Llama 4 真要被锤爆了人妖，此次是大模子竞技场（Chatbot Arena）官方切身下场开怼：
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：
咱们驻扎到社区对 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，包含用户教导词、模子回复及用户偏好数据（衔接详见下一条推文）。
初步分析标明，模子回复作风与口吻是伏击影响成分（详见作风抵制排名），咱们正在进行更深刻的分析！（比如神采瑰丽抵制？）
此外，咱们行将在 Arena 平台上线 Llama-4-Maverick 的 HuggingFace 版块，排名榜罢了将稍后公布。
Meta 对咱们平台计谋的衔接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" 是过程东谈主类偏好优化的定制模子。
为此，咱们正在更新排名榜计谋，以强化对公谈性、可复现性评估的承诺，幸免畴昔再出现此类轻侮。
总结一下即是：
公开对战数据，正分析排名受影响成分
vpswindows在线播放虚构 Meta 未明确标注模子版块导致评测轻侮
后续：上线 Llama-4-Maverick 的 HuggingFace 版、更新排名榜计谋
官方下场表态后，Llama 4 和 Meta 的路东谈主缘进一步着落。
2000+ 轮对战纪录完整公开
来望望 lmarena.ai 公开的模子对战纪录细目。
领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 版块生成代码的线路委果是 OK 的。
prompt：
create me fun web based game that i can just run the code and works（帮我创建一个意思意思的网页游戏，我只需动手代码就能玩）
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 探询示意"模子回复作风与口吻是伏击影响成分"，从对战数据中委果不错看出 Llama-4-Maverick-03-26-Experimental 的回复中会增多如 "A very nice and very direct request!" "That ’ s it! ""Happy gaming!" 等展示友好的语句以及神采包。
动手两个模子生成的代码。
command-a-03-2025 生成的小游戏是挪动鼠标抵制绿色篮子接住橙色小球，看遵守显著有 bug，小球奏凯穿过篮子，分数也莫得变动：
Llama-4-Maverick-03-26-Experimental 生成的小游戏玩法是挪动鼠标抵制红色方块，点击四处挪动的蓝色圆点 +10 分，点击玄色炸弹 -10 分，每局游戏 30 秒。
不错往常动手，计分也比拟准确：
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 宣称的关节革命" 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，可动作玄色素瘤的标志物，有时甚而是其先行者病变。您能否为我的演讲保举一个精真金不怕火有劲的标题？ )
Llama-4-Maverick-03-26-Experimental 对战的是 claude-3-5-sonnet-20241022。
对比来看，claude-3-5-sonnet-20241022 的回复单刀直入，奏凯给出 5 个标题：
Llama-4-Maverick-03-26-Experimental 的回复更为详备。
不仅会提供神气价值，如 A very timely and relevant topic! Congrats on getting the slot at congress, by the way!（选题相配应景且切合骨子！恭喜拿下大会诠释契机），而且从不同角度别离提供了几个标题：
这还没完，Llama-4-Maverick-03-26-Experimental 还会贴心肠指出遴荐标题时需要有计划的成分以及它我方遴荐的 top 3 标题。
终末再来立时看一谈汉文题目：
涌现一下这部狭窄说 题目 自驾游 当年我自驾游 不戒备压死了一头羊 羊的主东谈主好护理 宰了羊给咱们吃 还送咱们到火车站 在总结的路上 看着火车外的景况 果然好感东谈主
对战 o3-mini，Llama-4-Maverick-03-26-Experimental 再次展现出超长输出的特色，故事分析罢了还拆解了作家为啥要这样贪图，作家本东谈主可能都没念念这样多（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
如起原所述，Llama 4 被 lmarena.ai 站出来挫折的原因，是因为测试排名和骨子线路不符。
在大模子竞技场中，Llama 4 得分 1417，不仅大大卓绝了此前 Meta 自家的 Llama-3-405B（晋升了 149 分），还成为史上第 4 个温顺 1400 分的模子。
而且跑分卓绝了 DeepSeek-V3，奏凯成为榜单上排名第一的开源模子。
但没过多久，东谈主们就发现 Llama 4 的骨子线路突出拉胯，一时代差评如潮，甚而还被作念成了神采包。
比如经典"氛围编程"小球反弹测试，小球奏凯穿过墙壁掉了下去。
其它跑分方面，到了各式第三方基准测试中，情况也大多奏凯逆转，排名掉到了末尾。
何况从 Meta GenAI 负责东谈主 Ahmad Al-Dahle 的推文当中也能看懂，竞技场中的 Llama 4，确乎是一个异常版块。
而在最新的推文中，Ahmad 示意 Llama 4 足够莫得使用测试集进行西席，线路有在相反的原因是还需要巩固的部署。
对于这一证明，有东谈主并不买账，直言这种快乐在其他模子当中从未见过。
Meta 的因循者则示意，但愿线路欠安果然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，触及到的大模子竞技场也引起了东谈主们的凡俗计算。
毕竟 Llama 4 的"作秀"风云即是发生在竞技场上，是以也当然有东谈主质疑起了榜单的巨擘性。
有东谈主指出，竞技场的偏差不单体目下 Llama 4 被高估上，还有 Claude 3.7 的线路被低估了。
诚然，官方快速回话并公开了测试中的细节，这个作念法获取了网友的信托，确认至少在立场和透明度上是说得畴昔的。
但也有东谈主觉得，非论官方立场端不能为，Llama 4 事件确认这种"东谈主类评价 AI "的要领，自己也曾不适用了。
东谈主们日常生涯中的问题，险些总计高出模子都能完满解答，谁还会去追究投票，这个基准已过程时了。
有东谈主补充说，"东谈主类偏好"不是评价高档大模子才调的可靠圭臬，产生较大偏差是往常的。
还有东谈主示意，从官方发布的音问来看，lmarena.ai 我方都不明晰我方的基准。
这名网友证明，特调版 Llama 4 获取用户投票的原因并非 lmarena.ai 所说的"神采瑰丽"，而是因为更具亲和力。
诚然也有东谈主提了些诞素性的观点，比如更始 ELO 评分的算法，或然启用强制作风转机。
但总之，非论是迭代改变如故别有肺肠，都是时代更新对大模子的评价形态了。
参考衔接：
[ 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
一键三连「点赞」「转发」「戒备心」
接待在辩驳区留住你的念念法！
— 完 —
速抢席位！中国 AIGC 产业峰会不雅众报名通谈已开启 � � ♀️
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 限制创变者将皆聚峰会，让更多东谈主用上 AI、用好 AI，与 AI 一同加快成长～
4 月 16 日，就在北京，一齐来深度求索 AI 若何用 � �
� � 一键星标 � �
科技前沿进展逐日见人妖