Llama 4 刷榜作弊引热议，20 万显卡集群就做出了个这？

被 AI 快速重塑的时代，真实性与信任比排名更重要。

作者丨郑佳美

编辑丨马晓宁

昨天一早，Meta 放出了自家用了 20 万显卡集群训练出的 Llama 4 系列模型，其中包括 Llama 4 Scout、Llama 4 Maverick 和 Llama 4 Behemoth。消息一出，直接引爆了大模型圈。

Meta 还特意强调，这些模型都经过了大量未标注的文本、图像和视频数据的训练，视觉理解能力已经到了 Next level，有种在大模型领域一骑绝尘的既视感。

Meta GenAI 负责人 Ahmad Al-Dahle 也表示：“我们的开放系统将产出最好的小型、中型和即将出现的前沿大模型。”并附上了一张 Llama 4 的性能对比测试图。

紧接着，在大模型竞技场中 Llama 4 Maverick 的排名直接跃升到第二名，成为了第 4 个突破 1400 分的大模型。在开放模型排行榜上更是超越了 DeepSeek，直接上桌坐“主座”。

“首次采用 MoE 架构”、“千万 token 上下文”...一时间 Llama 4 就被贴满了各种 Title。

但在一片赞美和吹捧声中，很快就有心细的网友发现了不对劲。这位网友用头段时间在 上很火的让模型直出几何程序的方式来测试 Llama 4，但最终的结果是在画六角形内含一个受重力影响球的集合图像时，Llama 4 试了 8 次也错了 8 次，而反观 DeepSeek R1 和 Gemini 2.5 pro 则是一次正确。

也有网友表示对 Llama 4 的表现感到非常失望。按照以往惯例，更新了版本号的模型在性能上应该有很大的突破，而 Meta 憋了这么久才舍得放出来的 Llama 4 非但没有进步，在测试中的表现还不如一些现有的大模型。

还有网友非常贴心的给出 Llama 4 系列的模型能力找了个参照物：“Llama 4 maverick 这个 402B 的大模型，大概跟 Qwen QwQ 32B 写代码水平一致，而 Llama 4 scout 则近似于 Grok2 或者 文心 4.5。”

1

Llama 4：超级刷榜选手

在官方给出的数据中，Llama 4 的能力妥妥碾压了一众大模型，但在网友们的实际测试中，Llama 4 却显得很拉跨，越测越觉得离谱的网友们不由得怀疑，扎克伯格是不是给自家模型偷偷刷榜了？

经过网友们的多方证实，最后发现，嘿！还真是刷的。

其实如果认真看 Ahmad Al-Dahle 发布的 Llama 性能对比测试图最下面一行的小字，你就会发现上面写着“Llama 4 Maverick 针对对话进行了优化”，而 Meta 其实早就给自己留了个“图片仅供参考，一切以实物为准”的心眼。

除了破解 Meta 官方的字谜游戏外，网友们也带着 Llama 4 进出于各大测试榜单中。

他们先是把 Llama 4 拉到了著名的 code 测试榜单 Aider ployglot 中，最终的得分比 qwen-32B还低。

在另一个代码评测榜单中，Llama 4 的成绩也只能排在中间位置。

除此之外，网友们发现在 EQBench 测评基准的长文章写作榜上，Llama 4 系列也是直接垫底。

而即使是最基础的翻译任务，网友们也表示 Llama 4 的表现也是比 3.3 的 70b 还要差得多，甚至还不如 Gemma 3 的 27B。

2

混乱的 Meta

正在网友们风风火火测评 Llama 4 的真实成绩时，一则发布在海外的求职平台一亩三分地上的内容更是直接给Llama 4 的作弊传闻添了一把柴。

文中提到 Llama 4 的训练存在严重问题，并且内部模型的表现仍然未能达到开源 SOTA，甚至与之相差甚远，而 Llama 4 的高分也确实是领导层为了能够在各项指标上交差所做出的“努力”。而这个则消息的爆料者，很可能来自 Meta 公司内部。

除此之外也有其他的 AI 从业者在线吐槽，表示“我们都被耍了，Llama 4 不过是一个早早被设计好的实验版本。”

还有前 Meta 员工站出来指出公司在产品研发方面存在巨大漏洞，并表示 Llama 系列模型的信息泄露问题其实从 Llama 1 就已经存在了。

而在 Llama 4 发布的几天前，Meta AI 研究副总裁 Joelle Pineau 就在 Linkedin 发文称自己已经申请将在 5 月份离职，不由得让人们将这件事与 Llama 4 作弊刷榜的事情联系到一起。

不少人疑惑，为什么一向崇尚“大力出奇迹”的 Meta 这次的翻车力度这么大，明明有钱、有卡、有数据，但模型创新能力依旧不足，还要靠作弊刷榜来找存在感？

一个坊间流传的观点是，Meta内部研究人员压力过大，因为他们需要做出成果，给公司一个好的交代，因此会求稳，更加偏向于更能做出成果的事情，而真正重要的内容，比如基础设施的迭代、新算法的实验，这些需要大量时间去做出成果的内容，却往往没有人愿意去做。

这也导致了 Meta 很难在大模型市场上继续做出向 DeepSeek R1 这样轰动整个 AI 领域的东西，而还没有发布的超大杯 2T 参数模型也应证着这个观点：Meta 其实还没有更好的想法。

反观以研究为导向的 DeepSeek，其实一直在探索新的架构。DeepSeek 团队先是提出了强化学习里的神奇算法 GRPO，紧接着在 DeepSeek v2 时提出的 MLA 原理直接沿用到了 DeepSeek V3 和 DeepSeek R1 版本上，后来发布的全新注意力架构 NSA 更是实现了超高速长上下文训练与推理。

回到 Llama 4 这边，根据 AI 科技评论的了解，对大模型架构有研究的专业人士认为，Llama 4 非常缺乏技术创新，比如说，在后训练阶段还在死守 DPO 。而此前的一系列理论和实验都表明 DPO 的泛化能力，“比 PPO 差得远”。PPO 在实际使用中需要调的细节很多，不易上手。在 DeepSeek 提出 GRPO 以后，越来越多的研究者开始使用 GRPO 及其改版。 Meta 还继续坚持用着 DPO 而不选择创新，这么来看Llama 4 做成如此也属于意料之中。

3

常人没法用，专家用不着

而最让人失望的是，Llama 4 系列的模型都无法放入家用电脑，并且 Llama 4 除了一直在宣传的 10M 上下窗口外，貌似已经没有任何优势，而这一点对于大多数人来说其实并不是必需的内容。

除此之外，GPT 4o， Gemini 2.5 Pro 这些拥有生图能力的模型型号已经正式推出，而 Grok3、Gemini 2 Flash 等多模态模型也已经开始广泛开放，这也意味着更多的人没有再用 Llama 4 的理由，或者说，Llama 4 本身没有太强的市场竞争力。

反观这次 Llama 4 的翻车事件，不难看出其实 Llama 4 系列模型很可能是 Meta 在追赶大模型潮流的战略布局中的一枚重要棋子，但却因为太过于“急功近利”而选择作弊，导致直接失去了社区的支持，进而失去了自身的竞争优势。

并且 Llama 2、Llama 3 的时代已经过去，选择 Llama 作为基座的开源模型只会越来越少，而对于 Meta 来说，与其选择作弊刷榜博眼球，不如想想如何创新，如何提高社区适用度，能不能追上最前端的技术暂且放一边，最重要的是先把口碑先赚回来。

更多内容，点击下方关注：

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。

英伟达团队发布最新具身模型 Cosmos-Reason1，在物理世界推理中碾压 Qwen、GPT-4o 等多个 VLM 模型

AI Agent 发展史：从 RL 驱动到大模型驱动 ｜AIR 2025

UCL强化学习派：汪军与他的学生们