos limites impostos pelos provedores<\/li>\n<li>Voc\u00ea est\u00e1 em fase de prototipagem e quer o modelo multimodal de c\u00f3digo aberto mais barato capaz de atender \u00e0s suas necessidades<\/li>\n<\/ul>\n<\/div>\n<div class=\"cons\">\n<h4>Escolha o Llama 4 Maverick se<\/h4>\n<ul>\n<li>Sua carga de trabalho \u00e9 genuinamente limitada pelo racioc\u00ednio \u2014 perguntas e respostas cient\u00edficas, an\u00e1lise, l\u00f3gica em m\u00faltiplas etapas<\/li>\n<li>Voc\u00ea est\u00e1 gerando ou revisando c\u00f3digo, onde a diferen\u00e7a no LiveCodeBench \u00e9 de 32% (relativa)<\/li>\n<li>Voc\u00ea j\u00e1 possui infraestrutura com m\u00faltiplas GPUs ou est\u00e1 utilizando-a via API de qualquer forma<\/li>\n<li>Voc\u00ea precisa do desempenho superior em multilinguismo e tradu\u00e7\u00e3o demonstrado nos benchmarks MGSM e MTOB<\/li>\n<li>A precis\u00e3o em problemas dif\u00edceis importa mais do que dobrar seu custo por token<\/li>\n<\/ul>\n<\/div>\n<\/div>\n<p>O caminho pragm\u00e1tico para a maioria das equipes: <strong>comece com o Scout, me\u00e7a os resultados e escalone apenas as consultas que falharem.<\/strong> Como ambos os modelos aceitam o mesmo formato de prompt e as mesmas entradas multimodais, rotear consultas dif\u00edceis para o Maverick enquanto atende a maior parte delas com o Scout exige pouca engenharia e normalmente supera a padroniza\u00e7\u00e3o em apenas um dos dois modelos.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Frequently_asked_questions\"><\/span>Perguntas frequentes<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<h3>O Llama 4 Maverick \u00e9 melhor que o Llama 4 Scout?<\/h3>\n<p>Em racioc\u00ednio e programa\u00e7\u00e3o, claramente sim \u2014 o Maverick lidera com uma vantagem de 12,6 pontos no GPQA Diamond e de 10,6 no LiveCodeBench. Em compreens\u00e3o de documentos e gr\u00e1ficos, os dois modelos ficam praticamente empatados, com pontua\u00e7\u00f5es id\u00eanticas de 94,4 no DocVQA. O termo \u2018melhor\u2019 depende inteiramente de sua carga de trabalho ser limitada pelo racioc\u00ednio ou pela extra\u00e7\u00e3o de informa\u00e7\u00f5es.<\/p>\n<h3>Posso realmente usar a janela de contexto de 10 milh\u00f5es de tokens do Llama 4 Scout?<\/h3>\n<p>N\u00e3o por meio de uma API hospedada. A Meta treinou o Scout para suportar 10 milh\u00f5es de tokens, mas os provedores oferecem entre 128 mil e cerca de 1,3 milh\u00e3o \u2014 a Groq limita-se a aproximadamente 131 mil, a DeepInfra a cerca de 320 mil e a Together a cerca de 328 mil. Alcan\u00e7ar 10 milh\u00f5es exige hospedagem pr\u00f3pria, e o cache KV nessa profundidade torna-se maior que os pr\u00f3prios pesos do modelo.<\/p>\n<h3>Quanta VRAM preciso para executar o Llama 4 Scout localmente?<\/h3>\n<p>Aproximadamente 65 GB em quantiza\u00e7\u00e3o de 4 bits, incluindo sobrecarga, o que cabe em um \u00fanico H100 de 80 GB \u2014 a Meta confirma essa configura\u00e7\u00e3o. Em FP8 s\u00e3o necess\u00e1rios cerca de 109 GB e em BF16, cerca de 218 GB. Um Mac Studio com mem\u00f3ria unificada de 128 GB consegue execut\u00e1-lo com quantiza\u00e7\u00e3o.<\/p>\n<h3>O Llama 4 Maverick pode ser executado em uma \u00fanica GPU?<\/h3>\n<p>N\u00e3o. Em 4 bits, ele requer aproximadamente 240 GB, o que equivale a cerca de quatro H100s. A afirma\u00e7\u00e3o da Meta de que ele \u2018cabe em um \u00fanico host H100\u2019 refere-se a um n\u00f3 com 8 GPUs operando em FP8, n\u00e3o a uma \u00fanica placa. Em BF16, seus 800 GB de pesos ultrapassam at\u00e9 mesmo um n\u00f3 de 8\u00d7H100 com 640 GB.<\/p>\n<h3>Quanto mais barato \u00e9 o Scout em compara\u00e7\u00e3o com o Maverick?<\/h3>\n<p>Aproximadamente 2,3\u00d7 mais barato em uma base mista de entrada-sa\u00edda de 3:1 \u2014 cerca de US$ 0,15 por 1 milh\u00e3o de tokens mistos versus US$ 0,35. Em uma carga de trabalho mensal de 100 milh\u00f5es de tokens de entrada e 20 milh\u00f5es de tokens de sa\u00edda, isso representa US$ 16 contra US$ 36.<\/p>\n<h3>Os modelos Llama 4 podem ser usados gratuitamente para fins comerciais?<\/h3>\n<p>Em grande parte, sim. A Licen\u00e7a Comunit\u00e1ria Llama 4 permite uso comercial, mas produtos com mais de 700 milh\u00f5es de usu\u00e1rios ativos mensais exigem um acordo separado com a Meta, e o uso multimodal \u00e9 restrito para entidades sediadas na Uni\u00e3o Europeia. Trata-se de um modelo com pesos abertos, n\u00e3o de c\u00f3digo aberto conforme definido pela OSI.<\/p>\n<h3>Por que a pontua\u00e7\u00e3o do Llama 4 Maverick na LMArena foi controversa?<\/h3>\n<p>A Meta submeteu uma \u2018vers\u00e3o experimental de chat\u2019 ainda n\u00e3o lan\u00e7ada, que obteve 1417 pontos ELO, mas cujas sa\u00eddas n\u00e3o correspondiam aos pesos publicamente dispon\u00edveis para download. A LMArena alterou sua pol\u00edtica em 8 de abril de 2025, exigindo que submiss\u00f5es de modelos de c\u00f3digo aberto coincidissem exatamente com os pesos publicados; o modelo sem modifica\u00e7\u00f5es obteve uma classifica\u00e7\u00e3o substancialmente inferior.<\/p>\n<h2><span class=\"ez-toc-section\" id=\"Bottom_line\"><\/span>Conclus\u00e3o<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p>Scout e Maverick s\u00e3o o mesmo mecanismo, com conjuntos de especialistas de tamanhos diferentes, e a decis\u00e3o entre eles \u00e9 incomumente clara porque os pr\u00f3prios benchmarks da Meta tra\u00e7am essa linha para voc\u00ea. O Maverick justifica seu pre\u00e7o premium em racioc\u00ednio de n\u00edvel de p\u00f3s-gradua\u00e7\u00e3o e gera\u00e7\u00e3o de c\u00f3digo, onde as diferen\u00e7as de dois d\u00edgitos s\u00e3o demasiado expressivas para serem ignoradas. J\u00e1 em compreens\u00e3o de documentos, ele n\u00e3o oferece nenhuma vantagem sobre o Scout \u2014 empatam totalmente nessa tarefa, ao mesmo tempo em que custa 2,3\u00d7 mais por token e exige um rack de data center, em vez de uma \u00fanica GPU.<\/p>\n<p>Duas ressalvas importantes: a janela de contexto de 10 milh\u00f5es de tokens anunciada para o Scout n\u00e3o \u00e9 algo que voc\u00ea possa alugar hoje \u2014 planeje com base em cerca de 1,3 milh\u00e3o de tokens, a menos que voc\u00ea esteja hospedando o modelo localmente. E o valor de 1417 na LMArena para o Maverick deve ser totalmente descartado de sua avalia\u00e7\u00e3o; ele mediu um modelo que ningu\u00e9m pode baixar. Avalie ambos os modelos com base nos benchmarks divulgados nas fichas t\u00e9cnicas e, melhor ainda, em seu pr\u00f3prio conjunto de testes \u2014 a lacuna entre o marketing dos fornecedores e os pesos efetivamente disponibilizados foi a li\u00e7\u00e3o mais marcante deste lan\u00e7amento.<\/p>\n<p><!--related-block--><\/p>\n<div class=\"convly-related\">\n<h2><span class=\"ez-toc-section\" id=\"Related_articles\"><\/span>Artigos relacionados<span class=\"ez-toc-section-end\"><\/span><\/h2>\n<ul>\n<li><a href=\"https:\/\/convly.ai\/pt\/models\/\">Banco de Dados de Modelos de IA: especifica\u00e7\u00f5es, pre\u00e7os e VRAM para mais de 40 modelos<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/pt\/llm-vram-calculator\/\">Calculadora de VRAM para LLMs: o que realmente cabe na sua GPU<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/pt\/ai-api-cost-calculator\/\">Calculadora de Custos de APIs de IA: estime seus gastos mensais<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/pt\/ai-price-performance-index-2026\/\">\u00cdndice de Pre\u00e7o-Desempenho em IA 2026<\/a><\/li>\n<li><a href=\"https:\/\/convly.ai\/pt\/self-hosting-vs-api-calculator\/\">Calculadora: Hospedagem Pr\u00f3pria vs. API<\/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\/pt\/wp-json\/wp\/v2\/posts\/1277","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/comments?post=1277"}],"version-history":[{"count":1,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/1277\/revisions"}],"predecessor-version":[{"id":2404,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/posts\/1277\/revisions\/2404"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/media\/1906"}],"wp:attachment":[{"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/media?parent=1277"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/categories?post=1277"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/convly.ai\/pt\/wp-json\/wp\/v2\/tags?post=1277"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}