Llama ist Metas Familie generativer Foundation-Modelle für Text und teilweise Bild-/Textverständnis.
Meta positioniert Llama als flexibel einsetzbare Modellreihe, die sich fine-tunen, distillieren und „anywhere“ deployen lässt; dazu gehören Self-Hosting, Private Cloud und Hosting über Partner. Llama 4 bringt native Multimodalität, während Llama 3.x weiterhin wichtige Text-, Coding-, Übersetzungs- und Agent-Use-Cases adressiert.
Meta Llama
LLM „Industry Leading, Open-Source AI“
Standort: USA ⓘ Meta Platforms, Inc., 1 Meta Way, Menlo Park, California 94025, USA.
Meta Llama API Preview / Waitlist Die Llama API ist offiziell über Waitlist/Login positioniert; eine dauerhaft frei nutzbare öffentliche API-Free-Version mit gesicherten Limits konnte ich nicht belastbar belegen. Sonstiges Managed Llama API API-Zugriff auf aktuelle Llama-Modelle, API-Key, Playground, SDKs, OpenAI-ähnliche Integration, Tool-Calling und Modelle wie Llama 4 Maverick/Scout laut offizieller Llama-API-Seite.
Self-Hosting / eigene Cloud / Edge Betrieb der Modellgewichte auf eigener Infrastruktur, bei Cloud-Anbietern oder lokal; geeignet für Datenschutz, Kostenkontrolle und individuelle Optimierung.
loud-Provider / Drittanbieter-Hosting Llama-Modelle sind über verschiedene Cloud- und Inferenzanbieter verfügbar; Datenschutz, Preise und Serverstandorte hängen dann vom jeweiligen Anbieter ab.
Fine-Tuning / Distillation / Llama Stack Anpassung und Integration in eigene KI-Architekturen, abhängig von Modelllizenz, Infrastruktur und technischem Setup.
Zielgruppe
Meta Llama richtet sich primär an Entwickler, ML-/AI-Teams, Plattform- und Infrastrukturverantwortliche sowie Unternehmen mit Integrations- oder Souveränitätsanforderungen. Besonders passend ist Llama für Organisationen, die generative KI nicht nur konsumieren, sondern kontrolliert betreiben wollen: also auf eigener Hardware, im eigenen Rechenzentrum, in Private-Cloud-Setups oder über gezielt ausgewählte Managed Provider. Durch die kleineren und größeren Modellgrößen eignet sich Llama sowohl für experimentelle Prototypen als auch für Enterprise-Szenarien mit RAG, Chatbots, Coding-Assistenten und Dokumentenverarbeitung.
Herausragende Funktionen
Die größte Stärke von Llama ist die Deployment-Freiheit. Meta bewirbt die Modellfamilie ausdrücklich so, dass sie sich fine-tunen, distillieren und „deploy anywhere“ lässt. Dazu kommen je nach Modellreihe Coding-Fähigkeiten, Tool Use, Mehrsprachigkeit, lange Kontextfenster und bei Llama 4 native Multimodalität. Für Unternehmen relevant ist außerdem, dass Meta nicht nur die Modelle selbst anbietet, sondern dokumentierte Pfade für Private Cloud, regulated-industry self-hosting und inzwischen auch eine eigene Llama API bereitstellt, bei der Inputs/Outputs laut Meta nicht zum Training genutzt werden.
Wichtigste Anwendungsfelder
Zu den stärksten Einsatzfeldern gehören Chatbots und Assistenten, interne Wissenssuche/RAG, Dokumenten- und Langkontextanalyse, Textproduktion und Zusammenfassung, mehrsprachige Workflows, Coding-Unterstützung und agentische Anwendungen mit Tool-Nutzung. Meta hebt für Llama 4 speziell multimodale Bild-/Text-Anwendungen und Long-Context-Szenarien hervor; für Llama 3.1 nennt Meta unter anderem Text Summarization, multilingual agents und coding use cases. Auch interne Support- und Suchanwendungen sind durch die offiziellen Fallbeispiele gut belegt.
Nutzung & Hinweise
Praktisch nutzt man Llama auf drei Arten: (1) Download der Modellgewichte nach Lizenzannahme, (2) Betrieb über eigene Infrastruktur oder Private Cloud, (3) Nutzung über Llama API oder Hosting-Partner. Wichtig sind die Lizenzbedingungen: Bei Verteilung/Produktintegration gelten Attributionspflichten, und für sehr große Plattformen gibt es eine zusätzliche kommerzielle Lizenzschwelle ab 700 Mio. MAU. Für Datenschutzprojekte ist entscheidend, dass nicht Llama als Modellfamilie, sondern der konkrete Hostingpfad die Compliance entscheidet. Wer mit personenbezogenen oder vertraulichen Daten arbeitet, fährt meist besser mit EU-Self-Hosting oder einem EU-Managed-Provider mit AVV/DPA als mit einem generischen US-Hyperscaler-Standardpfad.
| Zielgruppe | Einschätzung |
|---|---|
| Entwickler / Softwareteams | Sehr geeignet – für Chatbots, RAG, Coding, Tool-Calling, multimodale Anwendungen und eigene KI-Produkte. |
| SaaS-Anbieter / Produktteams | Sehr geeignet – wenn offene bzw. portable Modellgewichte, geringere Anbieterbindung und flexible Deployment-Wege wichtig sind. |
| KI-Infrastruktur-Teams | Sehr geeignet – für Self-Hosting, Cloud-Deployment, Fine-Tuning und Kostenkontrolle über eigene Infrastruktur. |
| KMU mit technischer Umsetzung | Geeignet – wenn ein technisches Team oder Dienstleister die Modelle betreibt oder über eine API integriert. |
| Großunternehmen | Geeignet bis sehr geeignet – besonders, wenn Datenkontrolle, Modellportabilität, eigene Cloud-Strategie oder Open-Weight-Ansätze relevant sind. |
| Privatpersonen ohne Technikbezug | Eher nicht geeignet – für direkte Nutzung ist Meta AI bzw. ein Chat-Interface einfacher; Llama als API/Modellfamilie ist primär technisch. |
Berechnung der Token und Kosten mit KIFOX-Tokenizer
| Modell / Familie | Varianten / Größen | Modalität | Status | Hosting-Kurzinfo |
|---|---|---|---|---|
| LLaMA 1 | 7B, 13B, 33B, 65B | Text | Altmodell, ursprünglich Forschungszugang | Technisch lokal/on-prem möglich, aber nicht aktueller kommerzieller Standard; keine aktuelle primäre Hosting-Empfehlung. Meta kündigte LLaMA 1 2023 mit diesen Größen an. |
| Llama 2 | 7B, 13B, 70B | Text | Open-weight, kommerziell nutzbar unter Llama-Lizenz | Downloadbare Gewichte; lokal, on-prem, Private Cloud, Cloud und Managed Provider möglich. Meta nennt für Llama 2 offiziell 7B/13B/70B und 4K Kontext. |
| Code Llama | 7B, 13B, 34B, 70B; Base, Instruct, Python | Code/Text | Open-weight Spezialmodell für Coding | Self-hosting und Cloud-Betrieb möglich; für Programmierung, Codegenerierung, Debugging und Assistenz. Meta beschreibt Code Llama als code-spezialisierte Llama-2-Variante. |
| Llama 3 | 8B, 70B | Text | Open-weight | Downloadbar; lokal, on-prem, Private Cloud, Managed Cloud/API möglich. Meta nennt 8B/70B und 8K Kontext. |
| Llama 3.1 | 8B, 70B, 405B | Text | Open-weight | Besonders relevant für Enterprise, RAG, Agenten, Fine-tuning und große Deployments; 128K Kontext. |
| Llama 3.2 | 1B, 3B | Text | Open-weight, leichtgewichtig | Besonders geeignet für Edge, lokale Geräte, mobile/kleine Deployments und kostensensitive Anwendungen; 128K Kontext. |
| Llama 3.2 Vision | 11B, 90B | Text + Bild → Text | Open-weight multimodal | Für Bildverständnis, Dokument-/Chart-/Screenshot-Verständnis und multimodale Apps; 128K Kontext. |
| Llama 3.3 | 70B Instruct | Text | Open-weight | Text-only Instruct-Modell; Meta beschreibt Llama 3.3 als 70B-Modell mit 128K Kontext. |
| Llama 4 Scout | 17B aktive Parameter, 16 Experts | Text + Bild → Text | Open-weight multimodal | Downloadbar; laut Meta/GitHub mit hohen Hardwareanforderungen, bei BF16 mindestens 4 GPUs, mit FP8 2×80GB GPU und mit Int4 1×80GB GPU für Scout-Inferenz. |
| Llama 4 Maverick | 17B aktive Parameter, 128 Experts, ca. 400B total | Text + Bild → Text | Open-weight multimodal | Für stärkere multimodale Aufgaben; als Download, über Hugging Face und mehrere Cloud-/MaaS-Anbieter verfügbar. |
| Llama 4 Behemoth | angekündigt: 288B aktive Parameter, ca. 2T total | Text/Bild, laut Ankündigung | Nicht öffentlich veröffentlicht | Keine gesicherten Informationen zu öffentlichem Hosting/Download verfügbar. Meta hatte im April 2025 Scout und Maverick veröffentlicht; Behemoth wurde als noch nicht veröffentlichtes bzw. trainierendes Teacher-Modell beschrieben. |
| Llama Guard 1 / 2 / 3 / 4 | u. a. Llama Guard 4 12B | Safety-Klassifikation, teils multimodal | Schutz-/Moderationsmodelle | Downloadbar bzw. über Provider verfügbar; Llama Guard 4 ist ein 12B multimodales Safety-Modell zur Bewertung von Prompts und Antworten. |
| Prompt Guard / Llama Prompt Guard 2 | 86M, 22M/86M Varianten | Prompt-Injection-/Jailbreak-Erkennung | Schutzmodell | Kleines Klassifikationsmodell, gut für lokale Vorfilterung vor LLM-Aufrufen; Meta/Hugging Face nennt Prompt Guard als Modell zur Einstufung von benign, injection und jailbreak. |
| Muse Spark | Größe nicht öffentlich verifiziert | Multimodal, Reasoning, Meta AI | Proprietär / closed | Kein öffentlicher Download, kein Self-Hosting; aktuell in Meta AI App und meta.ai, Rollout in WhatsApp, Instagram, Facebook, Messenger und AI Glasses; private API Preview für ausgewählte Partner. |
Hosting & Daten
1) On-Prem / lokales Hosting
Bedeutung: Die Firma betreibt die Lösung auf eigener Hardware oder in der eigenen Infrastruktur. Im strengsten Sinn läuft dabei nicht nur die Anwendung, sondern idealerweise auch das Modell lokal.
2) Private Cloud / RZ
Bedeutung: Die Lösung läuft in einer dedizierten oder stärker abgegrenzten Cloud-Umgebung, oft bei einem Hosting-Anbieter oder Hyperscaler, aber in einem deutschen Rechenzentrum oder in einer besonders kontrollierten Umgebung.
3) EU-SaaS / Managed
Bedeutung: Der Anbieter betreibt die Lösung selbst als Dienst. Die Firma nutzt das Tool als fertigen Cloud-Service, idealerweise mit EU-Datenresidenz.
4) Hybrid
Bedeutung: Ein Teil der Verarbeitung bleibt intern / lokal / in privater Cloud, ein anderer Teil läuft in einer externen Cloud oder EU-SaaS.
5) AVV / DPA
Bedeutung: Das ist der Auftragsverarbeitungsvertrag bzw. Data Processing Addendum.
Er regelt, dass der Anbieter personenbezogene Daten im Auftrag verarbeitet und an die Weisungen des Kunden gebunden ist.
6) Kein Training
Bedeutung: Der Anbieter nutzt deine Prompts, Uploads, Anhänge, Chatverläufe oder Outputs nicht zum Training oder zur Verbesserung des allgemeinen Modells — idealerweise vertraglich ausgeschlossen.
7) Open-Source-/Transparenz-Pfad
Bedeutung: Es gibt einen Weg zu mehr technischer Transparenz und Souveränität, etwa durch:
- offene Modelle
- dokumentierte Komponenten
- self-hostbare Teile
- nachvollziehbare Architektur
- Export-/Wechselmöglichkeiten
| On-prem / local hosting | ❓ |
| Private cloud / data center | ❓ |
| EU SaaS / Managed | ⚠️ |
| Hybrid | ✅ |
| DPA / AVV | ❓ |
| No training on customer data | ✅ |
| Open source / transparency path | ✅ |
Gesamteinschätzung Hosting & Daten:
Meta Llama ist besonders stark, weil die Modelle nicht nur über eine API, sondern auch als herunterladbare Modellgewichte nutzbar sind. Dadurch sind On-Premises-, Private-Cloud-, EU-Cloud-, Edge- und Hybrid-Deployments grundsätzlich möglich, sofern die jeweilige Llama-Lizenz, Infrastrukturkosten und Sicherheitsanforderungen erfüllt werden. Positiv sind Modellportabilität, Self-Hosting-Pfad, Llama Stack, Fine-Tuning-/Distillation-Möglichkeiten und reduzierte Anbieterbindung. Kritisch ist, dass Llama zwar von Meta als „open source“ vermarktet wird, aber unter einer eigenen Meta-Lizenz steht; je nach Open-Source-Definition ist das nicht vollständig gleichzusetzen mit klassischer Open Source.
Fazit:
Llama ist sehr geeignet für Organisationen, die maximale Kontrolle über Hosting, Modellbetrieb und Datenflüsse wollen; für eine sofort nutzbare, vertraglich vollständig dokumentierte Managed-API mit EU-Datenresidenz ist eine zusätzliche Prüfung der konkreten API- oder Cloud-Hosting-Variante nötig.
| On-prem / local hosting | ❓ |
| Private cloud / data center | ❓ |
| EU SaaS / Managed | ⚠️ |
| Hybrid | ✅ |
| DPA / AVV | ❓ |
| No training on customer data | ✅ |
| Open source / transparency path | ✅ |
Gesamteinschätzung Hosting & Daten:
Meta Llama ist besonders stark, weil die Modelle nicht nur über eine API, sondern auch als herunterladbare Modellgewichte nutzbar sind. Dadurch sind On-Premises-, Private-Cloud-, EU-Cloud-, Edge- und Hybrid-Deployments grundsätzlich möglich, sofern die jeweilige Llama-Lizenz, Infrastrukturkosten und Sicherheitsanforderungen erfüllt werden. Positiv sind Modellportabilität, Self-Hosting-Pfad, Llama Stack, Fine-Tuning-/Distillation-Möglichkeiten und reduzierte Anbieterbindung. Kritisch ist, dass Llama zwar von Meta als „open source“ vermarktet wird, aber unter einer eigenen Meta-Lizenz steht; je nach Open-Source-Definition ist das nicht vollständig gleichzusetzen mit klassischer Open Source.
Fazit:
Llama ist sehr geeignet für Organisationen, die maximale Kontrolle über Hosting, Modellbetrieb und Datenflüsse wollen; für eine sofort nutzbare, vertraglich vollständig dokumentierte Managed-API mit EU-Datenresidenz ist eine zusätzliche Prüfung der konkreten API- oder Cloud-Hosting-Variante nötig.
Stärken & Schwächen im Überblick
| Stärken | Schwächen |
|---|---|
| – Sehr flexible Deployment-Pfade: lokal, Rechenzentrum, Private Cloud, Public Cloud, Managed Provider. | – Kein ausgereiftes „All-in-one“-Business-SaaS wie bei klassischen Arbeitsplatz-Tools; meist ist zusätzlicher Integrationsaufwand nötig. |
| – Breites Modellportfolio von kleinen/edge-tauglichen Modellen bis großen Enterprise-Modellen. | – Lizenz ist nicht unbeschränkt: u. a. Sonderregel für Anbieter mit >700 Mio. monatlich aktiven Nutzern. |
| – Gute Eignung für Coding, Zusammenfassung, Übersetzung, Tool Use, RAG und Chatbots. | – „Open Source“ ist rechtlich umstritten; OSI sieht Llama nicht als Open Source nach ihrer Definition. |
| – Starker Ecosystem-Fit über Provider, GitHub, Hugging Face und Partner-Hosting. | – Für Metas eigene Llama API ist öffentlich keine klare, Llama-spezifische Preistransparenz dokumentiert. |
Bewertungen
0 Bewertungen insgesamt
Für dieses Tool liegen noch keine bestätigten Bewertungen vor.
Bewertung absenden
Deine Bewertung wird erst nach der Bestätigung per E-Mail sichtbar. Damit schützen wir das Portal vor Missbrauch.
Bewertung melden
Bitte wähle den Grund aus, warum diese Bewertung geprüft werden soll.
DSGVO-konforme Nutzung möglich?
DSGVO-Einschätzung: Meta Llama ist aus DSGVO-Sicht zweigeteilt zu bewerten: Die Llama-Modelle als herunterladbare/open-weight Modelle können bei Self-Hosting grundsätzlich sehr datenschutzfreundlich betrieben werden, weil Serverstandort, Logging, Zugriffskontrolle und Datenflüsse selbst kontrolliert werden können. Die Meta Llama API ist dagegen aus DSGVO-Sicht nur bedingt klar bewertbar, weil öffentlich nicht alle Details zu DPA/AVV, EU-Datenresidenz und konkretem API-Serverstandort transparent dokumentiert sind.
Positiv ist, dass Meta für die Llama API ausdrücklich angibt, API-Inputs und Outputs nicht zum Training oder zur Verbesserung der Modelle zu nutzen, Daten nicht für Werbung/Ad Targeting einzusetzen, rollenbasierte Zugriffskontrollen zu verwenden, API-Daten getrennt von anderen Meta-Produktdaten zu speichern und Daten in Transit sowie im Ruhezustand zu verschlüsseln.
Negativ ist, dass die Llama API laut offizieller Seite noch über Waitlist/Login läuft und keine öffentlich vollständig prüfbaren EU-DPA-/Serverstandortdetails frei verfügbar sind.
Serverstandort: Für Self-Hosting frei wählbar; für die Meta Llama API öffentlich nicht gesichert als EU-only belegbar. Weiterführende Links: Llama API, Llama-Modelle, Llama-Lizenz/FAQ.