開源大模型 Llama 4 的翻車還在持續發酵。

4 月 8 日，作為大語言模型「權威榜單之一」的 Chatbot Arena（民間俗稱「大模型競技場」）發布了一則語氣罕見嚴肅的聲明。面對社群對于 Meta 新模型 Llama 4 排名的質疑，官方表示將公開 2000 多場真人對比測試的完整數據，并罕見點名 Meta：

「Meta 應該更清楚地表明『Llama-4-Maverick-03-26-Experimental』是一個作為人類偏好進行優化的定制化模型。我們正在更新排行榜的策略，以避免此類混淆再次發生。」

圖/ X

這條聲明不只是澄清，一定程度上也是對整個大模型行業的一記警鐘。

Chatbot Arena 由加州大學伯克利分校發起，是當前大模型評測中可能最具行業影響力的「真人盲測」排行榜，核心的機制是通過讓開發者和 AI 愛好者會在平臺上用相同問題向兩款模型提問，對比回答內容并投票打分。

而這種「真人盲測」的機制，讓 Chatbot Arena 有別于其他任何基準測試，也成為了外界最為信賴的大模型排行榜。可以說，一款模型是否登上「Chatbot Arena 排行榜」前列，在一定程度上直接影響其在媒體和開發者群體中的口碑與采納率。

正因如此，當 Meta 在 4 月 5 日發布其最新一代開源大模型 Llama 4，隨后快速沖上Chatbot Arena 排行榜第二，力壓一眾頂級大模型，僅次于 Google 前腳發布的 Gemini 2.5 Pro，自然也就引起了所有人的好奇和期待。

但很快，社區發現這一版本是未公開、定制化調優的「實驗模型」，而并非 Meta 開源的正式版。于是，爭議爆發：這算不算「刷榜」？Chatbot Arena 是否被利用為營銷工具？Meta 為什么要這樣操作？

更糟的是，在部分官方沒有展示的專業基準測試中，Llama 4 表現也不盡如人意，幾乎墊底。不少第一批嘗試的用戶也在 Reddit、X 等社交平臺上發文表達了失望，有人就在發帖中提到 Llama 4 在編程能力上的不盡如人意，并指出：

「考慮到 Llama-4-Maverick 有 402B 的參數量，我為什么不直接使用 DeepSeek-V3-0324 呢？或者 Qwen-QwQ-32B 可能更合適——雖然性能相似，但它的參數量只有 32B。」

圖/ Reddit

這讓人不禁疑惑，曾經被開源陣營寄予厚望、憑借 Llama 2 和 Llama 3 逐漸建立口碑的 Meta，為什么就在 Llama 4 翻了車？

從高光到塌房，Llama 4的72小時驚魂

時間回到 4 月 5 日，Meta 在官方博客上發布《The Llama 4 herd: The beginning of a new era of natively multimodal AI innovation》一文，正式宣布 Llama 4 系列模型面向社區開源。

這一次，Meta 公開了最新一代模型的三個版本：Llama 4 Scout、Llama 4 Maverick、還在訓練中的「教師模型」Llama 4 Behemoth，均首次采用了混合專家（MoE）架構。

圖/ Meta

其中最主流、最受關注的 Maverick 版本，是擁有 128 個「專家」的 170 億活躍參數模型（總參數為 4000 億），Meta 將其描述為「同類最佳的多模態模型」，強調其在多方面超過了 Gemini 2.0 與 GPT-4o，在編碼和推理方面比 Deepseek 3.1 更有競爭力。

但就在 Llama 4 發布不久，情況迅速脫離了 Meta 的預期。

在社區層面，首批用戶對 Llama 4 的表現并不買賬。在多個測試中，尤其是在需要代碼能力和嚴謹邏輯推理的場景中，Llama 4 的表現并沒有兌現其超越 GPT、DeepSeek 的表現。包括在 Aider Chat 提供的 Polyglot 編程測試中，Maverick 版本的正確率僅為 16%，處于排行榜末尾。

不僅與其龐大的參數體量完全不符，甚至落后于規模更小的開源模型，比如 Google Gamma 。這種結果讓不少開發者大感意外，也與官方宣傳形成了強烈反差。

圖/ Chatbot Arena

風評下滑之際，更嚴厲的質疑也接踵而至——Llama 4 是否使用了公開測試集進行訓練？是否針對通用基準的 Chatbot Arena 針對性優化？這些質疑都在技術社區迅速傳播、發酵，包括 Chatbot Arena 在聲明中盡管并未使用「作弊」等字眼，但字里行間的語氣已足夠強硬和不滿。

尤其是中文移民社區「一畝三分地」上，自稱提交辭呈、要求從 Llama 4 技術報告中刪除名字的「Meta 員工」發帖表示，隨著 Deadline（截止日期）的逼近，Meta 最終選擇了將各個基準測試的測試集混合在 Post-Training「后訓練」（對應大模型的「預訓練」階段）之中。

不過 Meta 團隊很快出面做了澄清，一位經手「后訓練」的 Meta GenAI 成員實名（Licheng Yu）表示：

「這兩天虛心聆聽各方 feedback（比如 coding、creative writing 等缺陷必須改進）希望能在下一版有提升。但為了刷點而 overfit 測試集我們從來沒有做過，實名 LichengYu，兩個 oss model 的 post training 有經手我這邊請告知哪條 prompt 是測試集選出來放進訓練集的我給你磕一個+道歉！」

圖/ Licheng Yu

公開資料顯示，Licheng Yu（虞立成）本科畢業于上海交通大學，2014 年獲佐治亞理工學院和上海交通大學雙碩士學位，2019 年獲北卡羅來納大學教堂山分校計算機科學博士學位，2023 年 6 月至今在 Meta 擔任研究科學家經理，并參與了 Llama 3、Llama 4 項目。

同時，負責 Meta GenAI 的副總裁 Ahmad Al-Dahle 也在 X 平臺明確表示，「Meta 沒有在測試集上訓練 Llama 4。」而針對 Llama-4-Maverick-03-26-Experimental，Meta 也在爭議發生后選擇了發布開源版本，以回應外界的批評。

圖/ X

但這些回應顯然都沒能回避掉一個問題：Llama 4 的真實能力。事實上，不管是 Licheng Yu，還是 Ahmad Al-Dahle，都在駁斥部分質疑的同時承認了 Llama 4 在性能存在的問題。

作為開源陣營中曾經「最有希望挑戰 OpenAI」的旗手，Llama 4 原本承載著開發者與產業界的高度期待。但現在，它卻在發布一周內從「高光」跌入「信任危機」，成為大模型競賽中一次罕見的口碑「滑鐵盧」。

DeepSeek加速開源，Meta被逼到失速

如果只看表面，這次 Llama 4 的口碑翻車，似乎充滿了戲劇張力——匿名離職員工爆料稱，Meta 高層為了趕上內部設定的 Deadline，要求將各大測試集混入 「后訓練」，只為「一個能看的結果」。甚至還傳言，負責 AI 的副總裁 Joelle Pineau 也因反對這一做法而離職。

不過從目前公開的信息來看，這些說法經不起推敲。關于使用測試集進行后訓練一事，前文的回應其實已經基本澄清。而 Joelle Pineau 的離職發生在發布前兩天，但她并不負責生成式 AI 團隊，而是領導 Meta Fundamental AI Research（FAIR）研究部門，與 Llama 4 項目并無直接關聯。

發布前幾天離職的Joelle Pineau，圖/ Meta

在辟除這些輿論雜音之后，真正的問題才浮出水面。追根究底，Llama 4 的問題，不在于造假，而在于開源大模型競爭加劇下的失速。

過去兩年，Meta 憑借 Llama 2 和 Llama 3，逐步在開源模型市場上建立起「領先、可靠」的認知。然而到了 Llama 4，情況已經發生了巨大的變化，DeepSeek V3/R1 的發布扭轉了開源與閉源模型的差距，并且大大加速了開源模型的發展速度。

這讓原本作為「開源領導者」的 Llama 面臨更大的壓力。

盡管我們認為前文爆料很多經不起推敲，但有一點卻是現實：Llama 4 確實有 Deadline。這一點從 Llama 4 Behemoth 還在訓練中就得以窺見，而且在參數規模膨脹、架構復雜化（MoE）的同時，Llama 4 很可能沒有留出足夠的測試和改進時間，才導致發布后不穩定的性能表現。

圖/ Meta

此外，Meta 也沒能控制住動作的變形。Llama-4-Maverick-03-26-Experimental 針對對話模式的優化本身無可厚非，但「首發」Chatbot Arena 的目的卻是路人皆知。我們也不知道，這個特調版本又犧牲了哪些？

而從目前來看，Meta 的做法顯然錯了，經過能在發布之處獲得更高的期待、更多的關注，但之后的實際表現不僅讓人更加失望，也打破了用戶對 Llama 系列「領先、可靠」的認知。

怎么看都是輸。

Meta 當然還有機會補救。只是，它首先必須正面面對 DeepSeek、Qwen、Gamma 等其他大模型已經崛起、甚至超越自己的現實，才能談重整河山。