Llama 4遭競技場背刺！實錘用特供版刷榜，2000+對戰(zhàn)記錄公開

克雷西 2025-04-08 14:16:37 來源：量子位

克雷西 西風(fēng) 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

Llama 4真要被錘爆了，這次是大模型競技場（Chatbot Arena）官方親自下場開懟：

競技場上，Meta提供給他們的是特供版！

以下是競技場背后lmarena.ai團(tuán)隊的原話：

我們注意到社區(qū)對Llama-4最新版本在Arena平臺的發(fā)布存在疑問。為確保完全透明，現(xiàn)公開2000余組模型對戰(zhàn)數(shù)據(jù)供公眾審閱，包含用戶提示詞、模型回復(fù)及用戶偏好數(shù)據(jù)（鏈接詳見下一條推文）。

初步分析表明，模型回復(fù)風(fēng)格與語氣是重要影響因素（詳見風(fēng)格控制排名），我們正在進(jìn)行更深入的分析！（比如表情符號控制？）

此外，我們即將在Arena平臺上線Llama-4-Maverick的HuggingFace版本，排行榜結(jié)果將稍后公布。

Meta對我們平臺政策的理解與我們對模型提供商的期待存在偏差——Meta本應(yīng)明確標(biāo)注“Llama-4-Maverick-03-26-Experimental”是經(jīng)過人類偏好優(yōu)化的定制模型。

為此，我們正在更新排行榜政策，以強化對公平性、可復(fù)現(xiàn)性評估的承諾，避免未來再出現(xiàn)此類混淆。

總結(jié)一下就是：

• 公開對戰(zhàn)數(shù)據(jù)，正分析排名受影響因素
• 譴責(zé)Meta未明確標(biāo)注模型版本導(dǎo)致評測混淆
• 后續(xù)：上線Llama-4-Maverick的HuggingFace版、更新排行榜政策

官方下場表態(tài)后，Llama 4和Meta的路人緣進(jìn)一步下降。

2000+輪對戰(zhàn)記錄完整公開

來看看lmarena.ai公開的模型對戰(zhàn)記錄詳情。

首先來看網(wǎng)友實測時對Llama 4抱怨較大的代碼生成任務(wù)。

競技場中Llama-4-Maverick-03-26-Experimental版本生成代碼的表現(xiàn)的確是OK的。

prompt：

create me fun web based game that i can just run the code and works（幫我創(chuàng)建一個有趣的網(wǎng)頁游戲，我只需運行代碼就能玩）

Llama-4-Maverick-03-26-Experimental對戰(zhàn)加拿大AI初創(chuàng)公司Cohere的command-a-03-2025。

上文lmarena.ai調(diào)查表示“模型回復(fù)風(fēng)格與語氣是重要影響因素”，從對戰(zhàn)數(shù)據(jù)中的確可以看出Llama-4-Maverick-03-26-Experimental的回復(fù)中會增加如”A very nice and very direct request!” “That’s it!??“”Happy gaming!”等展示友好的語句以及表情包。

運行兩個模型生成的代碼。

command-a-03-2025生成的小游戲是移動鼠標(biāo)控制綠色籃子接住橙色小球，看效果顯然有bug，小球直接穿過籃子，分?jǐn)?shù)也沒有變動：

Llama-4-Maverick-03-26-Experimental生成的小游戲玩法是移動鼠標(biāo)控制紅色方塊，點擊四處移動的藍(lán)色圓點+10分，點擊黑色炸彈-10分，每局游戲30秒。

可以正常運行，計分也比較準(zhǔn)確：

這局command-a-03-2025輸?shù)牟辉?/p>

另外，之所以展示Llama-4-Maverick-03-26-Experimental和command-a-03-2025的對比，是因為有網(wǎng)友發(fā)現(xiàn)Llama 4聲稱的關(guān)鍵創(chuàng)新“interleaved no-RoPE attention”和command-a的如出一轍：

再看一個起標(biāo)題的任務(wù)，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(我將在一個學(xué)術(shù)會議上作關(guān)于“痣”的演講——痣是黑素細(xì)胞良性病變，可作為黑色素瘤的標(biāo)志物，有時甚至是其前驅(qū)病變。您能否為我的演講推薦一個簡潔有力的標(biāo)題？)

Llama-4-Maverick-03-26-Experimental對戰(zhàn)的是claude-3-5-sonnet-20241022。

對比來看，claude-3-5-sonnet-20241022的回復(fù)言簡意賅，直接給出5個標(biāo)題：

Llama-4-Maverick-03-26-Experimental的回復(fù)更為詳細(xì)。

不僅會提供情緒價值，如A very timely and relevant topic! ?Congrats on getting the slot at congress, by the way!（選題非常應(yīng)景且切合實際！恭喜拿下大會報告機會），而且從不同角度分別提供了幾個標(biāo)題：

這還沒完，Llama-4-Maverick-03-26-Experimental還會貼心地指出選擇標(biāo)題時需要考慮的因素以及它自己選擇的top 3標(biāo)題。

最后再來隨機看一道中文題目：

prompt：

解析一下這部微小說 題目 自駕游 當(dāng)年我自駕游 不小心壓死了一頭羊 羊的主人好熱情 宰了羊給我們吃 還送我們到火車站 在回來的路上 看著火車外的風(fēng)景 真的好感人

對戰(zhàn)o3-mini，Llama-4-Maverick-03-26-Experimental再次展現(xiàn)出超長輸出的特點，故事分析完了還拆解了作者為啥要這樣設(shè)計，作者本人可能都沒想這么多（doge）：

對戰(zhàn)數(shù)據(jù)看下來，Llama-4-Maverick-03-26-Experimental的排名會這么高，也不奇怪。

此前網(wǎng)友質(zhì)疑Llama-4-Maverick-03-26-Experimental刷票的可能性降低。

Llama 4深陷“造假”丑聞

如開頭所述，Llama 4被lmarena.ai站出來抨擊的原因，是因為測試排名和實際表現(xiàn)不符。

在大模型競技場中，Llama 4得分1417，不僅大大超越了此前Meta自家的Llama-3-405B（提升了149分），還成為史上第4個突破1400分的模型。

而且跑分超越了DeepSeek-V3，直接成為榜單上排名第一的開源模型。

但沒過多久，人們就發(fā)現(xiàn)Llama 4的實際表現(xiàn)相當(dāng)拉胯，一時間差評如潮，甚至還被做成了表情包。

比如經(jīng)典“氛圍編程”小球反彈測試，小球直接穿過墻壁掉了下去。

其它跑分方面，到了各種第三方基準(zhǔn)測試中，情況也大多直接逆轉(zhuǎn)，排名掉到了末尾。

并且從Meta GenAI負(fù)責(zé)人Ahmad Al-Dahle的推文當(dāng)中也能看懂，競技場中的Llama 4，確實是一個特殊版本。

而在最新的推文中，Ahmad表示Llama 4絕對沒有使用測試集進(jìn)行訓(xùn)練，表現(xiàn)存在差異的原因是還需要穩(wěn)定的部署。

對于這一解釋，有人并不買賬，直言這種現(xiàn)象在其他模型當(dāng)中從未見過。

Meta的支持者則表示，希望表現(xiàn)不佳真的是供應(yīng)商的問題所致。

大模型競技場，還能信嗎？

被卷入這次旋渦的不僅是Llama 4和背后的Meta，涉及到的大模型競技場也引起了人們的廣泛討論。

畢竟Llama 4的“造假”風(fēng)波就是發(fā)生在競技場上，所以也自然有人質(zhì)疑起了榜單的權(quán)威性。

有人指出，競技場的偏差不只體現(xiàn)在Llama 4被高估上，還有Claude 3.7的表現(xiàn)被低估了。

當(dāng)然，官方快速回應(yīng)并公開了測試中的細(xì)節(jié)，這個做法獲得了網(wǎng)友的肯定，說明至少在態(tài)度和透明度上是說得過去的。

但也有人認(rèn)為，無論官方態(tài)度端不端正，Llama 4事件說明這種“人類評價AI”的方法，本身已經(jīng)不適用了。

人們?nèi)粘Ｉ钪械膯栴}，幾乎所有領(lǐng)先模型都能完美解答，誰還會去認(rèn)真投票，這個基準(zhǔn)已經(jīng)過時了。

有人補充說，“人類偏好”不是評價高級大模型能力的可靠標(biāo)準(zhǔn)，產(chǎn)生較大偏差是正常的。

還有人表示，從官方發(fā)布的消息來看，lmarena.ai自己都不清楚自己的基準(zhǔn)。

這名網(wǎng)友解釋，特調(diào)版Llama 4獲得用戶投票的原因并非lmarena.ai所說的“表情符號”，而是因為更具親和力。

當(dāng)然也有人提了些建設(shè)性的意見，比如更改ELO評分的算法，或者啟用強制風(fēng)格轉(zhuǎn)換。

但總之，無論是迭代改進(jìn)還是另辟蹊徑，都是時候更新對大模型的評價方式了。

參考鏈接：
[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