N Neurarch Architectures Checks Docs Open the app

Architectures / NLP/LLM

๐Ÿฆ™ Llama-4 Scout

109B natively-multimodal MoE LLM โ€” interleaved dense/MoE layers (16 experts) with iRoPE (interleaved no-RoPE) for long context (Meta 2025)

Layers
434
Parameters
102.55B
Input
1 ร— 10485760
Output
1 ร— 10486336 ร— 202048
Verifier
2 advisories

Every number on this page is computed from the graph by the same functions the app runs, not written by hand.

Open Llama-4 Scout on the canvas Free, no account needed

When to pick it

Reference the newest open MoE decoder: alternating dense and expert-routed blocks. A strong base for studying sparse-activation LLMs.

Structure

434 layers. Output shapes are propagated from the input shape, batch dimension excluded.

LayerTypeParametersOutput shape
1InputInputshape=[1, 10485760]1 ร— 10485760
2EmbeddingEmbeddingvocabSize=2020481 ร— 10485760 ร— 5120
3Vision inputInputshape=[3, 336, 336]3 ร— 336 ร— 336
4PatchEmbedPatch EmbedembedDim=1408, patchSize=14576 ร— 1408
5Vision_LN_1LayerNormnormalizedShape=1408576 ร— 1408
6Vision_Attn_1Multi-Head AttentionnumHeads=16576 ร— 1408
7Vision_Add_1Add576 ร— 1408
8Vision_FFN_1Feed ForwardffDim=5632576 ร— 1408
9Vision_LN_2LayerNormnormalizedShape=1408576 ร— 1408
10Vision_Attn_2Multi-Head AttentionnumHeads=16576 ร— 1408
11Vision_Add_2Add576 ร— 1408
12Vision_FFN_2Feed ForwardffDim=5632576 ร— 1408
13Vision_LN_3LayerNormnormalizedShape=1408576 ร— 1408
14Vision_Attn_3Multi-Head AttentionnumHeads=16576 ร— 1408
15Vision_Add_3Add576 ร— 1408
16Vision_FFN_3Feed ForwardffDim=5632576 ร— 1408
17Vision_LN_4LayerNormnormalizedShape=1408576 ร— 1408
18Vision_Attn_4Multi-Head AttentionnumHeads=16576 ร— 1408
19Vision_Add_4Add576 ร— 1408
20Vision_FFN_4Feed ForwardffDim=5632576 ร— 1408
21Vision_LN_5LayerNormnormalizedShape=1408576 ร— 1408
22Vision_Attn_5Multi-Head AttentionnumHeads=16576 ร— 1408
23Vision_Add_5Add576 ร— 1408
24Vision_FFN_5Feed ForwardffDim=5632576 ร— 1408
25Vision_LN_6LayerNormnormalizedShape=1408576 ร— 1408
26Vision_Attn_6Multi-Head AttentionnumHeads=16576 ร— 1408
27Vision_Add_6Add576 ร— 1408
28Vision_FFN_6Feed ForwardffDim=5632576 ร— 1408
29Vision_LN_7LayerNormnormalizedShape=1408576 ร— 1408
30Vision_Attn_7Multi-Head AttentionnumHeads=16576 ร— 1408
31Vision_Add_7Add576 ร— 1408
32Vision_FFN_7Feed ForwardffDim=5632576 ร— 1408
33Vision_LN_8LayerNormnormalizedShape=1408576 ร— 1408
34Vision_Attn_8Multi-Head AttentionnumHeads=16576 ร— 1408
35Vision_Add_8Add576 ร— 1408
36Vision_FFN_8Feed ForwardffDim=5632576 ร— 1408
37Vision_LN_9LayerNormnormalizedShape=1408576 ร— 1408
38Vision_Attn_9Multi-Head AttentionnumHeads=16576 ร— 1408
39Vision_Add_9Add576 ร— 1408
40Vision_FFN_9Feed ForwardffDim=5632576 ร— 1408
41Vision_LN_10LayerNormnormalizedShape=1408576 ร— 1408
42Vision_Attn_10Multi-Head AttentionnumHeads=16576 ร— 1408
43Vision_Add_10Add576 ร— 1408
44Vision_FFN_10Feed ForwardffDim=5632576 ร— 1408
45Vision_LN_11LayerNormnormalizedShape=1408576 ร— 1408
46Vision_Attn_11Multi-Head AttentionnumHeads=16576 ร— 1408
47Vision_Add_11Add576 ร— 1408
48Vision_FFN_11Feed ForwardffDim=5632576 ร— 1408
49Vision_LN_12LayerNormnormalizedShape=1408576 ร— 1408
50Vision_Attn_12Multi-Head AttentionnumHeads=16576 ร— 1408
51Vision_Add_12Add576 ร— 1408
52Vision_FFN_12Feed ForwardffDim=5632576 ร— 1408
53Vision_LN_13LayerNormnormalizedShape=1408576 ร— 1408
54Vision_Attn_13Multi-Head AttentionnumHeads=16576 ร— 1408
55Vision_Add_13Add576 ร— 1408
56Vision_FFN_13Feed ForwardffDim=5632576 ร— 1408
57Vision_LN_14LayerNormnormalizedShape=1408576 ร— 1408
58Vision_Attn_14Multi-Head AttentionnumHeads=16576 ร— 1408
59Vision_Add_14Add576 ร— 1408
60Vision_FFN_14Feed ForwardffDim=5632576 ร— 1408
61Vision_LN_15LayerNormnormalizedShape=1408576 ร— 1408
62Vision_Attn_15Multi-Head AttentionnumHeads=16576 ร— 1408
63Vision_Add_15Add576 ร— 1408
64Vision_FFN_15Feed ForwardffDim=5632576 ร— 1408
65Vision_LN_16LayerNormnormalizedShape=1408576 ร— 1408
66Vision_Attn_16Multi-Head AttentionnumHeads=16576 ร— 1408
67Vision_Add_16Add576 ร— 1408
68Vision_FFN_16Feed ForwardffDim=5632576 ร— 1408
69Vision_LN_17LayerNormnormalizedShape=1408576 ร— 1408
70Vision_Attn_17Multi-Head AttentionnumHeads=16576 ร— 1408
71Vision_Add_17Add576 ร— 1408
72Vision_FFN_17Feed ForwardffDim=5632576 ร— 1408
73Vision_LN_18LayerNormnormalizedShape=1408576 ร— 1408
74Vision_Attn_18Multi-Head AttentionnumHeads=16576 ร— 1408
75Vision_Add_18Add576 ร— 1408
76Vision_FFN_18Feed ForwardffDim=5632576 ร— 1408
77Vision_LN_19LayerNormnormalizedShape=1408576 ร— 1408
78Vision_Attn_19Multi-Head AttentionnumHeads=16576 ร— 1408
79Vision_Add_19Add576 ร— 1408
80Vision_FFN_19Feed ForwardffDim=5632576 ร— 1408
81Vision_LN_20LayerNormnormalizedShape=1408576 ร— 1408
82Vision_Attn_20Multi-Head AttentionnumHeads=16576 ร— 1408
83Vision_Add_20Add576 ร— 1408
84Vision_FFN_20Feed ForwardffDim=5632576 ร— 1408
85Vision_LN_21LayerNormnormalizedShape=1408576 ร— 1408
86Vision_Attn_21Multi-Head AttentionnumHeads=16576 ร— 1408
87Vision_Add_21Add576 ร— 1408
88Vision_FFN_21Feed ForwardffDim=5632576 ร— 1408
89Vision_LN_22LayerNormnormalizedShape=1408576 ร— 1408
90Vision_Attn_22Multi-Head AttentionnumHeads=16576 ร— 1408
91Vision_Add_22Add576 ร— 1408
92Vision_FFN_22Feed ForwardffDim=5632576 ร— 1408
93Vision_LN_23LayerNormnormalizedShape=1408576 ร— 1408
94Vision_Attn_23Multi-Head AttentionnumHeads=16576 ร— 1408
95Vision_Add_23Add576 ร— 1408
96Vision_FFN_23Feed ForwardffDim=5632576 ร— 1408
97Vision_LN_24LayerNormnormalizedShape=1408576 ร— 1408
98Vision_Attn_24Multi-Head AttentionnumHeads=16576 ร— 1408
99Vision_Add_24Add576 ร— 1408
100Vision_FFN_24Feed ForwardffDim=5632576 ร— 1408
101Vision_LN_25LayerNormnormalizedShape=1408576 ร— 1408
102Vision_Attn_25Multi-Head AttentionnumHeads=16576 ร— 1408
103Vision_Add_25Add576 ร— 1408
104Vision_FFN_25Feed ForwardffDim=5632576 ร— 1408
105Vision_LN_26LayerNormnormalizedShape=1408576 ร— 1408
106Vision_Attn_26Multi-Head AttentionnumHeads=16576 ร— 1408
107Vision_Add_26Add576 ร— 1408
108Vision_FFN_26Feed ForwardffDim=5632576 ร— 1408
109Vision_LN_27LayerNormnormalizedShape=1408576 ร— 1408
110Vision_Attn_27Multi-Head AttentionnumHeads=16576 ร— 1408
111Vision_Add_27Add576 ร— 1408
112Vision_FFN_27Feed ForwardffDim=5632576 ร— 1408
113Vision_LN_28LayerNormnormalizedShape=1408576 ร— 1408
114Vision_Attn_28Multi-Head AttentionnumHeads=16576 ร— 1408
115Vision_Add_28Add576 ร— 1408
116Vision_FFN_28Feed ForwardffDim=5632576 ร— 1408
117Vision_LN_29LayerNormnormalizedShape=1408576 ร— 1408
118Vision_Attn_29Multi-Head AttentionnumHeads=16576 ร— 1408
119Vision_Add_29Add576 ร— 1408
120Vision_FFN_29Feed ForwardffDim=5632576 ร— 1408
121Vision_LN_30LayerNormnormalizedShape=1408576 ร— 1408
122Vision_Attn_30Multi-Head AttentionnumHeads=16576 ร— 1408
123Vision_Add_30Add576 ร— 1408
124Vision_FFN_30Feed ForwardffDim=5632576 ร— 1408
125Vision_LN_31LayerNormnormalizedShape=1408576 ร— 1408
126Vision_Attn_31Multi-Head AttentionnumHeads=16576 ร— 1408
127Vision_Add_31Add576 ร— 1408
128Vision_FFN_31Feed ForwardffDim=5632576 ร— 1408
129Vision_LN_32LayerNormnormalizedShape=1408576 ร— 1408
130Vision_Attn_32Multi-Head AttentionnumHeads=16576 ร— 1408
131Vision_Add_32Add576 ร— 1408
132Vision_FFN_32Feed ForwardffDim=5632576 ร— 1408
133Vision_LN_33LayerNormnormalizedShape=1408576 ร— 1408
134Vision_Attn_33Multi-Head AttentionnumHeads=16576 ร— 1408
135Vision_Add_33Add576 ร— 1408
136Vision_FFN_33Feed ForwardffDim=5632576 ร— 1408
137Vision_LN_34LayerNormnormalizedShape=1408576 ร— 1408
138Vision_Attn_34Multi-Head AttentionnumHeads=16576 ร— 1408
139Vision_Add_34Add576 ร— 1408
140Vision_FFN_34Feed ForwardffDim=5632576 ร— 1408
141Vision projectorProjection576 ร— 5120
142Vision tokensReshapeshape=[1, 576, 5120]1 ร— 576 ร— 5120
143Multimodal fusion (concat tokens)Concatenate1 ร— 10486336 ร— 5120
144RMSNorm_1_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
145Attention_1Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
146Add_1_attnAdd1 ร— 10486336 ร— 5120
147RMSNorm_1_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
148MoE_1MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
149Add_1_ffnAdd1 ร— 10486336 ร— 5120
150RMSNorm_2_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
151Attention_2Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
152Add_2_attnAdd1 ร— 10486336 ร— 5120
153RMSNorm_2_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
154MoE_2MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
155Add_2_ffnAdd1 ร— 10486336 ร— 5120
156RMSNorm_3_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
157Attention_3Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
158Add_3_attnAdd1 ร— 10486336 ร— 5120
159RMSNorm_3_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
160MoE_3MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
161Add_3_ffnAdd1 ร— 10486336 ร— 5120
162RMSNorm_4_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
163Attention_4Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
164Add_4_attnAdd1 ร— 10486336 ร— 5120
165RMSNorm_4_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
166MoE_4MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
167Add_4_ffnAdd1 ร— 10486336 ร— 5120
168RMSNorm_5_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
169Attention_5Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
170Add_5_attnAdd1 ร— 10486336 ร— 5120
171RMSNorm_5_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
172MoE_5MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
173Add_5_ffnAdd1 ร— 10486336 ร— 5120
174RMSNorm_6_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
175Attention_6Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
176Add_6_attnAdd1 ร— 10486336 ร— 5120
177RMSNorm_6_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
178MoE_6MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
179Add_6_ffnAdd1 ร— 10486336 ร— 5120
180RMSNorm_7_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
181Attention_7Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
182Add_7_attnAdd1 ร— 10486336 ร— 5120
183RMSNorm_7_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
184MoE_7MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
185Add_7_ffnAdd1 ร— 10486336 ร— 5120
186RMSNorm_8_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
187Attention_8Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
188Add_8_attnAdd1 ร— 10486336 ร— 5120
189RMSNorm_8_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
190MoE_8MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
191Add_8_ffnAdd1 ร— 10486336 ร— 5120
192RMSNorm_9_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
193Attention_9Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
194Add_9_attnAdd1 ร— 10486336 ร— 5120
195RMSNorm_9_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
196MoE_9MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
197Add_9_ffnAdd1 ร— 10486336 ร— 5120
198RMSNorm_10_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
199Attention_10Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
200Add_10_attnAdd1 ร— 10486336 ร— 5120
201RMSNorm_10_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
202MoE_10MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
203Add_10_ffnAdd1 ร— 10486336 ร— 5120
204RMSNorm_11_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
205Attention_11Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
206Add_11_attnAdd1 ร— 10486336 ร— 5120
207RMSNorm_11_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
208MoE_11MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
209Add_11_ffnAdd1 ร— 10486336 ร— 5120
210RMSNorm_12_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
211Attention_12Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
212Add_12_attnAdd1 ร— 10486336 ร— 5120
213RMSNorm_12_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
214MoE_12MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
215Add_12_ffnAdd1 ร— 10486336 ร— 5120
216RMSNorm_13_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
217Attention_13Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
218Add_13_attnAdd1 ร— 10486336 ร— 5120
219RMSNorm_13_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
220MoE_13MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
221Add_13_ffnAdd1 ร— 10486336 ร— 5120
222RMSNorm_14_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
223Attention_14Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
224Add_14_attnAdd1 ร— 10486336 ร— 5120
225RMSNorm_14_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
226MoE_14MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
227Add_14_ffnAdd1 ร— 10486336 ร— 5120
228RMSNorm_15_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
229Attention_15Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
230Add_15_attnAdd1 ร— 10486336 ร— 5120
231RMSNorm_15_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
232MoE_15MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
233Add_15_ffnAdd1 ร— 10486336 ร— 5120
234RMSNorm_16_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
235Attention_16Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
236Add_16_attnAdd1 ร— 10486336 ร— 5120
237RMSNorm_16_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
238MoE_16MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
239Add_16_ffnAdd1 ร— 10486336 ร— 5120
240RMSNorm_17_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
241Attention_17Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
242Add_17_attnAdd1 ร— 10486336 ร— 5120
243RMSNorm_17_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
244MoE_17MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
245Add_17_ffnAdd1 ร— 10486336 ร— 5120
246RMSNorm_18_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
247Attention_18Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
248Add_18_attnAdd1 ร— 10486336 ร— 5120
249RMSNorm_18_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
250MoE_18MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
251Add_18_ffnAdd1 ร— 10486336 ร— 5120
252RMSNorm_19_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
253Attention_19Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
254Add_19_attnAdd1 ร— 10486336 ร— 5120
255RMSNorm_19_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
256MoE_19MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
257Add_19_ffnAdd1 ร— 10486336 ร— 5120
258RMSNorm_20_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
259Attention_20Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
260Add_20_attnAdd1 ร— 10486336 ร— 5120
261RMSNorm_20_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
262MoE_20MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
263Add_20_ffnAdd1 ร— 10486336 ร— 5120
264RMSNorm_21_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
265Attention_21Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
266Add_21_attnAdd1 ร— 10486336 ร— 5120
267RMSNorm_21_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
268MoE_21MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
269Add_21_ffnAdd1 ร— 10486336 ร— 5120
270RMSNorm_22_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
271Attention_22Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
272Add_22_attnAdd1 ร— 10486336 ร— 5120
273RMSNorm_22_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
274MoE_22MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
275Add_22_ffnAdd1 ร— 10486336 ร— 5120
276RMSNorm_23_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
277Attention_23Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
278Add_23_attnAdd1 ร— 10486336 ร— 5120
279RMSNorm_23_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
280MoE_23MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
281Add_23_ffnAdd1 ร— 10486336 ร— 5120
282RMSNorm_24_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
283Attention_24Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
284Add_24_attnAdd1 ร— 10486336 ร— 5120
285RMSNorm_24_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
286MoE_24MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
287Add_24_ffnAdd1 ร— 10486336 ร— 5120
288RMSNorm_25_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
289Attention_25Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
290Add_25_attnAdd1 ร— 10486336 ร— 5120
291RMSNorm_25_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
292MoE_25MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
293Add_25_ffnAdd1 ร— 10486336 ร— 5120
294RMSNorm_26_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
295Attention_26Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
296Add_26_attnAdd1 ร— 10486336 ร— 5120
297RMSNorm_26_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
298MoE_26MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
299Add_26_ffnAdd1 ร— 10486336 ร— 5120
300RMSNorm_27_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
301Attention_27Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
302Add_27_attnAdd1 ร— 10486336 ร— 5120
303RMSNorm_27_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
304MoE_27MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
305Add_27_ffnAdd1 ร— 10486336 ร— 5120
306RMSNorm_28_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
307Attention_28Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
308Add_28_attnAdd1 ร— 10486336 ร— 5120
309RMSNorm_28_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
310MoE_28MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
311Add_28_ffnAdd1 ร— 10486336 ร— 5120
312RMSNorm_29_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
313Attention_29Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
314Add_29_attnAdd1 ร— 10486336 ร— 5120
315RMSNorm_29_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
316MoE_29MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
317Add_29_ffnAdd1 ร— 10486336 ร— 5120
318RMSNorm_30_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
319Attention_30Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
320Add_30_attnAdd1 ร— 10486336 ร— 5120
321RMSNorm_30_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
322MoE_30MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
323Add_30_ffnAdd1 ร— 10486336 ร— 5120
324RMSNorm_31_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
325Attention_31Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
326Add_31_attnAdd1 ร— 10486336 ร— 5120
327RMSNorm_31_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
328MoE_31MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
329Add_31_ffnAdd1 ร— 10486336 ร— 5120
330RMSNorm_32_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
331Attention_32Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
332Add_32_attnAdd1 ร— 10486336 ร— 5120
333RMSNorm_32_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
334MoE_32MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
335Add_32_ffnAdd1 ร— 10486336 ร— 5120
336RMSNorm_33_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
337Attention_33Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
338Add_33_attnAdd1 ร— 10486336 ร— 5120
339RMSNorm_33_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
340MoE_33MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
341Add_33_ffnAdd1 ร— 10486336 ร— 5120
342RMSNorm_34_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
343Attention_34Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
344Add_34_attnAdd1 ร— 10486336 ร— 5120
345RMSNorm_34_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
346MoE_34MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
347Add_34_ffnAdd1 ร— 10486336 ร— 5120
348RMSNorm_35_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
349Attention_35Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
350Add_35_attnAdd1 ร— 10486336 ร— 5120
351RMSNorm_35_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
352MoE_35MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
353Add_35_ffnAdd1 ร— 10486336 ร— 5120
354RMSNorm_36_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
355Attention_36Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
356Add_36_attnAdd1 ร— 10486336 ร— 5120
357RMSNorm_36_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
358MoE_36MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
359Add_36_ffnAdd1 ร— 10486336 ร— 5120
360RMSNorm_37_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
361Attention_37Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
362Add_37_attnAdd1 ร— 10486336 ร— 5120
363RMSNorm_37_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
364MoE_37MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
365Add_37_ffnAdd1 ร— 10486336 ร— 5120
366RMSNorm_38_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
367Attention_38Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
368Add_38_attnAdd1 ร— 10486336 ร— 5120
369RMSNorm_38_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
370MoE_38MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
371Add_38_ffnAdd1 ร— 10486336 ร— 5120
372RMSNorm_39_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
373Attention_39Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
374Add_39_attnAdd1 ร— 10486336 ร— 5120
375RMSNorm_39_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
376MoE_39MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
377Add_39_ffnAdd1 ร— 10486336 ร— 5120
378RMSNorm_40_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
379Attention_40Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
380Add_40_attnAdd1 ร— 10486336 ร— 5120
381RMSNorm_40_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
382MoE_40MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
383Add_40_ffnAdd1 ร— 10486336 ร— 5120
384RMSNorm_41_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
385Attention_41Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
386Add_41_attnAdd1 ร— 10486336 ร— 5120
387RMSNorm_41_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
388MoE_41MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
389Add_41_ffnAdd1 ร— 10486336 ร— 5120
390RMSNorm_42_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
391Attention_42Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
392Add_42_attnAdd1 ร— 10486336 ร— 5120
393RMSNorm_42_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
394MoE_42MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
395Add_42_ffnAdd1 ร— 10486336 ร— 5120
396RMSNorm_43_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
397Attention_43Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
398Add_43_attnAdd1 ร— 10486336 ร— 5120
399RMSNorm_43_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
400MoE_43MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
401Add_43_ffnAdd1 ร— 10486336 ร— 5120
402RMSNorm_44_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
403Attention_44Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
404Add_44_attnAdd1 ร— 10486336 ร— 5120
405RMSNorm_44_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
406MoE_44MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
407Add_44_ffnAdd1 ร— 10486336 ร— 5120
408RMSNorm_45_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
409Attention_45Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
410Add_45_attnAdd1 ร— 10486336 ร— 5120
411RMSNorm_45_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
412MoE_45MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
413Add_45_ffnAdd1 ร— 10486336 ร— 5120
414RMSNorm_46_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
415Attention_46Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
416Add_46_attnAdd1 ร— 10486336 ร— 5120
417RMSNorm_46_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
418MoE_46MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
419Add_46_ffnAdd1 ร— 10486336 ร— 5120
420RMSNorm_47_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
421Attention_47Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
422Add_47_attnAdd1 ร— 10486336 ร— 5120
423RMSNorm_47_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
424MoE_47MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
425Add_47_ffnAdd1 ร— 10486336 ร— 5120
426RMSNorm_48_1RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
427Attention_48Grouped Query AttnembedDim=5120, numHeads=40, numKVHeads=81 ร— 10486336 ร— 5120
428Add_48_attnAdd1 ร— 10486336 ร— 5120
429RMSNorm_48_2RMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
430MoE_48MoE LayerembedDim=5120, numExperts=16, topK=11 ร— 10486336 ร— 5120
431Add_48_ffnAdd1 ร— 10486336 ร— 5120
432Final_RMSNormRMSNormnormalizedShape=51201 ร— 10486336 ร— 5120
433LM_HeadLinearoutFeatures=202048, inFeatures=51201 ร— 10486336 ร— 202048
434OutputOutput1 ร— 10486336 ร— 202048

What the verifier says

The same 41 structural checks that run on every edit in the app, on this graph.

warn82 attention layer(s) present but no positional encoding found. Attention is permutation-invariant, without position information the model cannot distinguish token order. Fix: Add a PositionalEncoding (sinusoidal) or RoPE layer before the first attention layer. (Vision_Attn_1)
attention-no-pe
infoMoE layers require an auxiliary router z-loss + load-balance loss during training to prevent expert collapse. This is not visible in the architecture diagram but must be in the training loop. Applies to all 48: MoE_1, MoE_2, MoE_3, MoE_4, MoE_5, MoE_6, MoE_7, MoE_8, MoE_9, MoE_10, MoE_11, MoE_12, MoE_13, MoE_14, MoE_15, MoE_16, MoE_17, MoE_18, MoE_19, MoE_20, MoE_21, MoE_22, MoE_23, MoE_24, MoE_25, MoE_26, MoE_27, MoE_28, MoE_29, MoE_30, MoE_31, MoE_32, MoE_33, MoE_34, MoE_35, MoE_36, MoE_37, MoE_38, MoE_39, MoE_40, MoE_41, MoE_42, MoE_43, MoE_44, MoE_45, MoE_46, MoE_47, MoE_48. Fix: Add a note on these layers. Typical aux_loss coefficient: 1e-2 (Mixtral/Switch Transformer). (MoE_1)
moe-no-aux-loss
warnLinear "LM_Head" is 5120 ร— 202048 = 1034M parameters (~3.9 GB float32). A single dense layer this large usually means a feature map was flattened without pooling first; embedding / vocab-projection heads are the expected exception. Fix: Add a Global Average Pool or more downsampling before the Linear, or factorize it (low-rank / bottleneck projection). (LM_Head)
huge-linear-params
infoAt 82 stacked attention layers, residual-branch outputs add up; unscaled init lets activation variance grow with depth. GPT-2/LLaMA-family models scale the residual projections by depth (N(0, 0.02 / โˆš(2L))). Fix: Scale residual output projections by depth: nn.init.normal_(w, std=0.02 / math.sqrt(2 * n_layers)) (Vision_Attn_1)
deep-attention-default-init

The PyTorch it exports

Generated from the graph above. First 46 lines; the app exports the whole file, plus the training loop, the data contract and a deploy bundle.

# Architecture designed with Neurarch: https://neurarch.com
# PyTorch: compatible with Python 3.8+ and torch>=1.12
# Colab: pip install torch torchvision  (usually pre-installed)

import torch
import torch.nn as nn
import torch.nn.functional as F
from typing import Tuple

class Llama4Scout(nn.Module):
    def __init__(self):
        super().__init__()

        self.embedding_1 = nn.Embedding(202048, 5120)
        self.patchEmbed_1 = nn.Conv2d(3, 1408, kernel_size=14, stride=14)  # Patch embedding (ViT-style)
        self.layerNorm_1 = nn.LayerNorm(1408)
        self.multiHeadAttention_1 = nn.MultiheadAttention(embed_dim=1408, num_heads=16, batch_first=True)
        self.feedForward_1 = nn.Sequential(
            nn.Linear(1408, 5632),
            nn.ReLU(),
            nn.Linear(5632, 1408)
        )
        self.layerNorm_2 = nn.LayerNorm(1408)
        self.multiHeadAttention_2 = nn.MultiheadAttention(embed_dim=1408, num_heads=16, batch_first=True)
        self.feedForward_2 = nn.Sequential(
            nn.Linear(1408, 5632),
            nn.ReLU(),
            nn.Linear(5632, 1408)
        )
        self.layerNorm_3 = nn.LayerNorm(1408)
        self.multiHeadAttention_3 = nn.MultiheadAttention(embed_dim=1408, num_heads=16, batch_first=True)
        self.feedForward_3 = nn.Sequential(
            nn.Linear(1408, 5632),
            nn.ReLU(),
            nn.Linear(5632, 1408)
        )
        self.layerNorm_4 = nn.LayerNorm(1408)
        self.multiHeadAttention_4 = nn.MultiheadAttention(embed_dim=1408, num_heads=16, batch_first=True)
        self.feedForward_4 = nn.Sequential(
            nn.Linear(1408, 5632),
            nn.ReLU(),
            nn.Linear(5632, 1408)
        )
        self.layerNorm_5 = nn.LayerNorm(1408)
        self.multiHeadAttention_5 = nn.MultiheadAttention(embed_dim=1408, num_heads=16, batch_first=True)
        self.feedForward_5 = nn.Sequential(

For agents

This architecture is machine-readable end to end. An agent can list the set, fetch this graph, edit it, and have the edit verified before any GPU time is spent.

Also in NLP/LLM

๐Ÿค– Transformer Block
Transformer encoder block
8 layers ยท 7.09M
๐Ÿ“– BERT Base
BERT-Base encoder โ€” bidirectional MHA
11 layers ยท 31.12M
๐Ÿง  GPT-2
GPT-2 Small โ€” causal transformer block
12 layers ยท 84.33M
๐Ÿฆ™ LLaMA-3 Block
LLaMA-3 decoder block โ€” GQA
10 layers ยท 702.55M