Llama 4 真要被锤爆了kaiyunApp下载入口|kaiyun，此次是大模子竞技场（Chatbot Arena）官方亲身下场开怼：
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：
咱们安宁到社区对 Llama-4 最新版块在 Arena 平台的发布存在疑问。为确保完全透明，现公开 2000 余组模子对战数据供公众审阅，包含用户领导词、模子回复及用户偏好数据（采集详见下一条推文）。
初步分析标明，模子回复作风与口吻是热切影响要素（详见作风限度排名），咱们正在进行更深远的分析！（比如色调象征限度？）
此外，咱们行将在 Arena 平台上线 Llama-4-Maverick 的 HuggingFace 版块，排名榜终端将稍后公布。
Meta 对咱们平台战略的交融与咱们对模子提供商的期待存在偏差—— Meta 本应明确标注"Llama-4-Maverick-03-26-Experimental" 是进程东说念主类偏好优化的定制模子。
为此，咱们正在更新排名榜战略，以强化对公说念性、可复现性评估的快乐，幸免异日再出现此类沾污。
总结一下即是：
公开对战数据，正分析排名受影响要素
训斥 Meta 未明确标注模子版块导致评测沾污
后续：上线 Llama-4-Maverick 的 HuggingFace 版、更新排名榜战略
官方下场表态后，Llama 4 和 Meta 的路东说念主缘进一步下落。
2000+ 轮对战记载完整公开
来望望 lmarena.ai 公开的模子对战记载笃定。
率先来看网友实测时对 Llama 4 衔恨较大的代码生成任务。
竞技场中 Llama-4-Maverick-03-26-Experimental 版块生成代码的阐扬确切是 OK 的。
prompt：
create me fun web based game that i can just run the code and works（帮我创建一个风趣风趣的网页游戏，我只需启动代码就能玩）
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 造访暗示"模子回复作风与口吻是热切影响要素"，从对战数据中确切不错看出 Llama-4-Maverick-03-26-Experimental 的回复中会加多如 "A very nice and very direct request!" "That ’ s it! ""Happy gaming!" 等展示友好的语句以及色调包。
启动两个模子生成的代码。
command-a-03-2025 生成的小游戏是迁移鼠标限度绿色篮子接住橙色小球，看着力分解有 bug，小球径直穿过篮子，分数也莫得变动：
Llama-4-Maverick-03-26-Experimental 生成的小游戏玩法是迁移鼠标限度红色方块，点击四处迁移的蓝色圆点 +10 分，点击玄色炸弹 -10 分，每局游戏 30 秒。
不错浅近启动，计分也相比准确：
这局 command-a-03-2025 输的不冤。
另外，之是以展示 Llama-4-Maverick-03-26-Experimental 和 command-a-03-2025 的对比，是因为有网友发现 Llama 4 宣称的要道翻新" 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对于"痣"的演讲——痣是黑素细胞良性病变，可行为玄色素瘤的标志物，惟恐致使是其先行者病变。您能否为我的演讲保举一个简易有劲的标题？ )
Llama-4-Maverick-03-26-Experimental 对战的是 claude-3-5-sonnet-20241022。
对比来看，claude-3-5-sonnet-20241022 的回复刀刀见血，径直给出 5 个标题：
Llama-4-Maverick-03-26-Experimental 的回复更为详备。
不仅会提供情谊价值，如 A very timely and relevant topic! Congrats on getting the slot at congress, by the way!（选题相等应景且切合骨子！恭喜拿下大会阐发契机），而且从不同角度区分提供了几个标题：
这还没完，Llama-4-Maverick-03-26-Experimental 还会贴心性指出选拔标题时需要接头的要素以及它我方选拔的 top 3 标题。
终末再来就地看一说念华文题目：
默契一下这部渺演义 题目 自驾游 当年我自驾游 不着重压死了一头羊 羊的主东说念主好和顺 宰了羊给咱们吃 还送咱们到火车站 在总结的路上 看着火车外的风物 确实好感东说念主
对战 o3-mini，Llama-4-Maverick-03-26-Experimental 再次展现出超长输出的性情，故事分析完毕还拆解了作家为啥要这样筹商，作家本东说念主可能都没思这样多（doge）：
对战数据看下来，Llama-4-Maverick-03-26-Experimental 的排名会这样高，也不奇怪。
此前网友质疑 Llama-4-Maverick-03-26-Experimental 刷票的可能性缩短。
Llama 4 深陷"作秀"丑闻
如伊始所述，Llama 4 被 lmarena.ai 站出来攻击的原因，是因为测试排名和骨子阐扬不符。
在大模子竞技场中，Llama 4 得分 1417，不仅大大超过了此前 Meta 自家的 Llama-3-405B（擢升了 149 分），还成为史上第 4 个打破 1400 分的模子。
而且跑分超过了 DeepSeek-V3，径直成为榜单上排名第一的开源模子。
但没过多久，东说念主们就发现 Llama 4 的骨子阐扬绝顶拉胯，一时辰差评如潮，致使还被作念成了色调包。
比如经典"氛围编程"小球反弹测试，小球径直穿过墙壁掉了下去。
其它跑分方面，到了多样第三方基准测试中，情况也大多径直逆转，排名掉到了末尾。
何况从 Meta GenAI 负责东说念主 Ahmad Al-Dahle 的推文当中也能看懂，竞技场中的 Llama 4，照实是一个特别版块。
而在最新的推文中，Ahmad 暗示 Llama 4 都备莫得使用测试集进行锻练，阐扬有在各别的原因是还需要壮健的部署。
对于这一讲解，有东说念主并不买账，直言这种抖擞在其他模子当中从未见过。
Meta 的复旧者则暗示，但愿阐扬欠安确实是供应商的问题所致。
大模子竞技场，还能信吗？
被卷入此次漩涡的不仅是 Llama 4 和背后的 Meta，波及到的大模子竞技场也引起了东说念主们的泛泛议论。
毕竟 Llama 4 的"作秀"风云即是发生在竞技场上，是以也当然有东说念主质疑起了榜单的巨擘性。
有东说念主指出，竞技场的偏差不单体刻下 Llama 4 被高估上，还有 Claude 3.7 的阐扬被低估了。
固然，官方快速修起并公开了测试中的细节，这个作念法获取了网友的敬佩，阐发至少在立场和透明度上是说得昔日的。
但也有东说念主以为，不论官方立场端不设施，Llama 4 事件阐发这种"东说念主类评价 AI "的门径，自己照旧不适用了。
东说念主们日常生存中的问题，险些通盘向上模子都能完满解答，谁还会去精致投票，这个基准已进程时了。
有东说念主补充说，"东说念主类偏好"不是评价高等大模子才能的可靠轨范，产生较大偏差是浅近的。
还有东说念主暗示，从官方发布的音讯来看，lmarena.ai 我方都不明晰我方的基准。
这名网友讲解，特调版 Llama 4 获取用户投票的原因并非 lmarena.ai 所说的"色调象征"，而是因为更具亲和力。
固然也有东说念主提了些开荒性的倡导，比如变调 ELO 评分的算法，简略启用强制作风退换。
但总之，不论是迭代矫正照旧别有肺肠，都是技艺更新对大模子的评价款式了。
参考采集：
[ 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
一键三连「点赞」「转发」「着重心」
谅解在驳斥区留住你的思法！
— 完 —
速抢席位！中国 AIGC 产业峰会不雅众报名通说念已开启 � � ♀️
最新嘉宾曝光啦 � � 百度、华为、AWS、MSRA、无问芯穹、数势科技、面壁智能、生数科技等十数位 AI 领域创变者将都聚峰会，让更多东说念主用上 AI、用好 AI，与 AI 一同加快成长～
4 月 16 日，就在北京，一都来深度求索 AI 怎样用 � �
� � 一键星标 � �
科技前沿进展逐日见kaiyunApp下载入口|kaiyun