4月6日晚，Meta AI 悄无声息地将 Llama 4 的三个版本推上了 Hugging Face。没有盛大的发布会，没有 CEO 的演讲，只有 Scout、Maverick 和尚未放出的 Behemoth 三个文件名。对于习惯了开源圈“造星运动”的开发者来说，这种低调反而透着一种紧迫感：Meta 需要重新抢回那个正在被 DeepSeek 和千问系列蚕食的“开源第一”头衔。
规格表确实华丽得令人眩晕。Scout 版本拥有 1090 亿总参数，但激活参数仅为 170 亿；Maverick 则是 4000 亿总参数搭配同样的 170 亿激活参数。两者均采用了混合专家（MoE）架构，这意味着在同等算力下，推理效率有望大幅提升。更吸睛的是，Meta 宣布原生支持 1000 万 token 的上下文窗口。在长文档处理、代码库全量分析成为刚需的 2025 年，这个数字几乎是当时闭源模型竞品的十倍。据新华网 4 月 8 日报道，Llama 4 被定位为 Meta “迄今最先进的模型”，特别是在多模态能力上，它原生支持图文输入，试图打通从文本到视觉理解的最后一块拼图。
然而，开源社区的欢呼声还没持续 24 小时，质疑声就如潮水般涌来。智源社区（BAAI）发布了一份详尽的评测报告，标题直白而刺耳：“Llama 4 是开源模型的全面倒退。”
这份报告的数据并不好看。在 MMLU、GSM8K 等主流基准测试中，Llama 4 Scout 的表现甚至不及 Llama 3.1 8B 版本。代码生成能力更是短板，尽管 Meta 宣称其代码能力与 DeepSeek 相当，但在实际的多轮代码调试场景中，Llama 4 的逻辑连贯性出现了明显的断裂。一位资深后端工程师在评论区留言：“我拿它重构了一段 Spring Boot 的微服务逻辑，结果它把事务注解加到了查询方法上，这种低级错误在 Llama 3 时代很少见。”
为什么会出现这种“纸面最强，实战最弱”的反差？核心矛盾在于 MoE 架构的训练难度与上下文窗口的稀释效应。为了塞进 1000 万 token 的上下文，模型必须处理海量的历史状态。智源社区的分析指出，Llama 4 在长上下文测试中出现了严重的“迷失中间”现象——即在长文档的中段，注意力机制会显著衰减，导致模型“忘记”前面的关键指令。相比之下，此前发布的 Gemini 3 虽然引入了昂贵的“慢思考”模式来提升推理深度（参见《Gemini 3 的慢思考模式：为什么变慢反而更贵》），但 Llama 4 似乎试图通过纯粹的参数堆叠来解决所有问题，却在训练数据的质量控制上失守。
这种失误在当时的行业背景下显得尤为致命。2025 年初，DeepSeek 凭借同等代码能力但减半的参数规模，迅速占据了开发者的心智。Llama 4 的发布本应是一场“参数复仇”，结果却变成了一次“口碑滑铁卢”。更糟糕的是，开源生态的竞争维度已经改变。过去拼的是谁能跑通更大的模型，现在拼的是谁能以更低的成本提供更高的可用性。
看看同期的其他玩家就知道局势有多严峻。就在 Llama 4 发布的前一个月，阿里平头哥推出了玄铁 C950 芯片，主频 3.2GHz，原生支持千亿参数大模型的端侧推理（参见《玄铁 C950 跑通千亿参数大模型，平头哥重注 RISC-V 端侧算力》）。而在算力端，华为昇腾 910C 集群刚刚跑通了 1.6 万亿参数的 DeepSeek-V4-Pro 后训练（参见《昇腾 910C 跑通 1.6 万亿参数：国产算力的硬账与门槛》）。这些进展表明，行业重心正在从“云端大模型的参数军备竞赛”转向“端云协同与算力效率的精算时代”。
Llama 4 的“倒退”不仅是技术层面的，更是战略层面的误判。它低估了开发者对“可用即正义”的渴望。当用户只需要 170 亿激活参数就能获得流畅的体验时，他们并不关心总参数是否达到了 1000 亿。如果为了追求 1000 万 token 的上下文，而牺牲了响应速度和逻辑准确性，那么这个特性在大多数商业场景中就成了累赘。
这也让开源微调（Fine-tuning）的难度陡然增加。对于许多中小企业而言，基于 Llama 3.1 的微调已经形成了成熟的产业链。突然切换到 Llama 4，意味着需要重新清洗数据、调整训练超参数，而换来的却是基准分数的下降。这种“升级成本”让很多团队望而却步。正如《AI 营销频频触红线》一文中提到的，企业在合规与技术选型上的容错率正在降低，任何一次技术栈的盲目切换都可能带来不可控的风险。
不过，Meta 并未因此退缩。Behemoth 版本的预告暗示了更大规模的野心。但在此之前，Llama 4 留给开源社区的教训是深刻的：在模型能力趋于饱和的今天，单纯的参数膨胀和上下文堆砌不再是护城河。真正的竞争力，来自于如何在有限的算力资源下，提供稳定、可解释且高效的推理服务。
与此同时，国内厂商则在另一条赛道上狂奔。从人形机器人在工厂场景的落地（参见《从工厂搬运到家庭客厅，人形机器人还要走多远》），到自动驾驶 L3 定责规则的细化（参见《深圳 L3 上路记：当智驾定责遇上车企兜底》），中国 AI 产业正在经历一场从“算法炫技”到“场景深耕”的硬仗。Llama 4 的争议，或许正是全球 AI 行业从狂热走向理性的一个缩影。当潮水退去，那些能够真正解决业务痛点、降低部署门槛的模型，才会被开发者长久地记住。
