摘要：Meta旗下开源大模型Llama 4发布仅24小时便陷入“作弊门”风暴。内部员工实名指控其通过混入测试集数据“刷榜”，导致模型在代码生成、物理模拟等核心能力上表现崩盘。事件引发高管辞职潮、开发者社区声讨，AI行业透明度与伦理争议再成焦点。

一、事件爆发：从高调发布到全面翻车

2025年4月7日，Meta以“Llama 4日”为主题发布新一代开源模型，宣称其具备2万亿参数规模、原生多模态能力，并在LM Arena基准测试中超越DeepSeek V3。然而次日（4月8日），实测结果与宣传严重不符，引发技术社区大规模质疑：

1. 核心能力全面落后

• 编码能力垫底：在aider polyglot多语言编程基准测试中，Llama 4 Maverick（402B参数）得分仅16%，远低于GPT-4o、Gemini Flash等竞品，甚至被批评为“糟糕的编程模型”。
• 物理模拟失真：网友Flavio Adamo对比测试显示，Llama 4生成的旋转多边形动画存在几何缺陷，小球运动违反物理规律，而GPT-4o表现更稳定。
• 长文本处理缺陷：Llama 4 Scout（109B参数）在16K tokens后召回率暴跌至22%，长文本处理能力被指“中看不中用”。

二、内部爆料：测试集混入训练的“作弊”指控

1. 训练过程违规操作

• 后训练阶段混入测试集：内部员工"dliudliu"爆料称，因Llama 4多次训练未达开源SOTA水平，高层建议在后训练阶段混入多个基准测试集数据，通过“灌题”提升指标。
• 模型版本差异：LM Arena展示的“实验性聊天版本”与公开下载版行为显著不同，被批“区别对待用户”。

2. 高管辞职潮

• 员工集体抗议：员工"dliudliu"提交辞职信并要求从技术报告中除名，称“无法接受数据造假”。
• 高层变动：Meta AI研究副总裁Joelle Pineau宣布5月底离职，GenAI副总裁Ahmad Al-Dahle面临压力。

三、技术争议与行业影响

1. 模型架构缺陷

• 参数规模与性能倒挂：402B参数的Maverick编码能力仅与32B参数的Qwen-QwQ-32B相当，109B参数的Scout表现接近13B参数的Grok-2。
• 多模态能力存疑：官方展示的“大海捞针”长文本案例被指缺乏实际场景验证。

2. 行业伦理冲击

• 透明度危机：沃顿商学院教授Ethan Mollick指出，过度优化基准测试的模型难以区分真实创新，损害行业公信力。
• 开源生态震荡：Gemma、DeepSeek等新兴模型崛起，Meta面临“开源王座”被替代风险。

四、Meta的回应与未来挑战

1. 官方态度分化

• 否认作弊：研究科学家Licheng Yu实名回应称“从未过拟合测试集”，要求质疑者提供具体证据。
• 改进承诺：Meta表示将收集反馈优化下一版本，但未回应测试集混用指控。

2. 长期风险

• 信誉修复难题：若作弊指控坐实，Meta可能面临法律诉讼和合作伙伴流失。
• 技术路线调整：需平衡参数规模与实用性，探索轻量化模型开发路径。

五、结语：AI行业的十字路口

Llama 4事件不仅是Meta的公关危机，更是对整个AI行业的警示。当技术竞赛演变为“指标军备竞赛”，其代价可能是创新力的枯竭与用户信任的崩塌。正如网友所言：“AI的未来，不应是参数的狂欢，而是价值的回归。”