Meta，你摊上事了！

刚刚发布 Llama 4 的 Meta 本应意气风发，当下却站在了舆论的风口浪尖。

故事是这样的。

Llama 4 的基准测试成绩极其漂亮，其中 Llama 4 Maverick 的测试结果打败了 OpenAI 的 GPT-4o 和 DeepSeek 最新的 V3 0324 模型。

同时，Llama 4 Maverick 直接在 LMSYS 排行榜上冲到了第二名。

然而，Llama 4 发布后仅 36 小时，大量用户和评测者纷纷跳出来指责 Llama 4 模型性能不及宣传、表现不达预期，尤其是在长篇写作、数学推理和代码生成等方面存在明显缺陷，比如内容重复、公式化输出。

与此同时，一则来自某中文论坛的匿名爆料加剧了争议。

一名自称是 Meta GenAI 部门员工的网友，因不满 Llama 4 的开发过程而辞职，并拒绝在技术报告上署名。爆料指出，Llama 4 在训练中可能存在“数据污染”（Data Contamination），即模型在训练时接触了测试数据集（Benchmark Dataset），从而导致其在对应的基准测试中成绩被人为拔高。

讲人话，这个爆料说的就是：Meta 偷偷拿了基准测试的问题和答案去训练 Llama 4，这就相当于考试前老师直接给了你试卷和答案。

几乎是同时，另一个专门评估模型代码能力的排行榜 Aider 也给出了 Llama 4 Maverick 的最新排名。

结果是，跌的都找不到了！

就说一个对比数据，小可爱们直观的对比一下。目前 Aider 排名第一的是 谷歌的 Gemini 2.5 Pro exp-03-25，综合评分 72.9%。而 Llama 4 Maverick 只有可怜的 15.6%。

是时候拿出家伙事测试一波了。

看看 Llama 4 Maverick 的真实实力。

本次测试用的是 OpenRouter 平台上的 Llama 4 Maverick API。因为无法判断 meta.ai 这个网站上到底上哪个模型，保险起见，还是用 API 来测试。

如果你之前添加过 OpenRouter 的 API key，只需要在 Cherry Studio 里添加上这个模型就可以。

1. 编程之天气卡片

还是先来这个经典的天气卡片测试。

提示词如下。

你是一位就职于苹果公司的顶级前端工程师。请创建一个包含CSS和JavaScript的HTML文件，用于生成动画天气卡片。卡片需要以不同动画效果直观展示以下天气状况：

• 风力（如：飘动的云朵、摇曳的树木或风线）
• 降雨（如：下落的雨滴、形成的水洼）
• 晴天（如：闪耀的光线、明亮的背景）
• 下雪（如：飘落的雪花、积雪效果）

所有天气卡片需要并排显示，背景采用深色设计。所有代码都需包含在这个单一文件中。JavaScript部分需包含切换不同天气状态的功能（例如通过函数或按钮组），以演示每种天气的动画效果。

将前端显示效果优化得更精致流畅，打造出价值20元/月的精品天气应用既视感。

Llama 4 Maverick 的表现“出人意料”的差。网友诚不欺我，这个结果完全配不上那样好看的基准测试。

Maverick 辣眼睛的画风是这样的。这个效果和提示词里说的“苹果公司”可以说没有半毛钱关系。

作为对比，附上同为开源模型 DeepSeek-V3-0324 的亮眼操作。

2. 逻辑推理之真假话

有三个匣子，分别是金匣子、银匣子和铅匣子，其中一个匣子里有宝物。每个匣子上都有一条题词：

金匣子：宝物不在此匣中。 银匣子：宝物在金匣中。 铅匣子：宝物不在此匣中。

已知这三句话中只有一句是真话。请问宝物在哪个匣子里？

正确答案：铅匣子。

这个真假话的测试是有一定难度的，成功把 Llama 4 Maverick 难倒了。

然而我多次测试发现，Llama 4 Maverick 有概率答对，但时不时会冒出英文回答，即使提示词是纯中文的。

3. 逻辑推理之数列推理

观察下列数字序列，找出其规律并写出接下来的两个数字：

2,4,3,6,5,10,9,18,17,…

这是一个奇偶交替数列，正确答案34，33。

Llama 4 Maverick 回答正确，推理过程也是正确无误。

唯一不足之处，就是上面提到的，回答中英文掺杂，比如这次回答里的“The final answer is”，这是 Llama 模型的老毛病了。

4. 逻辑推理之数学计算

一个池塘中有莲叶，第一天覆盖面积是池塘的1%，每过一天面积都会翻倍。问：莲叶覆盖整个池塘需要多少天？

正确答案：8 天。

Llama 4 Maverick 回答正确，就是这体验一言难尽，通篇都是英文回答的。

5. 创意写作

写一个以人工智能为主角的小说，设定在 2150 年后人类文明消失，AI 试图重建“人类历史”的片段。要求结构清晰，情节具有人文反思色彩，不少于 1000 字。

附上 Llama 4 Maverick 写的全文，总字数 1200 字。

总体感觉还不错，情节完整，结构清晰，最后还有升华。就是创意方面略显不足，“小说”味有点淡。

附上 DeepSeek-V3 0324 在同样提示词下写的文章，以做对比。

DeepSeek 写这种发散型文章是一绝。这篇文章有点《流浪地球》那意思，从输出长度到主题表达、深度，无疑更胜一筹。

综合来看，Llama 4 Maverick 相比前一代最强的 Llama 3.1 405B，肯定是更强，比如在数学和推理方面，确实是第一梯队的水准。

但和 Aider 排行榜的结果类似，Llama 4 Maverick 代码方面和 DeepSeek 比还差得远，完全达不到 Meta 自诩的水准，包括前端审美方面也是。

另外，输出语言非常不稳定，时而中文时而又切换为英文，有的时候甚至是中英混杂。

结语

Meta 太急于重回 “最强开源模型” 的巅峰，但感觉又有点 “用力过猛”。

DeepSeek，还是我们的 YYDS。

我是木易，一个专注AI领域的技术产品经理，国内Top2本科+美国Top10 CS硕士。

相信AI是普通人的“外挂”，致力于分享AI全维度知识。这里有最新的AI科普、工具测评、效率秘籍与行业洞察。

欢迎关注“AI信息Gap”，用AI为你的未来加速。