克雷西 西风 发自 凹非寺量子位 | 公众号 QbitAI
Llama 4真要被锤爆了，这次是大模型竞技场（Chatbot Arena）官方亲自下场开怼：
竞技场上，Meta提供给他们的是特供版！
以下是竞技场背后lmarena.ai团队的原话：
我们注意到社区对Llama-4最新版本在Arena平台的发布存在疑问。为确保完全透明，现公开2000余组模型对战数据供公众审阅，包含用户提示词、模型回复及用户偏好数据（链接详见下一条推文）。
初步分析表明，模型回复风格与语气是重要影响因素（详见风格控制排名），我们正在进行更深入的分析！（比如表情符号控制？）
此外，我们即将在Arena平台上线Llama-4-Maverick的HuggingFace版本，排行榜结果将稍后公布。
Meta对我们平台政策的理解与我们对模型提供商的期待存在偏差——Meta本应明确标注"Llama-4-Maverick-03-26-Experimental"是经过人类偏好优化的定制模型。
为此，我们正在更新排行榜政策，以强化对公平性、可复现性评估的承诺，避免未来再出现此类混淆。
总结一下就是：
公开对战数据，正分析排名受影响因素
谴责Meta未明确标注模型版本导致评测混淆
后续：上线Llama-4-Maverick的HuggingFace版、更新排行榜政策
官方下场表态后，Llama 4和Meta的路人缘进一步下降。
2000+轮对战记录完整公开
来看看lmarena.ai公开的模型对战记录详情。
首先来看网友实测时对Llama 4抱怨较大的代码生成任务。
竞技场中Llama-4-Maverick-03-26-Experimental版本生成代码的表现的确是OK的。
prompt：
create me fun web based game that i can just run the code and works（帮我创建一个有趣的网页游戏，我只需运行代码就能玩）
Llama-4-Maverick-03-26-Experimental对战加拿大AI初创公司Cohere的command-a-03-2025。
上文lmarena.ai调查表示“模型回复风格与语气是重要影响因素”，从对战数据中的确可以看出Llama-4-Maverick-03-26-Experimental的回复中会增加如"A very nice and very direct request!" "That’s it! ""Happy gaming!"等展示友好的语句以及表情包。
运行两个模型生成的代码。
command-a-03-2025生成的小游戏是移动鼠标控制绿色篮子接住橙色小球，看效果显然有bug，小球直接穿过篮子，分数也没有变动：
Llama-4-Maverick-03-26-Experimental生成的小游戏玩法是移动鼠标控制红色方块，点击四处移动的蓝色圆点+10分，点击黑色炸弹-10分，每局游戏30秒。
可以正常运行，计分也比较准确：
这局command-a-03-2025输的不冤。
另外，之所以展示Llama-4-Maverick-03-26-Experimental和command-a-03-2025的对比，是因为有网友发现Llama 4声称的关键创新“interleaved no-RoPE attention”和command-a的如出一辙：
再看一个起标题的任务，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(我将在一个学术会议上作关于“痣”的演讲——痣是黑素细胞良性病变，可作为黑色素瘤的标志物，有时甚至是其前驱病变。您能否为我的演讲推荐一个简洁有力的标题？)
Llama-4-Maverick-03-26-Experimental对战的是claude-3-5-sonnet-20241022。
对比来看，claude-3-5-sonnet-20241022的回复言简意赅，直接给出5个标题：
Llama-4-Maverick-03-26-Experimental的回复更为详细。
不仅会提供情绪价值，如A very timely and relevant topic! Congrats on getting the slot at congress, by the way!（选题非常应景且切合实际！恭喜拿下大会报告机会），而且从不同角度分别提供了几个标题：
这还没完，Llama-4-Maverick-03-26-Experimental还会贴心地指出选择标题时需要考虑的因素以及它自己选择的top 3标题。
最后再来随机看一道中文题目：
prompt：
解析一下这部微小说 题目 自驾游 当年我自驾游 不小心压死了一头羊 羊的主人好热情 宰了羊给我们吃 还送我们到火车站 在回来的路上 看着火车外的风景 真的好感人
对战o3-mini，Llama-4-Maverick-03-26-Experimental再次展现出超长输出的特点，故事分析完了还拆解了作者为啥要这样设计，作者本人可能都没想这么多（doge）：
对战数据看下来，Llama-4-Maverick-03-26-Experimental的排名会这么高，也不奇怪。
此前网友质疑Llama-4-Maverick-03-26-Experimental刷票的可能性降低。
Llama 4深陷“造假”丑闻
如开头所述，Llama 4被lmarena.ai站出来抨击的原因，是因为测试排名和实际表现不符。
在大模型竞技场中，Llama 4得分1417，不仅大大超越了此前Meta自家的Llama-3-405B（提升了149分），还成为史上第4个突破1400分的模型。
而且跑分超越了DeepSeek-V3，直接成为榜单上排名第一的开源模型。
但没过多久，人们就发现Llama 4的实际表现相当拉胯，一时间差评如潮，甚至还被做成了表情包。
比如经典“氛围编程”小球反弹测试，小球直接穿过墙壁掉了下去。
其它跑分方面，到了各种第三方基准测试中，情况也大多直接逆转，排名掉到了末尾。
并且从Meta GenAI负责人Ahmad Al-Dahle的推文当中也能看懂，竞技场中的Llama 4，确实是一个特殊版本。
而在最新的推文中，Ahmad表示Llama 4绝对没有使用测试集进行训练，表现存在差异的原因是还需要稳定的部署。
对于这一解释，有人并不买账，直言这种现象在其他模型当中从未见过。
Meta的支持者则表示，希望表现不佳真的是供应商的问题所致。
大模型竞技场，还能信吗？
被卷入这次旋涡的不仅是Llama 4和背后的Meta，涉及到的大模型竞技场也引起了人们的广泛讨论。
毕竟Llama 4的“造假”风波就是发生在竞技场上，所以也自然有人质疑起了榜单的权威性。
有人指出，竞技场的偏差不只体现在Llama 4被高估上，还有Claude 3.7的表现被低估了。
当然，官方快速回应并公开了测试中的细节，这个做法获得了网友的肯定，说明至少在态度和透明度上是说得过去的。
但也有人认为，无论官方态度端不端正，Llama 4事件说明这种“人类评价AI”的方法，本身已经不适用了。
人们日常生活中的问题，几乎所有领先模型都能完美解答，谁还会去认真投票，这个基准已经过时了。
有人补充说，“人类偏好”不是评价高级大模型能力的可靠标准，产生较大偏差是正常的。
还有人表示，从官方发布的消息来看，lmarena.ai自己都不清楚自己的基准。
这名网友解释，特调版Llama 4获得用户投票的原因并非lmarena.ai所说的“表情符号”，而是因为更具亲和力。
当然也有人提了些建设性的意见，比如更改ELO评分的算法，或者启用强制风格转换。
但总之，无论是迭代改进还是另辟蹊径，都是时候更新对大模型的评价方式了。
参考链接：[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
《日本动漫无码🔞漫画视频》，《y85ouztigy6ysf5y》Hentaied❌❌18禁网站
“二次元美女黄漫❌18禁动漫”
少妇婬荡呻吟久久久久久老牛
……
04月14日
“男女❌❌❌超爽很痛的动作”直击嫦娥六号发射
↓↓↓
04月14日，亿缕阳光｜春天的声音，992tv在线观看免费进，佐助浴室憋尿被呜人揉，韩国美女+光屁屁+裸体大胸，日本XXXXXXⅩ泡妞视频冫
04月14日，比往年同期低5℃ 英国气温降至零下，国产学生粉嫩无套进，12男学生小裸体无遮挡，免费观看欧美大片的影视软件，扒开腿添十八禁免费网软件
04月14日，【中国网评】美国对华再启301调查：屡错屡犯注定屡败，魅魔裸体被❌视频无码，原神芙宁娜疯狂❌自慰网站，朱竹清被❌到爽拔萝卜，羞羞漫画～汗汗漫画
04月14日|（聚焦中国高质量发展）普洱景迈山古茶林文化景观|火影之乱婬大筒木辉夜|小色猫社区|唐舞桐乖乖趴下撅起屁股|唐舞桐裸体被❌羞羞小说
04月14日|（新春走基层）甘南藏族歌舞“出海”：原生态中引共鸣|学长用嘴啃花蒂喷水h|国外美女换装图片|老头玩老头G70岁老头|女生露出🐔🐔给别看是变态吗
04月14日|形成西部地区高质量发展新格局|美女脱👙给我揉🐻口述|微信公众号平台官网|欧美三级无码18🈲️网站老师|动漫🈚码18🈲免费网站……
04月14日，“尔滨热”能持续到夏天吗？，伦理《少妇的滋味》播放，亚洲老奶老太，有看小电影的公众号吗，欧美做爰全过程免费现看
04月14日，“洋弟子”初识吉林从汽车开始：以后要买辆中国车，chinese沟厕嘘嘘voy，原神女角色被c到生活不能自理，成人涩涩无遮挡，学女脱小内内喷水自慰av网站
04月14日|国台办：只要承认“九二共识” 两会对话交往便不存在障碍|无翼之浩君恋性活全彩漫画|大胸美女脱个精光㊙️动漫|精灵被扒开腿狂c躁到高潮漫画|斯嘉丽裸被❌在线观看
04月14日，这个冬天，他们用火热的心焐热冰雪旅游，风流中国少妇拳交，千仞雪白丝开档自慰3D动漫AV，91秘成人秘密入口导航，穼祖英奶头被捏得受不了
04月14日，贵州安顺：地戏演出引游人，▓蓝莓视频▓无码免费入口，国产51吃瓜秘入口，蔡徐坤被啪到深处喷水小说，使劲cao我吧求cao奶3p
04月14日，中新健康丨夏秋交替如何预防呼吸道疾病和过敏？专家解答，疯狂❌自慰爽www看片无码的，女女c🔞黄㊙️❌B站视频，美女露出㊙️胸奶头亲吻视频，17c娇喘白丝
04月14日|“暖冬”应对寒潮 多地推进供暖建设|强行扒开腿❌狂揉❌玩小说|性欧美潮喷水色欲小说|韩国女主播18🈲朴妮曼|强伦之上
04月14日|北京发布大风蓝色预警|男人解开女人乳罩吃奶视频免费|原神诺艾尔无小内无爱心图片|美女❌18禁漫画网站视频|交videos稀缺资源
04月14日|李子璇：大湾区春晚让我由“I人”变“E人”|杭州悠可化妆品有限公司|里番色列全彩h工口人妻|白雪和王霞的第一次相遇|男人扒拉女人㊙️桶到爽
Selina产后代言收入达百万，朱婷是国际排坛MVP之王|广东：预计13日至16日将有大雨到暴雨降水过程|免费网站成人🔞视频|成人 漫画 免费 3D|欧美裸体办公室㊙️网站|A版人猿泰山1995满天星
监制：邓金木
策划：赖晗
主创：唐征宇 林箴贺 陈佛烘 颜亦阳 陈林韵
编辑：王家菁、段圣祺
