N Neurarch Architectures Models Checks Data 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 43 single-graph 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