开源大模子 Llama 4 的翻车还在抓续发酵。 4 月 8 日，四肢空话语模子「巨擘榜单之一」的 Chatbot Arena（民间俗称「大模子竞技场」）发布了一则口吻悲凉严肃的声明。面对社群对于 Meta 新模子 Llama 4 排名的质疑，官方示意将公开 2000 多场真东谈主对比测试的圆善数据，并悲凉点名 Meta： 「Meta 应该更了了地标明『Llama-4-Maverick-03-26-Experimental』是一个四肢东谈主类偏好进行优化的定制化模子。咱们正在更新排名榜的计策，
开源大模子 Llama 4 的翻车还在抓续发酵。
4 月 8 日，四肢空话语模子「巨擘榜单之一」的 Chatbot Arena（民间俗称「大模子竞技场」）发布了一则口吻悲凉严肃的声明。面对社群对于 Meta 新模子 Llama 4 排名的质疑，官方示意将公开 2000 多场真东谈主对比测试的圆善数据，并悲凉点名 Meta：
「Meta 应该更了了地标明『Llama-4-Maverick-03-26-Experimental』是一个四肢东谈主类偏好进行优化的定制化模子。咱们正在更新排名榜的计策，以幸免此类浑浊再次发生。」
图 / X
这条声明不仅仅澄莹，一定进度上亦然对通盘大模子行业的一记警钟。
Chatbot Arena 由加州大学伯克利分校发起，是现时大模子评测中可能最具行业影响力的「真东谈主盲测」排名榜，中枢的机制是通过闪开导者和 AI 深爱者会在平台上用疏通问题向两款模子发问，对比回答内容并投票打分。
而这种「真东谈主盲测」的机制，让 Chatbot Arena 有别于其他任何基准测试，也成为了外界最为相信的大模子排名榜。不错说，一款模子是否登上「Chatbot Arena 排名榜」前哨，在一定进度上平直影响其在媒体和开导者群体中的口碑与接管率。
正因如斯，当 Meta 在 4 月 5 日发布其最新一代开源大模子 Llama 4，随后快速冲上 Chatbot Arena 排名榜第二，力压一众顶级大模子，仅次于 Google 前脚发布的 Gemini 2.5 Pro，天然也就引起了统统东谈主的瞻仰和期待。
但很快，社区发现这一版块是未公开、定制化调优的「实验模子」，而并非 Meta 开源的郑再版。于是，争议爆发：这算不算「刷榜」？Chatbot Arena 是否被愚弄为营销器具？Meta 为什么要这么操作？
更糟的是，在部分官方莫得展示的专科基准测试中，Llama 4 发挥也不尽如东谈主意，简直垫底。不少第一批尝试的用户也在 Reddit、X 等外交平台上发文抒发了失望，有东谈主就在发帖中提到 Llama 4 在编程才能上的不尽如东谈主意，并指出：
「探讨到 Llama-4-Maverick 有 402B 的参数目，我为什么起义直使用 DeepSeek-V3-0324 呢？大致 Qwen-QwQ-32B 可能更适合——固然性能相同，但它的参数目唯一 32B。」
图 / Reddit
这让东谈主不禁猜疑，也曾被开源阵营录用厚望、凭借 Llama 2 和 Llama 3 渐渐确立口碑的 Meta，为什么就在 Llama 4 翻了车？
时候回到 4 月 5 日，Meta 在官方博客上发布《The Llama 4 herd: The beginning of a new era of natively multimodal AI innovation》一文，厚爱晓谕 Llama 4 系列模子面向社区开源。
这一次，Meta 公开了最新一代模子的三个版块：Llama 4 Scout、Llama 4 Maverick、还在磨砺中的「西席模子」Llama 4 Behemoth，均初次聘用了混杂大家（MoE）架构。
图 / Meta
其中最主流、最受暖和的 Maverick 版块，是领有 128 个「大家」的 170 亿活跃参数模子（总参数为 4000 亿），Meta 将其形色为「同类最好的多模态模子」，强调其在多方面逾越了 Gemini 2.0 与 GPT-4o，在编码和推理方面比 Deepseek 3.1 更有竞争力。
但就在 Llama 4 发布不久，情况赶紧脱离了 Meta 的预期。
在社区层面，首批用户对 Llama 4 的发挥并不买账。在多个测试中，尤其是在需要代码才能和严谨逻辑推理的场景中，Llama 4 的发挥并莫得完毕其寥落 GPT、DeepSeek 的发挥。包括在 Aider Chat 提供的 Polyglot 编程测试中，Maverick 版块的正确率仅为 16%，处于排名榜末尾。
不仅与其繁密的参数体量皆备不符，以致过期于限制更小的开源模子，比如 Google Gamma 。这种服从让不少开导者大感不测，也与官方宣传酿成了热烈反差。
图 / Chatbot Arena
风评下滑之际，更严厉的质疑也相继而至—— Llama 4 是否使用了公开测试集进行磨砺？是否针对通用基准的 Chatbot Arena 针对性优化？这些质疑都在时刻社区赶紧传播、发酵，包括 Chatbot Arena 在声明中尽管并未使用「舞弊」等字眼，但字里行间的口吻已实足阻滞和不悦。
尤其是华文外侨社区「一亩三分地」上，自称提交辞呈、条款从 Llama 4 时刻讲述中删革职字的「Meta 职工」发帖示意，跟着 Deadline（截止日历）的靠近，Meta 最终取舍了将各个基准测试的测试集混杂在 Post-Training「后磨砺」（对应大模子的「预磨砺」阶段）之中。
不外 Meta 团队很快出头作念了澄莹，一位经手「后磨砺」的 Meta GenAI 成员实名（Licheng Yu）示意：
「这两天忍让凝听各方 feedback（比如 coding、creative writing 等过失必须改换）但愿能不才一版有普及。但为了刷点而 overfit 测试集咱们从来莫得作念过，实名 LichengYu，两个 oss model 的 post training 有经手我这边请奉告哪条 prompt 是测试集选出来放进磨砺集的我给你磕一个 + 谈歉！」
图 / Licheng Yu
公开贵府裸露，Licheng Yu（虞立成）本科毕业于上海交通大学，2014 年获佐治亚理工学院和上海交通大学双硕士学位，2019 年获北卡罗来纳大学教堂山分校策画机科学博士学位，2023 年 6 月于今在 Meta 担任接洽科学家司理，并参与了 Llama 3、Llama 4 形式。
同期，负责 Meta GenAI 的副总裁 Ahmad Al-Dahle 也在 X 平台明确示意，「Meta 莫得在测试集上磨砺 Llama 4。」而针对 Llama-4-Maverick-03-26-Experimental，Meta 也在争议发生后取舍了发布开源版块，以复兴外界的月旦。
但这些复兴显著都没能躲闪掉一个问题：Llama 4 的真实才能。事实上，岂论是 Licheng Yu，如故 Ahmad Al-Dahle，都在驳倒部分质疑的同期承认了 Llama 4 在性能存在的问题。
四肢开源阵营中也曾「最有但愿挑战 OpenAI」的旗头，Llama 4 原来承载着开导者与产业界的高度期待。但面前，它却在发布一周内从「高光」跌入「信任危险」，成为大模子竞赛中一次悲凉的口碑「滑铁卢」。
如若只看名义，此次 Llama 4 的口碑翻车，似乎充满了戏剧张力——匿名下野职工爆料称，Meta 高层为了赶上里面设定的 Deadline，条款将各大测试集混入 「后磨砺」，只为「一个能看的服从」。以致还传言，负责 AI 的副总裁 Joelle Pineau 也因反对这一作念法而下野。
不外从面前公开的信息来看，这些说法经不起推敲。对于使用测试集进行后磨砺一事，前文的复兴其实照旧基本澄莹。而 Joelle Pineau 的下野发生在发布前两天，但她并不负责生成式 AI 团队，而是指导 Meta Fundamental AI Research（FAIR）接洽部门，与 Llama 4 形式并无平直商量。
发布前几天地野的 Joelle Pineau，图 / Meta
在辟除这些公论噪音之后，真的的问题才浮出水面。追根究底，Llama 4 的问题，不在于作秀，而在于开源大模子竞争加重下的失速。
夙昔两年，Meta 凭借 Llama 2 和 Llama 3，渐渐在开源模子市集上确立起「起始、可靠」的领路。但是到了 Llama 4，情况照旧发生了巨大的变化，DeepSeek V3/R1 的发布扭转了开源与闭源模子的差距，而且大大加快了开源模子的发展速率。
这让原来四肢「开源指导者」的 Llama 濒临更大的压力。
尽管咱们以为前文爆料好多经不起推敲，但有极少却是现实：Llama 4 照实有 Deadline。这极少从 Llama 4 Behemoth 还在磨砺中就得以窥见，而且在参数限制彭胀、架构复杂化（MoE）的同期，Llama 4 很可能莫得留出实足的测试和改换时候，才导致发布后不踏实的性能发挥。
此外，Meta 也没能划定住动作的变形。Llama-4-Maverick-03-26-Experimental 针对对话模式的优化自身无可厚非，但「首发」Chatbot Arena 的宗旨却是路东谈主皆知。咱们也不知谈，这个特调版块又捐躯了哪些？
而从面前来看，Meta 的作念法显著错了，经由能在发布之处获取更高的期待、更多的暖和，但之后的试验发挥不仅让东谈主愈加失望，也碎裂了用户对 Llama 系列「起始、可靠」的领路。
怎么看都是输。
Meta 天然还有契机拯救。仅仅开云体育，它起始必须正面面对 DeepSeek、Qwen、Gamma 等其他大模子照旧崛起、以致寥落我方的现实，才能谈重整疆土。
