梦晨发自凹非寺量子位公众号 QbitAI
Meta 最新基础模型 Llama 4 发布 36 小时后，评论区居然是这个画风：
失望，非常失望不知道他们后训练怎么搞的，总之不太行
在[各种测试]2 中失败
还被做成表情包调侃，总结起来就是一个“差评如潮”。
具体来看，大家的抱怨主要集中在代码能力。
最直观的要数经典“氛围编程”小球反弹测试，小球直接穿过墙壁掉下去了。
反映在榜单上，成绩也相当割裂。
发布时的官方测评（LiveCodeBench）分数和在大模型竞技场表现明明都很不错。
但到了各种第三方基准测试中，情况大多直接逆转，排名末尾。
让人不由得怀疑，这个竞技场排名到底是数据过拟合，还是刷票了。
就在 Llama 4 即将发布前几天，Meta AI 研究主管 Joelle Pineau 在工作 8 年之后突然宣布离职，总之就是不太妙。
Llama 4 怎么了?
大模型关注者们火热实测吐槽之际，一则有关 Llama 4 的匿名爆料，突然引起轩然大波：
有网友称自己已向 Meta GenAI 部门提交提交辞职，并要求不要署名在 Llama 4 的技术报告上。
原贴发布在海外留学求职交流平台一亩三分地，在国内也引起很多讨论。
此爆料尚未得到证实，但有人搬出 Meta GenAI 负责人 Ahmad Al-Dahle 的帖子，至少能看出在 Llama 4 大模型竞技场里运行的是特殊版本模型。
还有 Meta 前员工借此话题贴出 2024 年 11 月的一项研究，指出从 Llama 1 开始数据泄露的问题就存在了。
也不只是编程能力一个方面有问题，在 EQBench 测评基准的的长文章写作榜中，Llama 4 系列也直接垫底。
榜单维护者_sqrkl 说明了具体情况。
测试非常简单，模型需要先完成一个短篇小说的头脑风暴、反思并修改写作计划，最终每轮写 1000 字，重复 8 轮以上。
由 Claude-Sonnet 3.7 来当裁判，先对每个章节单独打分，再对整个作品打分。
Llama 4 的低分表现在写到后面开始大段的内容重复，以及写作非常公式化。
对此结果，有一个猜想是之前的版权诉讼让 Meta 删除了网络和书籍数据，使用了更多的合成数据。
在这场诉讼中，许多作家发现自己的作品可能被用于 AI 训练，还到伦敦的 Meta 办公室附近发起抗议。
Llama 4 发布后的种种，让人联想到年初的匿名员工爆，有网友表示当初只是随便看看，现在却开始相信了：
在这条爆料中，Deepseek v3 出来之后，训练中的 Llama4 就显得落后了，中层管理的薪水都比 DeepSeek V3 的训练成本都高，Meta 内部陷入恐慌模式。
让人不由得感叹，DeepSeel-R1 横空出世仅仅两个月时间，却像过了几辈子。
[1]https://www.reddit.com/r/LocalLLaMA/comments/1jt7hlc/metas_llama_4_fell_short/
[2]https://www.1point3acres.com/bbs/thread-1122600-1-1.html
