近期，开源大模型领域掀起了一场风波，焦点直指meta最新发布的Llama 4。
4月8日，备受瞩目的大模型评测平台Chatbot Arena发表了一份措辞严厉的声明，针对社群对meta新模型Llama 4排名的质疑，决定公开2000多场真人对比测试的完整数据，并直接点名meta。声明中指出：“meta应更清晰地表明‘Llama-4-Maverick-03-26-Experimental’是一个针对人类偏好进行优化的定制化模型。我们正在更新排行榜策略，以避免此类混淆再次发生。”
这份声明不仅是对质疑的回应，更是对整个大模型行业的一次警示。Chatbot Arena由加州大学伯克利分校发起，通过真人盲测机制，成为业界最具影响力的排行榜之一。开发者和AI爱好者在平台上用相同问题向两款模型提问，对比回答内容并投票打分。一款模型能否登上Chatbot Arena排行榜前列，直接影响其在媒体和开发者群体中的口碑与采纳率。
4月5日，meta发布最新一代开源大模型Llama 4，并迅速冲上Chatbot Arena排行榜第二，仅次于Google发布的Gemini 2.5 Pro，引发了广泛关注。然而，很快就有社区用户发现，这一版本是未公开的定制化调优实验模型，并非meta开源的正式版。争议由此爆发：这是否构成“刷榜”？Chatbot Arena是否被用作营销工具？meta为何如此操作？
更糟糕的是，在部分未公开的专业基准测试中，Llama 4的表现也不尽如人意，几乎垫底。不少首批尝试的用户在Reddit等社交平台上表达了失望，指出Llama 4在编程能力上的不足。有用户发帖称：“考虑到Llama-4-Maverick有402B的参数量，我为什么不直接使用DeepSeek-V3-0324呢？或者Qwen-QwQ-32B可能更合适——虽然性能相似，但它的参数量只有32B。”
这一连串事件让人不禁疑惑，曾经凭借Llama 2和Llama 3逐渐建立口碑的meta，为何在Llama 4上翻了车？
回溯到4月5日，meta在官方博客上宣布Llama 4系列模型面向社区开源，包括Llama 4 Scout、Llama 4 Maverick以及仍在训练中的“教师模型”Llama 4 Behemoth，均首次采用混合专家（MoE）架构。其中，最受关注的Maverick版本拥有128个“专家”、170亿活跃参数（总参数为4000亿），被meta描述为“同类最佳的多模态模型”，强调在多方面超过Gemini 2.0与GPT-4，在编码和推理方面比Deepseek 3.1更有竞争力。
然而，Llama 4发布后不久，情况迅速失控。首批用户对Llama 4的表现并不满意，尤其是在需要代码能力和严谨逻辑推理的场景中，Llama 4的表现并未兑现超越GPT、DeepSeek的承诺。在Aider Chat提供的Polyglot编程测试中，Maverick版本的正确率仅为16%，处于排行榜末尾，与其庞大的参数体量完全不符，甚至落后于规模更小的开源模型，如Google Gamma。这一结果让不少开发者大感意外，与官方宣传形成强烈反差。
随着风评下滑，更严厉的质疑接踵而至：Llama 4是否使用了公开测试集进行训练？是否针对Chatbot Arena进行了针对性优化？这些质疑在技术社区迅速传播、发酵。尽管Chatbot Arena在声明中未使用“作弊”等字眼，但语气已足够强硬和不满。中文社区也有自称meta员工的网友爆料，要求从Llama 4技术报告中删除名字。面对种种质疑，meta团队迅速出面澄清，负责meta GenAI的成员虞立成（Licheng Yu）表示：“这两天虚心聆听各方feedback，希望能在下一版有提升。但为了刷点而overfit测试集我们从来没有做过。”同时，meta GenAI的副总裁Ahmad Al-Dahle也在社交平台明确表示，meta没有在测试集上训练Llama 4。
尽管meta进行了澄清，但无法回避Llama 4真实能力的问题。作为开源阵营中曾经“最有希望挑战OpenAI”的旗手，Llama 4原本承载着开发者与产业界的高度期待。然而，发布一周内就从“高光”跌入“信任危机”，成为大模型竞赛中一次罕见的口碑“滑铁卢”。
追根究底，Llama 4的问题不在于造假，而在于开源大模型竞争加剧下的失速。过去两年，meta凭借Llama 2和Llama 3在开源模型市场上建立起领先地位。然而，到了Llama 4，情况已发生巨大变化，DeepSeek V3/R1的发布扭转了开源与闭源模型的差距，大大加速了开源模型的发展速度。这让原本作为“开源领导者”的Llama面临更大压力，加之参数规模膨胀、架构复杂化（MoE），Llama 4很可能没有留出足够的测试和改进时间，才导致发布后性能表现不稳定。
