近日，Llama 4模型在大模型竞技场的风波后，悄然上架了非特供版模型，但其排名却大幅下滑，从原先的榜眼之位跌落至第32名，需费一番功夫才能觅得其踪。
据竞技场官方透露，Llama 4首发时提交的名为“实验版”的模型，实则经过“针对人类偏好优化”，即Llama-4-Maverick-03-26-Experimental。此番调整后的模型，与HuggingFace开源版同款，名为Llama-4-Maverick-17B-128E-Instruct，意指该模型拥有170亿激活参数，及128个MoE专家的指令微调。
关于实验版模型的具体优化手段，目前尚未公开，网友对此议论纷纷，有言“即便对于AI，智慧与魅力亦非必然相伴”。更有声音指出，meta应为其作弊企图遭受严厉谴责，此举恐难再获社区信任。
然而，Llama 4模型亦非毫无是处。有开发者自建服务器测试后分享，Llama 4 Maverick在内存充足但带宽与计算能力较低的系统（如x86服务器CPU推理，或M3 Ultra Mac Studio推理）上，相较于Mistral Small 3.1速度更快，且智能程度超越Mistral Large 2411及Command A。而DeepSeek v3 0324虽能力更强，但需更多内存，运行速度却不及Llama 4的一半。对于配备288GB内存的双路至强服务器而言，Llama 4 Maverick能以理想速度运行，成为优选。
Agent创业公司Composio对Llama 4与DeepSeek v3进行了详细对比，指出Llama 4 Maverick具备性价比高、速度快、工具性强等特点，适合实时交互应用。虽非完美，但若meta能给予其恰当定位，脚踏实地发布，避免基准作弊，Llama 4仍有可为。
在具体测试中，DeepSeek v3 0324在代码能力上远超Llama 4 Maverick。面对一道人类通过率仅15.2%的Leet Code难题——找出能被K整除的最大回文数，Llama 4连初步测试用例都无法通过，即便经过多轮迭代，也仅完成了632个测试用例中的10个。而DeepSeek v3虽常因超时错误而未能完全通过，但仍优于Llama 4。
在常识推理方面，DeepSeek v3 0324同样表现更佳。对于编程语言中(a==1 && a==2 && a==3)能否计算为真的问题，两模型均回答正确，但DeepSeek还提供了Python和Java的运行代码示例，令测试者受益匪浅。在解决四人过城问题中，两模型亦均得出正确答案，但DeepSeek的解答过程更为清晰。
在大型RAG任务中，Llama 4 Maverick速度优势明显，而DeepSeek执行相同任务耗时更长。但在写作方面，两款模型各有千秋，Llama 4 Maverick风格细腻，DeepSeek v3 0324则更为随意。面对同一创作任务，Llama 4的开头引人入胜，结局却略显平淡；而DeepSeek V3的故事虽情节简约，结局却令人印象深刻，最后一句悬念十足。
