編輯 | 伊風
出品 | 51CTO技術棧（微信號：blog51cto）
Meta的辟謠來了！——沒刷榜、模型穩定部署需要時間。
昨日，Llama 4收到許多網友實測后的“差評”，加之自稱內部員工的人在國內論壇上爆料Meta作弊，一時間流言四起。
這下Meta的高管們坐不住了，今天Meta 的生成式 AI 副總裁 Ahmad Al-Dahle在X平臺上表示該傳言“完全不屬實”，他先是象征性地夸了一句Llama 4，然后話鋒一轉開始辟謠：
“話雖如此，我們也收到了關于在不同服務中模型表現質量不一的反饋。由于我們在模型一準備好就立即發布了，所以我們預計各個平臺的公開實現需要幾天時間才能完全穩定下來。我們會繼續修復 bug 并幫助合作伙伴完成接入。
關于有人聲稱我們在訓練中使用了測試集——這完全不屬實，我們絕不會那樣做。我們最合理的理解是，大家目前遇到的質量差異，主要是因為模型的具體實現還需要進一步穩定。”
圖片
評論區中，一些網友表示了理解，認為模型在各個平臺有些邊緣情況需要修bug很正常。
圖片
也有網友對這波辟謠表示質疑，“沒見過其他模型需要搞‘穩定實施’的”。
圖片
有人補充說，可能與Llama 4新引入的一些技術有關。
圖片
話說回來，Llama 4“作弊”傳聞能持續發酵，Meta自身要背負很大的責任。
在報告中，Meta 使用了一個“實驗性的、未公開發布”的 Maverick 版本參加 LM Arena 基準測試，進一步助長了傳言。
在圖表中，他們甚至備注了這個Maverick是做過對話場景優化的。
圖片
這無異于為Llama 4此后的各種流言和猜測埋下了一枚懷疑的種子。
傳聞開始：Meta內部員工稱，領導建議在后訓中使用benchmark測試集
討論最初由“一畝三分地”論壇（該論壇專注于留學和求職的社區平臺，在北美華人圈很有影響力）上的一篇帖子引發，發帖人自稱是參與 Llama 4 訓練的內部員工，并表示因此已辭職。
經過反復訓練，其實內部模型的表現依然未能達到開源SOTA，甚至與之相差甚遠。公司領導層建議將各個benchmark的測試集混合在post-training過程中，目的是希望能夠在各項指標上交差，拿出一個“看起來可以的結果“。
圖片
原貼地址可移步：https://www.1point3acres.com/bbs/thread-1122600-1-1.html
然而，評論區出現了Meta員工，邀請“實名對線”。也有人指出“最近離職的VP根本不參與模型訓練”等細節漏洞，讓貼主爆料中的真實性受到懷疑。
圖片
有人進一步指出發帖人的矛盾之處：如果deadline是網友所爆料的4月底，何必在4月初就發布摻假的結果呢？
圖片
盡管如此，因為Llama 4的實測表現真的很水，這個傳言暗合了許多人的心理預期。讓Meta的這個負面消息在未證實的情況下，就廣泛的傳播開了。
Meta給出的模型效果不一致，網友實測很失望
昨日，外媒TechCrunch 也發表文章，直接指出 Meta 新 AI 模型的性能測試“有些誤導”。
“看起來，Meta 部署到 LM Arena 的 Maverick 版本，與開發者可廣泛訪問的版本并不相同。”
X上的研究人員也發現，Meta 可能為基準評測而優化了模型的“人設”，甚至不惜犧牲客觀性來博好感。他在實測分享時說“Llama 4絕對被烹飪過頭了”。
圖片
他用來測試GPT 4o和Llama 4的問題很簡單：“AI領域工作的Nathan Lambert（博主自己）是誰？”
圖片
GPT的回答相當中肯、理性：
目前，沒有廣為人知、在人工智能領域具有代表性的重要人物叫 Nathan Lambert，他不像 Geoffrey Hinton、Yann LeCun 或 Fei-Fei Li 那樣出名。
但確實有一位名為 Nathan Lambert, PhD 的研究者，專注于機器學習和 AI 相關領域。
而Llama 4則立即開啟了瘋狂話癆模式，在輸出冗長的簡歷后不忘強調“他是該領域最具影響力的人之一。”
一些網友甚至吐槽Llama 4要比Gemma 3 27B以及Llama系列的前代模型還差許多。
圖片
不過，Llama 4能否在Meta VP許諾的“幾天后”穩定下來，并取得一個亮眼的成績，還是一個未知數。或許，我們還是可以期待，在bug修繕后，模型性能會有一個臺階的躍升。
寫在最后：刷榜容易，刷新用戶的口碑難
Meta一系列迷惑的操作，也給其他模型公司敲了個警鐘。
首先，Llama 4的確在模型性能圖表中使用了“實驗版本”有著特定優化的Maverick模型進行跑分。無疑將自己推向了“作弊”的塔西佗陷阱。
其次，Meta在模型剛出爐時就迫不及待地發布了，根本沒有在各個平臺調適到最佳性能。一位網友還建議Meta應該向阿里Qwen學習，做一個更友好的Web UI,讓大家能輕松接觸到前沿模型的能力。
最后，就是老生常談的大模型炒作與刷榜問題了。如果一個模型被特意為基準測試優化后用于評測，隨后卻向公眾發布一個“普通版本”，這會讓開發者難以預測該模型在真實場景中的實際表現。這種行為也具有相當的誤導性。
事實上，“模型無意中看過了答案”這事兒，在AI圈早已不是新聞。大模型的訓練數據來源廣泛，覆蓋了互聯網上幾乎所有能爬到的內容——而熱門基準測試集，本身就經常被引用、分享、分析。結果就是，模型可能在訓練階段就接觸過這些“考試題”，在實際測試中自然能交出一份“優等生”答卷。
因此，是時候重構我們對AI能力評估的方式了。與其再迷信分數排行榜，不如關注模型在真實任務中的表現，比如長時對話、一致性寫作、多輪推理這些“考不過但能干活”的場景。
最后，問題來了，Llama 4家族中的超大杯Llama 4 Behemoth還值得我們期待嗎？
