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
