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！
以下是競技場背後lmarena.ai團隊的原話：
我們注意到社群對Llama-4最新版本在Arena平臺的釋出存在疑問。為確保完全透明，現公開2000餘組模型對戰資料供公眾審閱，包含使用者提示詞、模型回覆及使用者偏好資料（連結詳見下一條推文）。初步分析表明，模型回覆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，排行榜結果將稍後公佈。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本應明確標註"Llama-4-Maverick-03-26-Experimental"是經過人類偏好最佳化的定製模型。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：
-
公開對戰資料，正分析排名受影響因素 -
譴責Meta未明確標註模型版本導致評測混淆 -
後續：上線Llama-4-Maverick的HuggingFace版、更新排行榜政策
官方下場表態後，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抱怨較大的程式碼生成任務。
競技場中Llama-4-Maverick-03-26-Experimental版本生成程式碼的表現的確是OK的。
prompt：
create me fun web based game that i can just run the code and works（幫我建立一個有趣的網頁遊戲，我只需執行程式碼就能玩）
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“模型回覆風格與語氣是重要影響因素”，從對戰資料中的確可以看出Llama-4-Maverick-03-26-Experimental的回覆中會增加如"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。
執行兩個模型生成的程式碼。
command-a-03-2025生成的小遊戲是移動滑鼠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生成的小遊戲玩法是移動滑鼠控制紅色方塊，點選四處移動的藍色圓點+10分，點選黑色炸彈-10分，每局遊戲30秒。
可以正常執行，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於“痣”的演講——痣是黑素細胞良性病變，可作為黑色素瘤的標誌物，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的回覆言簡意賅，直接給出5個標題：
Llama-4-Maverick-03-26-Experimental的回覆更為詳細。
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。
最後再來隨機看一道中文題目：
prompt：
解析一下這部微小說 題目 自駕遊 當年我自駕遊 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麼多（doge）：
對戰資料看下來，Llama-4-Maverick-03-26-Experimental的排名會這麼高，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”醜聞
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“氛圍程式設計”小球反彈測試，小球直接穿過牆壁掉了下去。
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。
並且從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。
對於這一解釋，有人並不買賬，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？
被捲入這次旋渦的不僅是Llama 4和背後的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，官方快速回應並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”不是評價高階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，從官方釋出的訊息來看，lmarena.ai自己都不清楚自己的基準。
這名網友解釋，特調版Llama 4獲得使用者投票的原因並非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評分的演算法，或者啟用強制風格轉換。
但總之，無論是迭代改進還是另闢蹊徑，都是時候更新對大模型的評價方式了。
參考連結：[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