模型:Llama 4
| 名称 | Llama 4 |
|---|---|
| 厂商 | Meta（Meta AI / FAIR） |
| 发布日期 | 2025-04-05 |
| 上下文 | 10M |
| 最大输出 | |
| 价格 | 开源 |
| 定位 | 开源翻车 |
一句话点评
开源史上最大翻车：官方成绩被 LeCun 亲口承认 fudged，实测编程 15.6%、SWE 仅约 24%，有长度没质量，社区共识为全面倒退。
社区反馈 · 编程
共识是最短板：Aider Polyglot 实测仅 15.6%，Reddit 帖直书 "I strongly advise against using Llama 4 for coding"（476 赞帖正文）；官方宣称 SWE-bench 41.8% 但第三方复现仅约 24%，同期 DeepSeek V4 Pro 达 80.6%、Qwen 3.6-27B 达 77.2%；甚至被比它小得多的 Qwen2.5-Coder-32B（16.4%）反超。官方 LiveCodeBench 43.4%（Maverick）与第三方实测落差巨大，rootly.com 专门发文《Llama 4 underperforms: a benchmark against coding-centric models》。
社区反馈 · 推理
2025-04-05 初版为非推理模型，数学与逻辑弱于 DeepSeek V3；但 Epoch AI 独立复现 GPQA Diamond Maverick 67% / Scout 52%，与官方宣称的 69.8% / 57.2% 基本吻合，并非全盘注水。2025-04-29 发布推理版 Llama 4 Reasoning 17B（Maas API，547↑ Reddit 帖），官方话术从「不推理」转向补推理短板；社区共识 Maverick 智能约等于 GPT-4o-0806 旧版（Artificial Analysis 复现），不足以激励迁移。
社区反馈 · 中文
无明显优势且偏弱：官方 12 种支持语言不含中文，AI 超元域实测「中文 OCR 表现不及预期」；知乎评测指出 DeepSeek V3 以中文能力见长，Llama 4 中文创作/理解乏善可陈；社区缺乏专门好评，反观 Qwen 系列在中文场景更受推荐，中文用户普遍转向国产开源。
升级共识
社区共识明确「不值得升级」：编程/推理/日常问答全面落后 DeepSeek 与 Qwen 系，「等下版」是主流意见；Epoch AI 复现虽证明 GPQA Diamond 官方分数基本可信（Maverick 67% vs 官方 69.8%），但社区体感仍差——Artificial Analysis 定位 Maverick ≈ GPT-4o-0806 旧版、Scout ≈ Mistral Small 3.1 / Gemma 3 27B，均不足以构成迁移理由；仅超长上下文（Scout 10M）与多模态图文输入且能接受 50GB+ 显存部署门槛的用户可考虑，且需自行验证「有长度没质量」——Fiction.liveBench 128K 仅 15.6%（Gemini 2.5 Pro 90.6%）、4-bit 量化 5M 后困惑度 +15-20%。
榜单与实测落差
落差极大，「分数高但体感差」是最大痛点：官方 SWE-bench 41.8% vs 第三方复现约 24%，Aider 实测编程仅 15.6%，官方 LiveCodeBench 43.4% 与第三方 Aider 实测 16% 完全脱节；LMArena 特调版 ELO 1417 第 2 vs 开源版第 32，落差 30 名。根因是送测特调版与开源权重并非同一模型，加上发布仓促（据 The Information，DeepSeek 冲击下 Meta 内部恐慌、多次推迟后赶 4 月底 Deadline 交付）；缓解：以 Aider/第三方复现成绩为准绳，把 10M 上下文当营销参数、按约 5M 有效窗口规划任务，编程槽位一律换 DeepSeek V3.2 或 Qwen3。
数据来源
本页由仓库 content/models/llama-4.md 初始化。后续修订通过公开审核队列发布。