開源世界的期待與漣漪 

人工智能的浪潮奔涌向前，Meta的Llama系列一直扮演著特殊的角色。回想Llama 2的橫空出世和開源姿態(tài)，極大地降低了高性能大模型的門檻，在全球范圍內(nèi)點(diǎn)燃了研究和應(yīng)用的熱情，催生了無數(shù)創(chuàng)新，其影響力至今仍在激蕩。相較之下，Llama 3的發(fā)布雖然帶來了性能提升，但在社區(qū)看來，似乎少了些 Llama 2那樣的顛覆性震撼，更像是一次穩(wěn)健但略顯保守的迭代。

在這樣的背景下，Llama 4的發(fā)布承載了社區(qū)極高的期待。4月6日大周末的，Llama 4發(fā)布了。然而，在看完Meta的官方博文文章后，我總體感覺是“千呼萬喚始出來，猶抱琵琶半遮面”。那么它帶來了什么？社區(qū)反響如何？它是否達(dá)到了人們的預(yù)期？我們深入看下。

Llama 4 ：Meta的宏偉藍(lán)圖 

Meta 的官方博文描繪了一個(gè)名為“Llama 4 牧群”（Llama 4 herd）的宏大計(jì)劃，首批推出了三位成員，旨在開啟“原生多模態(tài) AI 創(chuàng)新”的新紀(jì)元：

1. Llama 4 Scout (偵察兵):

• 定位: 高效、針對特定場景優(yōu)化的模型。
• 參數(shù): 17B (十億) 激活參數(shù)，16 個(gè)專家（Experts），總參數(shù) 109B。
• 亮點(diǎn):

• 原生多模態(tài): 支持文本、圖像、視頻（幀）輸入。
• 業(yè)界領(lǐng)先的 10M (千萬) Token 上下文窗口: 這是最引人注目的數(shù)字之一。
• 高效推理: 據(jù)稱可在單個(gè) NVIDIA H100 GPU 上運(yùn)行（Int4 量化）。
• 性能: 在同級(jí)別模型中表現(xiàn)優(yōu)異，超越 Gemma 3、Gemini 2.0 Flash-Lite 和 Mistral 3.1。

2. Llama 4 Maverick (特立獨(dú)行者):

• 定位: 通用、高性能的多模態(tài)模型。
• 參數(shù): 17B 激活參數(shù)，128 個(gè)專家，總參數(shù) 400B。
• 亮點(diǎn):

• 原生多模態(tài): 同樣具備強(qiáng)大的多模態(tài)處理能力。
• 1M (百萬) Token 上下文窗口。
• 性能: 號(hào)稱在同級(jí)別中擊敗 GPT-4o 和 Gemini 2.0 Flash，并在編碼和推理方面與 DeepSeek v3.1 競爭。
• 成本效益: 對比 Llama 3.3 70B，以更低成本提供高質(zhì)量輸出。

3. Llama 4 Behemoth (巨獸):

• 定位: 最強(qiáng)大的“教師模型”，用于知識(shí)蒸餾。
• 參數(shù): 288B 激活參數(shù)，16 個(gè)專家，總參數(shù)接近2T (兩萬億)！
• 亮點(diǎn):

• 頂尖性能: 在 STEM 基準(zhǔn)測試（如 MATH-500, GPQA Diamond）上超越 GPT-4.5、Claude Sonnet 3.7 和 Gemini 2.0 Pro。
• 多模態(tài)能力。

• 狀態(tài): 預(yù)覽階段，尚未發(fā)布，仍在訓(xùn)練中。

核心技術(shù)看點(diǎn) 

• 原生多模態(tài) (Native Multimodality):Llama 4 從底層設(shè)計(jì)就考慮了多模態(tài)融合，采用“早期融合”（Early Fusion）策略，將文本和視覺 Token 無縫集成到統(tǒng)一的模型骨干中，支持聯(lián)合預(yù)訓(xùn)練。這與之前模型外掛視覺模塊的方式有所不同。
• 混合專家模型 (MoE - Mixture of Experts):Scout 和 Maverick 都采用了 MoE 架構(gòu)。這種架構(gòu)在訓(xùn)練和推理時(shí)只激活總參數(shù)的一部分（由“路由器”決定將 Token 發(fā)往哪些“專家”），從而在給定計(jì)算預(yù)算下實(shí)現(xiàn)更高的效率和模型質(zhì)量。Maverick 使用了多達(dá) 128 個(gè)專家，這是一個(gè)相當(dāng)大的規(guī)模。
• 超長上下文窗口:Scout 的 10M Token 上下文是其宣傳的重點(diǎn)。Meta 提到這得益于一種名為iRoPE（interleaved Rotary Position Embeddings）的架構(gòu)創(chuàng)新，結(jié)合了交錯(cuò)注意力層和旋轉(zhuǎn)位置編碼，并輔以推理時(shí)注意力溫度縮放（inference time temperature scaling）來增強(qiáng)長度泛化能力。
• 訓(xùn)練優(yōu)化:使用 FP8 精度訓(xùn)練以提高效率，訓(xùn)練數(shù)據(jù)量超過 30 萬億 Token（包含文本、圖像、視頻），是 Llama 3 的兩倍以上。還引入了名為 MetaP 的新技術(shù)來優(yōu)化超參數(shù)設(shè)置。
• 知識(shí)蒸餾:Scout 和 Maverick 的高性能部分歸功于從 Behemoth 模型進(jìn)行的知識(shí)蒸餾（Codistillation），這使得小型模型能夠繼承大型教師模型的“智慧”。

社區(qū)反饋：光環(huán)之下的陰影 

Meta 的發(fā)布引發(fā)了社區(qū)的熱烈討論，但并非一片贊歌：

• 10M 上下文窗口的“虛幻”：這是被集中火力攻擊的一點(diǎn)。Meta自己的博文明確寫道：“Llama 4 Scout is both pre-trained and post-trained with a256K context length”。這意味著，雖然模型可以通過iRoPE等技術(shù)在推理時(shí)嘗試 處理更長的上下文（如 Needle-in-a-Haystack 測試所示），但它并沒有在千萬級(jí)別的真實(shí)長序列上進(jìn)行過訓(xùn)練。超過256K Token，輸出質(zhì)量很可能大幅下降，因?yàn)槟Ｐ腿狈μ幚砣绱碎L距離復(fù)雜依賴關(guān)系的訓(xùn)練經(jīng)驗(yàn)。這使得 10M 的宣傳數(shù)字更像是一個(gè)理論上限或特定任務(wù)（如信息檢索）的表現(xiàn)，而非通用的長文本理解和生成能力。不少人認(rèn)為這是一種營銷上的“取巧”。
  另外，很多模型宣稱支持超長上下文窗口，并用“大海撈針”實(shí)驗(yàn)來測試，但技術(shù)上大家普遍認(rèn)為“大海撈針”實(shí)驗(yàn)不能充分驗(yàn)證大模型能夠充分的理解、引用、推理整個(gè)上下文中信息。 （ https://fiction.live/stories/Fiction-liveBench-Mar-25-2025/oQdzQvKHw8JyXbN87 ）這篇文章設(shè)計(jì)了Fiction.LiveBench長上下文基準(zhǔn)測試。從12個(gè)復(fù)雜故事生成測試集，考查模型對角色變化、邏輯預(yù)測及信息區(qū)分的理解。相比“大海撈針”類的搜索測試，它更注重故事深層理解。
  比如：在《神雕俠侶》小說中，在一個(gè)場景中“楊過被郭芙砍斷一只手臂”，劇情發(fā)展很長后，有一個(gè)場景是“楊過單臂懷抱小龍女”。這兩個(gè)場景在小說中可能相差很多個(gè)章節(jié)，那么如果我們問大模型：楊過為什么單臂懷抱小龍女？能夠很好處理長下文的大模型應(yīng)該能夠根據(jù)之前很遠(yuǎn)的章節(jié)中的”被砍斷一只手臂”的場景推理出來。 Fiction.LiveBench測試顯示，就算當(dāng)前第一梯隊(duì)大模型在短上下文（1k）通過，長上下文（8k）失敗的案例比比皆是【參考下面的表格，可以看到各個(gè)大模型在上下文窗口長度增長時(shí)，性能在幾句的下降】。所以LLaMA 4宣稱的10M長下文窗口，可能會(huì)有“虛幻“。
• 基準(zhǔn)測試的意義：“書呆子的占星術(shù)”？Yuchen Jin 的評(píng)論雖帶有戲謔（“Benchmarks? they are just astrology for nerds. Vibes only.”），卻也反映了社區(qū)對基準(zhǔn)測試局限性的普遍認(rèn)知。Andriy Burkov 也提到，包括 Elo 評(píng)分在內(nèi)的基準(zhǔn)可以通過微調(diào)來“刷分”，使其看起來接近頂部。實(shí)際應(yīng)用中的表現(xiàn)（“vibe check” 或在用戶自己的問題上測試）可能與基準(zhǔn)得分存在偏差，尤其是在幻覺（hallucination）等問題上，新模型可能并未比2023年的模型有質(zhì)的飛躍。
• 推理能力的缺失？Martin Bowling 點(diǎn)出了一個(gè)潛在的短板：Llama 4的發(fā)布似乎并未特別強(qiáng)調(diào)或展示其在復(fù)雜推理 (reasoning)能力上的突破。Burkov甚至稱其為“非推理模型”（non-reasoning model），認(rèn)為即使有 30T 訓(xùn)練數(shù)據(jù)和 2T 參數(shù)，也無法讓它超越那些更小的、但具備更強(qiáng)推理能力的模型。Bowling 覺得沒有在這次發(fā)布中加入一個(gè)“推理器”（reasoner）很奇怪，認(rèn)為本可以通過 GRPO 等技術(shù)輕松實(shí)現(xiàn)。

不盡如人意，但仍是重要一步 

綜合來看，Llama 4的發(fā)布是一次復(fù)雜且充滿矛盾的事件。

亮點(diǎn)不容忽視：

• 它確實(shí)是 Meta 在開源多模態(tài)模型領(lǐng)域邁出的重要一步，原生多模態(tài)架構(gòu)值得肯定。
• MoE 架構(gòu)的應(yīng)用顯示了Meta在模型效率和規(guī)模化方面的持續(xù)探索。
• Scout和 Maverick在各自參數(shù)級(jí)別上展現(xiàn)了強(qiáng)大的競爭力，為開發(fā)者提供了新的、高性能的開源選擇。
• 堅(jiān)持開源本身就是對社區(qū)的巨大貢獻(xiàn)。

失望與疑慮也真實(shí)存在：

• 10M上下文的宣傳與實(shí)際訓(xùn)練深度之間的差距，可能影響社區(qū)信任。
• 高達(dá)2T參數(shù)的 Behemoth 未能在綜合能力上展現(xiàn)絕對統(tǒng)治力，并處于“預(yù)覽”狀態(tài)，讓“巨獸”的震撼打了折扣。
• 在社區(qū)日益關(guān)注的復(fù)雜推理能力上，Llama 4似乎沒有帶來驚喜。
• 對基準(zhǔn)測試的依賴和潛在的“刷分”可能，使得對其真實(shí)能力的評(píng)估更加困難。

總體來說，Llama 4并沒有完全滿足社區(qū)對“革命性”突破的期待，它更像是一次雄心勃勃的技術(shù)探索，但部分成果的成熟度和實(shí)用性仍有待檢驗(yàn)。Meta可能確實(shí)在技術(shù)上取得了進(jìn)展，但在溝通和預(yù)期管理上，或許有些操之過急或過于樂觀。

“猶抱琵琶半遮面”的 Behemoth 何時(shí)能完全展露真容？Meta是否會(huì)推出專注于推理的后續(xù)模型？超長上下文的承諾能否在實(shí)際應(yīng)用中兌現(xiàn)？這些都是 Llama 4留給我們的懸念。

本文轉(zhuǎn)載自???后向傳播???，作者： 張發(fā)恩