• 克雷西 西風 發自 凹非寺
• 量子位 | 公眾號 QbitAI
  

Llama 4真要被錘爆了，這次是大模型競技場（Chatbot Arena）官方親自下場開懟：

競技場上，Meta提供給他們的是特供版！

以下是競技場背后lmarena.ai團隊的原話：

我們注意到社區對Llama-4最新版本在Arena平臺的發布存在疑問。為確保完全透明，現公開2000余組模型對戰數據供公眾審閱，包含用戶提示詞、模型回復及用戶偏好數據（鏈接詳見下一條推文）。

初步分析表明，模型回復風格與語氣是重要影響因素（詳見風格控制排名），我們正在進行更深入的分析！（比如表情符號控制？）

此外，我們即將在Arena平臺上線Llama-4-Maverick的HuggingFace版本，排行榜結果將稍后公布。

Meta對我們平臺政策的理解與我們對模型提供商的期待存在偏差——Meta本應明確標注"Llama-4-Maverick-03-26-Experimental"是經過人類偏好優化的定制模型。

為此，我們正在更新排行榜政策，以強化對公平性、可復現性評估的承諾，避免未來再出現此類混淆。

總結一下就是：

公開對戰數據，正分析排名受影響因素

譴責Meta未明確標注模型版本導致評測混淆

后續：上線Llama-4-Maverick的HuggingFace版、更新排行榜政策

官方下場表態后，Llama 4和Meta的路人緣進一步下降。

2000+輪對戰記錄完整公開

來看看lmarena.ai公開的模型對戰記錄詳情。

首先來看網友實測時對Llama 4抱怨較大的代碼生成任務。

競技場中Llama-4-Maverick-03-26-Experimental版本生成代碼的表現的確是OK的。

prompt：

create me fun web based game that i can just run the code and works（幫我創建一個有趣的網頁游戲，我只需運行代碼就能玩）

Llama-4-Maverick-03-26-Experimental對戰加拿大AI初創公司Cohere的command-a-03-2025。

上文lmarena.ai調查表示“模型回復風格與語氣是重要影響因素”，從對戰數據中的確可以看出Llama-4-Maverick-03-26-Experimental的回復中會增加如"A very nice and very direct request!" "That’s it! ""Happy gaming!"等展示友好的語句以及表情包。

運行兩個模型生成的代碼。

command-a-03-2025生成的小游戲是移動鼠標控制綠色籃子接住橙色小球，看效果顯然有bug，小球直接穿過籃子，分數也沒有變動：

Llama-4-Maverick-03-26-Experimental生成的小游戲玩法是移動鼠標控制紅色方塊，點擊四處移動的藍色圓點+10分，點擊黑色炸彈-10分，每局游戲30秒。

可以正常運行，計分也比較準確：

這局command-a-03-2025輸的不冤。

另外，之所以展示Llama-4-Maverick-03-26-Experimental和command-a-03-2025的對比，是因為有網友發現Llama 4聲稱的關鍵創新“interleaved no-RoPE attention”和command-a的如出一轍：

再看一個起標題的任務，prompt：

I will give a congress talk “On Naevi” — naevi are benign melanocytic lesions which are markers and every so often also precursors of melanoma. Do you have suggestions for a short and succinct title for my presentation(我將在一個學術會議上作關于“痣”的演講——痣是黑素細胞良性病變，可作為黑色素瘤的標志物，有時甚至是其前驅病變。您能否為我的演講推薦一個簡潔有力的標題？)

Llama-4-Maverick-03-26-Experimental對戰的是claude-3-5-sonnet-20241022。

對比來看，claude-3-5-sonnet-20241022的回復言簡意賅，直接給出5個標題：

Llama-4-Maverick-03-26-Experimental的回復更為詳細。

不僅會提供情緒價值，如A very timely and relevant topic! Congrats on getting the slot at congress, by the way!（選題非常應景且切合實際！恭喜拿下大會報告機會），而且從不同角度分別提供了幾個標題：

這還沒完，Llama-4-Maverick-03-26-Experimental還會貼心地指出選擇標題時需要考慮的因素以及它自己選擇的top 3標題。

最后再來隨機看一道中文題目：

prompt：

解析一下這部微小說 題目 自駕游 當年我自駕游 不小心壓死了一頭羊 羊的主人好熱情 宰了羊給我們吃 還送我們到火車站 在回來的路上 看著火車外的風景 真的好感人

對戰o3-mini，Llama-4-Maverick-03-26-Experimental再次展現出超長輸出的特點，故事分析完了還拆解了作者為啥要這樣設計，作者本人可能都沒想這么多（doge）：

對戰數據看下來，Llama-4-Maverick-03-26-Experimental的排名會這么高，也不奇怪。

此前網友質疑Llama-4-Maverick-03-26-Experimental刷票的可能性降低。

Llama 4深陷“造假”丑聞

如開頭所述，Llama 4被lmarena.ai站出來抨擊的原因，是因為測試排名和實際表現不符。

在大模型競技場中，Llama 4得分1417，不僅大大超越了此前Meta自家的Llama-3-405B（提升了149分），還成為史上第4個突破1400分的模型。

而且跑分超越了DeepSeek-V3，直接成為榜單上排名第一的開源模型。

但沒過多久，人們就發現Llama 4的實際表現相當拉胯，一時間差評如潮，甚至還被做成了表情包。

比如經典“氛圍編程”小球反彈測試，小球直接穿過墻壁掉了下去。

其它跑分方面，到了各種第三方基準測試中，情況也大多直接逆轉，排名掉到了末尾。

并且從Meta GenAI負責人Ahmad Al-Dahle的推文當中也能看懂，競技場中的Llama 4，確實是一個特殊版本。

而在最新的推文中，Ahmad表示Llama 4絕對沒有使用測試集進行訓練，表現存在差異的原因是還需要穩定的部署。

對于這一解釋，有人并不買賬，直言這種現象在其他模型當中從未見過。

Meta的支持者則表示，希望表現不佳真的是供應商的問題所致。

大模型競技場，還能信嗎？

被卷入這次旋渦的不僅是Llama 4和背后的Meta，涉及到的大模型競技場也引起了人們的廣泛討論。

畢竟Llama 4的“造假”風波就是發生在競技場上，所以也自然有人質疑起了榜單的權威性。

有人指出，競技場的偏差不只體現在Llama 4被高估上，還有Claude 3.7的表現被低估了。

當然，官方快速回應并公開了測試中的細節，這個做法獲得了網友的肯定，說明至少在態度和透明度上是說得過去的。

但也有人認為，無論官方態度端不端正，Llama 4事件說明這種“人類評價AI”的方法，本身已經不適用了。

人們日常生活中的問題，幾乎所有領先模型都能完美解答，誰還會去認真投票，這個基準已經過時了。

有人補充說，“人類偏好”不是評價高級大模型能力的可靠標準，產生較大偏差是正常的。

還有人表示，從官方發布的消息來看，lmarena.ai自己都不清楚自己的基準。

這名網友解釋，特調版Llama 4獲得用戶投票的原因并非lmarena.ai所說的“表情符號”，而是因為更具親和力。

當然也有人提了些建設性的意見，比如更改ELO評分的算法，或者啟用強制風格轉換。

但總之，無論是迭代改進還是另辟蹊徑，都是時候更新對大模型的評價方式了。

參考鏈接：[1]https://x.com/lmarena_ai/status/1909397817434816562[2]https://x.com/Ahmad_Al_Dahle/status/1909302532306092107[3]https://huggingface.co/spaces/lmarena-ai/Llama-4-Maverick-03-26-Experimental_battles