共计 1453 个字符，预计需要花费 4 分钟才能阅读完成。
开源大模型 Llama 4 的“翻车”事件仍在持续发酵。4 月 8 日，大语言模型“权威榜单之一”的 Chatbot Arena 发布声明，针对社群对 Meta 新模型 Llama 4 排名的质疑，将公开 2000 多场真人对比测试完整数据，并罕见点名 Meta。该声明不仅是澄清，也给大模型行业敲响了警钟。
Chatbot Arena 由加州大学伯克利分校发起，是极具行业影响力的“真人盲测”排行榜。其核心机制是让开发者和 AI 爱好者用相同问题向两款模型提问，对比回答并投票打分。这种机制使它区别于其他基准测试，成为外界信赖的大模型排行榜。一款模型在该排行榜的名次，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，迅速冲上 Chatbot Arena 排行榜第二，仅次于 Google 的 Gemini 2.5 Pro，引发众人好奇与期待。但很快，社区发现这是未公开、定制化调优的“实验模型”，争议随之而来：这是否算“刷榜”？Chatbot Arena 是否被用作营销工具？Meta 为何这样做？更糟糕的是，在部分专业基准测试中，Llama 4 表现不佳，几乎垫底。不少用户在社交平台表达失望，有人指出其编程能力不尽人意。
01 从高光到塌房，Llama 4 的 72 小时惊魂
4 月 5 日，Meta 在官方博客宣布 Llama 4 系列模型开源，公开了三个版本，均首次采用混合专家（MoE）架构。其中最受关注的 Maverick 版本，被描述为“同类最佳的多模态模型”。然而，Llama 4 发布后，情况超出 Meta 预期。首批用户对其表现不满，在多个测试中，尤其是代码能力和逻辑推理场景，Llama 4 未达超越 GPT、DeepSeek 的宣传。如在 Aider Chat 的 Polyglot 编程测试中，Maverick 版本正确率仅 16%，处于排行榜末尾，落后于规模更小的开源模型。
风评下滑之际，更严厉的质疑出现：Llama 4 是否用公开测试集训练？是否针对 Chatbot Arena 针对性优化？这些质疑在技术社区迅速传播。中文移民社区“一亩三分地”上，自称 Meta 员工的人发帖称 Meta 将测试集混入“后训练”。Meta 团队出面澄清，经手“后训练”的成员实名表示未为刷点而过度拟合测试集，负责 Meta GenAI 的副总裁也明确表示 Meta 未在测试集上训练 Llama 4，并发布开源版本回应批评。但这些回应未能回避 Llama 4 真实能力的问题，其在性能上确实存在问题，从“高光”跌入“信任危机”。
02 DeepSeek 加速开源，Meta 被逼到失速
表面看，Llama 4 口碑翻车充满戏剧张力，有匿名离职员工爆料 Meta 高层为赶 Deadline 将测试集混入“后训练”，甚至传言负责 AI 的副总裁因反对离职。但从公开信息看，这些说法经不起推敲。Llama 4 的问题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 在开源模型市场建立“领先、可靠”认知。但 Llama 4 发布时，DeepSeek V3/R1 扭转了开源与闭源模型差距，加速了开源模型发展，给 Llama 带来更大压力。Llama 4 有 Deadline，在参数规模膨胀、架构复杂化的同时，可能没留够测试和改进时间，导致发布后性能不稳定。此外，Meta 针对对话模式优化无可厚非，但“首发”Chatbot Arena 的目的明显，且这个特调版本可能牺牲了其他方面。Meta 的做法虽起初获得期待和关注，但实际表现令人失望，打破了用户对 Llama 系列的认知。Meta 需直面其他大模型崛起甚至超越自己的现实，才有机会补救。
