【新智元导读】Llama 4 本该是 AI 圈的焦点，却成了大型翻车现场。开源首日，全网实测代码能力崩盘。更让人震惊的是，模型训练测试集被曝作弊，内部员工直接请辞。
Meta 前脚刚发 Llama 4，后脚就有大佬请辞了！
一亩三分地的爆料贴称，经过反复训练后，Llama 4 未能取得 SOTA，甚至与顶尖大模型实力悬殊。
为了蒙混过关，高层甚至建议：
在后训练阶段中，将多个 benchmark 测试集混入训练数据。
在后训练阶段中，将多个 benchmark 测试集混入训练数据。
最终目的，让模型短期提升指标，拿出来可以看起来不错的结果。
这位内部员工 @dliudliu 表示，「自己根本无法接受这种做法，甚至辞职信中明确要求------不要在 Llama 4 技术报告中挂名」。
另一方面，小扎给全员下了「死令」------4 月底是 Llama 4 交付最后期限。
在一系列高压之下，已有高管提出了辞职。
其实，Llama 4 昨天开源之后，并没有在业内得到好评。全网测试中，代码能力极差，实力不如 GPT-4o。
网友 Flavio Adamo 使用相同的提示词，分别让 Llama 4 Maveric 和 GPT-4o 制作一个旋转多边形的动画。
可以看出，Llama 4 Maveric 生成的多边形并不规则而且没有开口。小球也不符合物理规律，直接穿过多边形掉下去了。
相比之下 GPT-4o 制作的动画虽然也不完美，但至少要好得多。
甚至，有人直接曝出，Llama 4 在 LMarena 上存在过拟合现象，有极大的「作弊」嫌疑。
而如今，内部员工爆料，进一步证实了网友的猜想。
沃顿商学院教授 Ethan Mollick 一语中的，「如果你经常使用 AI 模型，不难分辨出哪些是针对基准测试进行优化的，哪些是真正的重大进步」。
不过，另一位内部员工称，并没有遇到这类情况，不如让子弹飞一会儿。
内部员工爆料，Llama 4 训练作弊？
几位 AI 研究人员在社交媒体上都「吐槽」同一个问题，Meta 在其公告中提到 LM Arena 上的 Maverick 是一个「实验性的聊天版本」。
如果看得仔细一点，在 Llama 官网的性能对比测试图的最下面一行，写着「Llama 4 Maverick optimized for conversationality.」
翻译过来就是「针对对话优化的 Llama 4 Maverick」------似乎有些「鸡贼」。
这种「区别对待」的会让开发人员很难准确预测该模型在特定上下文中的表现。
AI 的研究人员观察到可公开下载的 Maverick 与 LM Arena 上托管的模型在行为上存在显著差异。
而就在今天上午，已经有人爆料 Llama 4 的训练过程存在严重问题！
即 Llama 4 内部训练多次仍然没有达到开源 SOTA 基准。
Meta 的领导层决定在后训练过程中混合各种基准测试集------让 Llama 4「背题」以期望在测试中取得「好成绩」。
这个爆料的原始来源是「一亩三分地」，根据对话，爆料者很可能来自于 Meta 公司内部。
对话中提到的 Meta AI 研究部副总裁 Joelle Pineau 也申请了 5 月底辞职。（不过，也有网友称并非是与 Llama4 相关）
但是根据 Meta 的组织架构体系，Pineau 是 FAIR 的副总裁，而 FAIR 实际上是 Meta 内部与 GenAI 完全独立的组织，GenAI 才是负责 Llama 项目的组织。
GenAI 的副总裁是 Ahmad Al-Dahle，他并没有辞职。
Llama 4 才刚刚发布一天，就出现如此重磅的消息，让未来显得扑朔迷离。
代码翻车，网友大失所望
在昨天网友的实测中，评论还是有好有坏。
但是过去一天进行更多的测试后，更多的网友表达了对 Llama 4 的不满。
在 Dr_Karminski 的一篇热帖中，他说 Llama-4-Maverick------总参数 402B 的模型------在编码能力方面大致只能与 Qwen-QwQ-32B 相当。
Llama-4-Scout------总参数 109B 的模型------大概与 Grok-2 或 Ernie 4.5 类似。
在评论中，网友响应了这个判断。
有人说 Llama 4 的表现比 Gemma 3 27B 还要差。
有人认为 Llama 4 的表现甚至和 Llama 3.2 一样没有任何进步，也无法完成写诗。
其他用户在测试后也表达了同样的观点，Llama 4 有点不符合预期。
网友 Deedy 也表达了对 Llama 4 的失望，称其为「一个糟糕的编程模型」。
他表示，Scout (109B) 和 Maverick (402B) 在针对编程任务的 Kscores 基准测试中表现不如 4o、Gemini Flash、Grok 3、DeepSeek V3 和 Sonnet 3.5/7。
他还给出了贴出了 Llama 4 两个模型的一张测试排名，结果显示这两个新发布的模型远远没有达到顶尖的性能。
网友 anton 说，Llama 4「真的有点令人失望」。
他表示自己不会用它来辅助编码，而 Llama 4 的定位有点尴尬。
anton 认为 Llama 4 的两个模型太大了，不太好本地部署。他建议 Meta 应该推出性能优秀的小模型，而不是去追求成为 SOTA。
「因为目前他们根本做不到。」他写道。
参考资料：