Vi presenterar "Bygga med lama 4". Den här korta kursen är skapad tillsammans med @Meta @AIatMeta och leds av @asangani7, Director of Partner Engineering för Metas AI-team. Metas nya Llama 4 har lagt till tre nya modeller och introducerat MoE-arkitekturen (Mixture-of-Experts) till sin familj av modeller med öppen vikt, vilket gör dem mer effektiva att betjäna. I den här kursen kommer du att arbeta med två av de tre nya modellerna som introducerades i Llama 4. Först ut är Maverick, en 400B parametermodell, med 128 experter och 17B aktiva parametrar. Den andra är Scout, en 109B parametermodell med 16 experter och 17B aktiva parametrar. Maverick och Scout stöder långa kontextfönster på upp till en miljon token respektive 10 miljoner token. Det senare räcker för att stödja direkt inmatning av även ganska stora GitHub-repos för analys! I praktiska lektioner kommer du att bygga appar med hjälp av Llama 4:s nya multimodala funktioner, inklusive resonemang över flera bilder och bildjordning, där du kan identifiera element i bilder. Du kommer också att använda det officiella Llama API, arbeta med Llama 4:s långkontextförmågor och lära dig om Lamas senaste verktyg med öppen källkod: dess promptoptimeringsverktyg som automatiskt förbättrar systemuppmaningar och syntetiskt datakit som genererar högkvalitativa datauppsättningar för finjustering. Om du behöver en öppen modell är Llama ett bra alternativ, och Llama 4-familjen är en viktig del av alla GenAI-utvecklares verktygslåda. Genom den här kursen lär du dig att anropa Llama 4 via API, använda dess optimeringsverktyg och bygga funktioner som sträcker sig över text, bilder och stort sammanhang. Anmäl dig här: