Meta: Llama 3 8B Instruct
Meta: Llama 3 8B Instruct est un LLM de meta-llama sorti le 18 avril 2024, dans la génération des modèles instruct compacts. Son âge d’environ deux ans est très long à l’échelle de l’IA, ce qui le situe d’abord comme un modèle de sa période plutôt que comme une référence actuelle.
Meta: Llama 3 8B Instruct est un LLM de meta-llama sorti le 18 avril 2024, dans la génération des modèles instruct compacts. Son âge d’environ deux ans est très long à l’échelle de l’IA, ce qui le situe d’abord comme un modèle de sa période plutôt que comme une référence actuelle.
Le modèle combine une fenêtre de contexte de 8 192 tokens, des connaissances arrêtées au 31 décembre 2023 et un positionnement tarifaire très économique. Son prix est nettement inférieur à celui des LLM similaires et reste très éloigné des modèles frontière, ce qui explique son intérêt historique pour des usages à faible coût.
Caractéristiques
| Caractéristique | Valeur |
|---|---|
| Type | Grand modèle de langage (LLM) |
| Éditeur | meta-llama |
| Date de sortie | 18 avril 2024 |
| Connaissances jusqu'à | 2023-12-31 |
| Multimodal | non |
| Fenêtre de contexte | 8 192 tokens |
| Modalités (entrée → sortie) | text → text |
Performances (benchmarks)
| Benchmark | Score | Rang (LLM) | Source | Fiabilité |
|---|---|---|---|---|
| Benchable : Email Classification (Baseline) | 96,0 % | 197ᵉ / 254 | benchable | ✅ Mesuré |
| Benchable : Hallucinations (Baseline) | 88,0 % | 158ᵉ / 229 | benchable | ✅ Mesuré |
| Benchable : General Knowledge (Baseline) | 87,8 % | 208ᵉ / 250 | benchable | ✅ Mesuré |
| Benchable : Ethics (Baseline) | 87,5 % | 217ᵉ / 248 | benchable | ✅ Mesuré |
| Benchable : Instruction Following (Baseline) | 33,0 % | 201ᵉ / 252 | benchable | ✅ Mesuré |
| Benchable : Mathematics (Baseline) | 25,0 % | 193ᵉ / 217 | benchable | ✅ Mesuré |
| Benchable : Reasoning (Baseline) | 12,0 % | 223ᵉ / 239 | benchable | ✅ Mesuré |
Comment se situe-t-il ?
Le modèle (en orange) comparé aux meilleurs modèles « grand public » sur chaque dimension, et à ses voisins de classement.
Benchable : Email Classification (Baseline)
Benchable : Hallucinations (Baseline)
Tarifs
| Fournisseur | Entrée / 1M | Sortie / 1M | Cache lecture / 1M |
|---|---|---|---|
| Together | 0,14 $ | 0,14 $ | n.d. |
Prix en dollars US par million de tokens.
Sa tarification se situe 93 % en dessous de la moyenne des LLM similaires, et 34,5 fois moins cher que les modèles frontières (Claude Fable 5, GPT-5.4, Gemini 3.1 Pro Preview).
Coût & vitesse agentiques
| Indicateur | Valeur |
|---|---|
| Coût moyen par benchmark — Benchable | 0 $ |
| Latence moyenne par benchmark — Benchable | 4 min 03 s |
Coûts et durées réels mesurés en exécutant le modèle comme agent. PinchBench = un run complet de 147 tâches (harness OpenClaw) ; Benchable = moyenne par benchmark. Sources : PinchBench, Benchable.ai.
Notre analyse
Forces. À sa sortie, Meta: Llama 3 8B Instruct représentait une option compacte crédible dans le haut du panier de sa génération, surtout pour des tâches simples et structurées. Son meilleur signal vient de Email Classification (Baseline), où il obtient un résultat élevé, utile pour des scénarios de tri ou de catégorisation de messages. Les résultats en Hallucinations (Baseline), General Knowledge (Baseline) et Ethics (Baseline) indiquent aussi un comportement globalement solide pour un modèle de cette taille et de cette période, même si les rangs le placent plutôt derrière de nombreux concurrents testés. Son prix, 93% sous la moyenne des LLM similaires et environ 34,5 fois inférieur aux modèles frontière, reste son avantage le plus net.
Limites et points d'attention. Les performances sont aujourd’hui largement dépassées par les générations plus récentes, et un modèle de cet âge est souvent retiré du catalogue de son éditeur. Les faiblesses les plus visibles concernent Instruction Following (Baseline), où le suivi de consignes est bas, et Mathematics (Baseline), qui indique une capacité limitée sur le raisonnement quantitatif. La fenêtre de contexte de 8 192 tokens, correcte en 2024, paraît restreinte face aux standards actuels. La limite de connaissances au 31 décembre 2023 impose aussi une prudence sur les sujets récents. La couverture par 2 sources concordantes renforce la fiabilité des données disponibles, sans compenser l’obsolescence fonctionnelle du modèle.
Sources des données : OpenRouter (openrouter.ai) · Benchable.ai (benchable.ai).