在人工智能界，一场围绕开源大模型Llama 4的风波正愈演愈烈。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，承诺将公开超过2000场真人对比测试的完整数据，并直接点名meta。
声明指出：“meta应当更明确地说明‘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，以防止此类混淆再次发生。”
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，以其独特的真人盲测机制，成为了最具行业影响力的大模型排行榜之一。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，这种机制使得Chatbot Arena成为了外界最为信赖的评测平台。
当meta在4月5日发布其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时，引发了广泛关注。然而，很快社区发现，这一版本是未公开的定制化调优实验模型，而非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？
更为糟糕的是，在一些官方未展示的专业基准测试中，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等社交平台上表达失望，有人指出Llama 4在编程能力上的不足，并表示：“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上栽了跟头？时间回溯到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），meta将其描述为“同类最佳的多模态模型”，强调其在多方面超过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，情况迅速恶化。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的表现并未兑现其超越GPT、DeepSeek的承诺。
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meta团队迅速出面澄清，包括负责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，但这些回应并未能完全平息外界的质疑。
事实上，无论是meta团队中的虞立成（Licheng Yu），还是Ahmad Al-Dahle，都在驳斥部分质疑的同时承认了Llama 4在性能上存在的问题。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，它却在发布一周内从“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”。
深入分析，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逐步在开源模型市场上建立起领先地位。然而，到了Llama 4，情况已经发生了巨大变化，DeepSeek V3/R1的发布扭转了开源与闭源模型的差距，并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面临更大的压力。在参数规模膨胀、架构复杂化的同时，Llama 4很可能没有留出足够的测试和改进时间，才导致发布后不稳定的性能表现。
meta在Llama 4的发布策略上也存在失误。Llama-4-Maverick-03-26-Experimental针对对话模式的优化本身无可厚非，但首发Chatbot Arena的目的却过于明显。这一特调版本是否牺牲了其他方面的性能，也引发了外界的猜测。
