4 月 5 日，Meta 发布新一代开源大模型 Llama 4，主打混合专家（MoE）架构与千万 token 长上下文能力。然而，模型发布仅 36 小时后，评论区便陷入 “差评如潮”，用户实测暴露代码能力缺陷，第三方基准测试排名末尾，与官方测评成绩形成强烈反差。这场争议不仅揭开了 Meta AI 的技术短板，更折射出大模型竞赛背后的深层问题。

一、实测 “翻车”：代码能力成重灾区

在经典 “氛围编程” 小球反弹测试中，Llama 4 的表现引发全网调侃 —— 小球直接穿过虚拟墙壁坠落，被网友制成表情包 “穿墙术大师”。这一现象暴露了模型在物理模拟和逻辑推理上的硬伤。开发者社区的实测结果同样令人失望：

  • Kscores 基准测试：Llama 4 在编程任务中得分垫底，显著落后于 GPT-4o、DeepSeek V3 等竞品。

  • LiveCodeBench 测评：官方宣称的高分在第三方测试中 “反转”，模型在复杂代码生成任务中错误率高达 40%。

  • 数学与科学推理：在 STEM 基准测试中，Llama 4 Maverick 得分 49，仅为 DeepSeek V3 的 74%，且在多步逻辑推理中频繁 “断片”。

二、测评数据遭质疑：“刷票” 还是过拟合？

Meta 在大模型竞技场（LM Arena）的亮眼成绩引发外界怀疑。数据显示，Llama 4 Maverick 以 1417 分位列总榜第二，但研究人员发现：

  • 版本差异：竞技场中运行的是 “针对对话优化” 的特殊版本，与公开下载的模型存在显著行为差异（如大量使用表情符号、回答冗长）。

  • 数据过拟合：模型在官方测评（如 LiveCodeBench）中表现优异，但在未见过的第三方测试中 “现原形”，被指 “为刷榜定制训练数据”。

  • 行业争议：科技媒体 TechCrunch 发文批评 Meta “误导性测试”，指出模型优化可能损害开发者对实际性能的判断。

三、内部动荡与数据隐忧

这场风波背后，Meta AI 正面临多重挑战：

  1. 核心团队流失：Llama 4 发布前夕，Meta AI 研究主管 Joelle Pineau 宣布离职，其主导的 PyTorch 与 Llama 系列研发出现断层。

  2. 匿名爆料发酵：海外平台 “一亩三分地” 用户自称 Meta 员工，控诉模型训练 “混入测试集数据”，并要求从技术报告中除名。尽管未获证实，但 Meta GenAI 负责人 Ahmad Al-Dahle 的帖子暗示竞技场版本存在 “特殊优化”。

  3. 数据泄露风险：Meta 前员工贴出 2024 年研究，指出 Llama 系列从初代起便存在数据泄露问题，可能影响模型安全性。

  4. 版权诉讼后遗症：作家群体抗议 AI 训练侵权后，Meta 删除大量网络和书籍数据，转而使用合成数据。这一调整被指导致 Llama 4 在长文本写作中 “内容重复、公式化”，在 EQBench 测评中垫底。

四、竞品冲击与行业反思

Llama 4 的争议正值 AI 开源模型竞争白热化。DeepSeek V3 的横空出世更让 Meta 陷入被动：

  • 性能碾压：DeepSeek V3 在代码生成、数学竞赛等任务中全面领先，训练成本仅为 Llama 4 的十分之一。

  • 成本困局：匿名爆料称，Meta 中层管理年薪竟高于 DeepSeek V3 的训练成本，内部陷入 “恐慌模式”。

  • 开源信任危机：Llama 4 的表现引发对开源模型可靠性的质疑，有开发者转向闭源方案，称 “开源模型的承诺正在褪色”。

【省心锐评】

面对质疑，Meta 尚未作出正式回应。但技术路线的调整已显端倪：

  • 架构试水：Llama 4 首次采用 MoE 架构，虽提升效率，但专家路由机制在复杂任务中表现不稳定。

  • 多模态押注：模型原生支持图文输入，但实测显示图像理解能力仍落后于 GPT-4o。

  • 生态挑战：新许可协议限制月活超 7 亿的企业使用，可能削弱开源社区支持。

这场争议不仅关乎 Llama 4 的成败，更揭示了大模型行业的深层矛盾：当 “跑分” 成为竞赛核心，模型的真实能力与用户体验是否被忽视？ 随着 DeepSeek 等竞品的崛起，Meta 能否在开源与商业间找到平衡，将决定其在 AI 赛道的未来地位。