大數據文摘受權轉載自AI科技評論

作者丨鄭佳美

編輯丨馬曉寧

昨天一早，Meta 放出了自家用了 20 萬顯卡集群訓練出的 Llama 4 系列模型，其中包括 Llama 4 Scout、Llama 4 Maverick 和 Llama 4 Behemoth。消息一出，直接引爆了大模型圈。

Meta 還特意強調，這些模型都經過了大量未標注的文本、圖像和視頻數據的訓練，視覺理解能力已經到了 Next level，有種在大模型領域一騎絕塵的既視感。

Meta GenAI 負責人 Ahmad Al-Dahle 也表示：“我們的開放系統將產出最好的小型、中型和即將出現的前沿大模型。”并附上了一張 Llama 4 的性能對比測試圖。

緊接著，在大模型競技場中 Llama 4 Maverick 的排名直接躍升到第二名，成為了第 4 個突破 1400 分的大模型。在開放模型排行榜上更是超越了 DeepSeek，直接上桌坐“主座”。

“首次采用 MoE 架構”、“千萬 token 上下文”...一時間 Llama 4 就被貼滿了各種 Title。

但在一片贊美和吹捧聲中，很快就有心細的網友發現了不對勁。這位網友用頭段時間在 上很火的讓模型直出幾何程序的方式來測試 Llama 4，但最終的結果是在畫六角形內含一個受重力影響球的集合圖像時，Llama 4 試了 8 次也錯了 8 次，而反觀 DeepSeek R1 和 Gemini 2.5 pro 則是一次正確。

也有網友表示對 Llama 4 的表現感到非常失望。按照以往慣例，更新了版本號的模型在性能上應該有很大的突破，而 Meta 憋了這么久才舍得放出來的 Llama 4 非但沒有進步，在測試中的表現還不如一些現有的大模型。

還有網友非常貼心的給出 Llama 4 系列的模型能力找了個參照物：“Llama 4 maverick 這個 402B 的大模型，大概跟 Qwen QwQ 32B 寫代碼水平一致，而 Llama 4 scout 則近似于 Grok2 或者 文心 4.5。”

01 Llama 4：超級刷榜選手

在官方給出的數據中，Llama 4 的能力妥妥碾壓了一眾大模型，但在網友們的實際測試中，Llama 4 卻顯得很拉跨，越測越覺得離譜的網友們不由得懷疑，扎克伯格是不是給自家模型偷偷刷榜了？

經過網友們的多方證實，最后發現，嘿！還真是刷的。

其實如果認真看 Ahmad Al-Dahle 發布的 Llama 性能對比測試圖最下面一行的小字，你就會發現上面寫著“Llama 4 Maverick 針對對話進行了優化”，而 Meta 其實早就給自己留了個“圖片僅供參考，一切以實物為準”的心眼。

除了破解 Meta 官方的字謎游戲外，網友們也帶著 Llama 4 進出于各大測試榜單中。

他們先是把 Llama 4 拉到了著名的 code 測試榜單 Aider ployglot 中，最終的得分比 qwen-32B還低。

在另一個代碼評測榜單中，Llama 4 的成績也只能排在中間位置。

除此之外，網友們發現在 EQBench 測評基準的長文章寫作榜上，Llama 4 系列也是直接墊底。

而即使是最基礎的翻譯任務，網友們也表示 Llama 4 的表現也是比 3.3 的 70b 還要差得多，甚至還不如 Gemma 3 的 27B。

02 混亂的 Meta

正在網友們風風火火測評 Llama 4 的真實成績時，一則發布在海外的求職平臺一畝三分地上的內容更是直接給Llama 4 的作弊傳聞添了一把柴。

文中提到 Llama 4 的訓練存在嚴重問題，并且內部模型的表現仍然未能達到開源 SOTA，甚至與之相差甚遠，而 Llama 4 的高分也確實是領導層為了能夠在各項指標上交差所做出的“努力”。而這個則消息的爆料者，很可能來自 Meta 公司內部。

除此之外也有其他的 AI 從業者在線吐槽，表示“我們都被耍了，Llama 4 不過是一個早早被設計好的實驗版本。”

還有前 Meta 員工站出來指出公司在產品研發方面存在巨大漏洞，并表示 Llama 系列模型的信息泄露問題其實從 Llama 1 就已經存在了。

而在 Llama 4 發布的幾天前，Meta AI 研究副總裁 Joelle Pineau 就在 Linkedin 發文稱自己已經申請將在 5 月份離職，不由得讓人們將這件事與 Llama 4 作弊刷榜的事情聯系到一起。

不少人疑惑，為什么一向崇尚“大力出奇跡”的 Meta 這次的翻車力度這么大，明明有錢、有卡、有數據，但模型創新能力依舊不足，還要靠作弊刷榜來找存在感？

一個坊間流傳的觀點是，Meta內部研究人員壓力過大，因為他們需要做出成果，給公司一個好的交代，因此會求穩，更加偏向于更能做出成果的事情，而真正重要的內容，比如基礎設施的迭代、新算法的實驗，這些需要大量時間去做出成果的內容，卻往往沒有人愿意去做。

這也導致了 Meta 很難在大模型市場上繼續做出向 DeepSeek R1 這樣轟動整個 AI 領域的東西，而還沒有發布的超大杯 2T 參數模型也應證著這個觀點：Meta 其實還沒有更好的想法。

反觀以研究為導向的 DeepSeek，其實一直在探索新的架構。DeepSeek 團隊先是提出了強化學習里的神奇算法 GRPO，緊接著在 DeepSeek v2 時提出的 MLA 原理直接沿用到了 DeepSeek V3 和 DeepSeek R1 版本上，后來發布的全新注意力架構 NSA 更是實現了超高速長上下文訓練與推理。

回到 Llama 4 這邊，根據 AI 科技評論的了解，對大模型架構有研究的專業人士認為，Llama 4 非常缺乏技術創新，比如說，在后訓練階段還在死守 DPO 。而此前的一系列理論和實驗都表明 DPO 的泛化能力，“比 PPO 差得遠”。PPO 在實際使用中需要調的細節很多，不易上手。在 DeepSeek 提出 GRPO 以后，越來越多的研究者開始使用 GRPO 及其改版。Meta 還繼續堅持用著 DPO 而不選擇創新，這么來看Llama 4 做成如此也屬于意料之中。

03 常人沒法用，專家用不著

而最讓人失望的是，Llama 4 系列的模型都無法放入家用電腦，并且 Llama 4 除了一直在宣傳的 10M 上下窗口外，貌似已經沒有任何優勢，而這一點對于大多數人來說其實并不是必需的內容。

除此之外，GPT 4o， Gemini 2.5 Pro 這些擁有生圖能力的模型型號已經正式推出，而 Grok3、Gemini 2 Flash 等多模態模型也已經開始廣泛開放，這也意味著更多的人沒有再用 Llama 4 的理由，或者說，Llama 4 本身沒有太強的市場競爭力。

反觀這次 Llama 4 的翻車事件，不難看出其實 Llama 4 系列模型很可能是 Meta 在追趕大模型潮流的戰略布局中的一枚重要棋子，但卻因為太過于“急功近利”而選擇作弊，導致直接失去了社區的支持，進而失去了自身的競爭優勢。

并且 Llama 2、Llama 3 的時代已經過去，選擇 Llama 作為基座的開源模型只會越來越少，而對于 Meta 來說，與其選擇作弊刷榜博眼球，不如想想如何創新，如何提高社區適用度，能不能追上最前端的技術暫且放一邊，最重要的是先把口碑先賺回來。

GPU算力按需租用

A100/H100 GPU算力按需租用，

秒級計費，平均節省開支30%以上！

掃碼了解詳情?