Meta最新基礎模型Llama 4發布36小時後，評論區居然是這個畫風：失望，非常失望，不知道他們後訓練怎麼搞的，總之不太行，在[各種測試]2中失敗…

還被做成表情包調侃，總結起來就是一個「差評如潮」。

具體來看，大家的抱怨主要集中在程式碼能力。

最直覺的要數經典「氛圍編程」小球反彈測試，小球直接穿過牆壁掉下去了。

反映在榜單上，成績也相當割裂。

發佈時的官方測評（LiveCodeBench）分數和在大模型競技場表現明明都很不錯。

但到了各種第三方基準測試中，情況大多直接逆轉，排名最後。

讓人不由得懷疑，這個競技場排名到底是數據過擬合，還是刷票了。

就在Llama 4即將發布前幾天，Meta AI研究主管Joelle Pineau在工作8年後突然宣布離職，總之就是不太妙。

Llama 4怎麼了?

大模型關注者火熱實測吐槽之際，一則有關Llama 4的匿名爆料，突然引起軒然大波：

有網友表示自己已向Meta GenAI部門提交提交辭職，並要求不要署名在Llama 4的技術報告上。

原貼發佈在海外留學求職交流平台一畝三分地，在國內也引起許多討論。

此爆料尚未得到證實，但有人搬出Meta GenAI負責人Ahmad Al-Dahle的帖子，至少能看出在Llama 4大模型競技場裡運行的是特殊版本模型。

還有Meta前員工藉此主題貼出2024年11月的一項研究，指出從Llama 1開始資料外洩的問題就存在了。

不只是程式能力一個方面有問題，在EQBench評測基準的長文章寫作榜中，Llama 4系列也直接墊底。

榜單維護者_sqrkl說明了具體情況。

測驗非常簡單，模型需要先完成一個短篇小說的腦力激盪、反思並修改寫作計劃，最後每輪寫1000字，重複8輪以上。

由Claude-Sonnet 3.7來當裁判，先對每章單獨打分，再對整個作品打分數。

Llama 4的低分數表現在寫到後面開始大段的內容重複，而且寫作非常公式化。

對此結果，有一個猜想是先前的版權訴訟讓Meta刪除了網路和書籍數據，使用了更多的合成數據。

在這場訴訟中，許多作家發現自己的作品可能被用於AI訓練，也到倫敦的Meta辦公室附近發起抗議。

Llama 4發布後的種種，讓人聯想到年初的匿名員工爆，有網友表示當初只是隨便看看，現在卻開始相信了：

在這條爆料中，Deepseek v3出來之後，訓練中的Llama4就顯得落後了，中階管理的薪水都比DeepSeek V3的訓練成本都高，Meta內部陷入恐慌模式。

讓人不由得感嘆，DeepSeel-R1橫空出世僅兩個月時間，卻像過了幾輩子。