Llama 4发布即开源 | 实测效果如何？

Meta 终于发布了一个原生多模态大模型 Llama4。而且一经发布，在大模型LMSYS排行榜上，Llama 4 Maverick冲上第二。仅仅比 Gemini-2.5-pro 模型少 22 分。

这次的Llama4 总共公布了3 个模型，分别包括Behemoth、Maverick、Scout（已经不知道这几个模型叫什么名字了），那我们也称为超大杯、大杯和普通版本。其中大杯和普通版本已经开源，可以在官网和 huggingface 上进行下载。

这三个模型中，Maverick、Scout都是从 Behemoth 上蒸馏得来，也就是下图具体的样子：

每个模型的具体介绍如下：

1）Llama 4 Scout：

• 参数规模： 具有170亿个活跃参数，总参数量为1090亿。
• 架构特点： 采用混合专家（MoE）架构，共16个专家，每次推理激活其中2个。
• 上下文窗口： 支持长达1000万标记的上下文窗口，适用于处理长文本任务。
• 硬件需求： 可在单个NVIDIA H100 GPU上运行，适合资源有限的环境。

2. Llama 4 Maverick：

• 参数规模： 同样具有170亿个活跃参数，但总参数量增加至4000亿。
• 架构特点： 采用128个专家的MoE架构，每次推理激活17个专家。
• 上下文窗口： 支持1000万标记的上下文窗口，适用于复杂任务处理。
• 硬件需求： 需要多个GPU协同工作，适合对计算能力要求较高的环境。

3. Llama 4 Behemoth：

• 参数规模： 拥有2880亿个活跃参数，总参数量接近2万亿。
• 架构特点： 同样采用MoE架构，具体有 16 个专家模型。
• 开发状态： 目前仍在训练中，尚未公开发布。
• 应用场景： 预计将用于需要极高计算能力和复杂推理的任务，如科学研究和高级数据分析。

这三个模型共同特点：

• 混合专家架构（MoE）： 通过仅激活部分参数，提高计算效率，降低训练和推理成本。
• 多模态能力： 在预训练阶段整合文本、图像和视频数据，具备处理多种数据类型的能力。

感觉这样的模型确实特别巨大，而DeepSeek R1的参数量也仅仅在 6710 亿，只有Behemoth的1/3。目前业界新热点还是在追求小而美模型大小，这么大的LLama模型确实很少见。

在官方放出的不同模型对比图上：

• 价格方面：在每 1M 输入输出 tokens 下，LLama4 Maverick 价格接近 0.19-0.49，价格应该说是比 DeepSeek v3 要便宜一点。比GPT-4o 价格那确实便宜很多
• 图像推理任务：Llama 4 Maverick 在图像推理任务中表现最强。MMMU（复杂图像理解）中，Llama 4 Maverick 得分 73.4，高于其他模型。MathVista（视觉数学）：Llama 4 Maverick 得分 73.7，高于 Gemini 2.0（73.1）和 GPT-4o（63.8）
• 编程任务上：DeepSeek 在编码任务上略胜一筹（DS 还是强的哇！），但 Llama 4 Maverick 表现依然优异，远超 GPT-4o。

下图展示了模型在“代码任务中的累计平均负对数似然（NLL）”随序列位置变化的趋势曲线。从图中可以观察到，随着序列位置的增加（即代码长度的增长），累计平均 NLL 整体呈下降趋势，并在后期逐渐趋于平稳。这一现象通常反映了以下几点：

1. 初期预测不确定性较高：在序列起始阶段，由于可供参考的上下文信息有限，模型对下一个 token 的预测相对不自信，表现为较高的 NLL。
2. 上下文积累带来预测能力提升：随着代码逐行展开，模型可利用的上下文信息逐渐丰富，对结构与语义的理解增强，从而提高预测准确性，NLL 显著下降。
3. 预测能力趋于稳定：当序列长度达到一定规模后，模型已基本掌握代码的语义结构与上下文模式，预测质量趋于稳定，NLL 曲线进入平台期。

总体来看，该趋势表明模型具备良好的长序列理解能力，并能够有效利用上下文信息提升代码生成或补全任务中的预测性能。

模型简单测试

案例1：六边形内小球碰撞试验，未取得成功。

值得关注的是：DeepSeek R1与Gemini 2.5 Pro在单次请求中便成功完成此项试验。而Maverick在八次请求后方才取得成功。DeepSeek与Gemini表现卓越，Maverick则需进一步优化。

案例 2：草莓单词中有多少个“r”，最后结果得出 2 个，错误。

案例 3：测试生成的 UI 代码。感觉没有识别出真正的需求。

从上面测试的案例来看，LLama4 缺乏想 R3、o1 这样的推理能力，所以导致在需要仔细思考的问题下，答案往往是错的。

模型细节：预训练+后训练阶段

在预训练阶段，感觉像是用了 DeepSeek 类似的训练架构。在专家混合架构（Mixture of Experts，MoE）中，采用了128 个路由专家和一个共享专家，同时为了高效训练，也采用 FP8 精度加快模型训练速度

为了支持原生的多模态输入，Llama 4 通过早期融合（early fusion）机制将文本和视觉 token 无缝集成至统一的模型主干架构中。早期融合就是为了能够让模型大规模学习文本、图像和视频数据。

在视觉编码器中使用MetaCLIP 构建，并在与冻结的 Llama 模型协同训练的过程中进行独立优化，以更好地适配语言大模型。

在后训练阶段，Maverick采用了三阶段的训练策略，这个过程主要就是强化学习+微调的结合体：轻量监督微调（SFT） > 在线强化学习（RL） > 轻量偏好优化（DPO）。

具体的训练三个步骤的关键点：

• 轻量监督微调（SFT）：仅使用较难数据训练，避免过拟合简单任务。
• 在线强化学习（RL）：动态采样中等及高难度提示，提升模型推理与对话能力。
• 轻量偏好优化（DPO）：处理边缘任务，改善响应质量。

写在最后

Llama 4 的发布，标志着 Meta 正式加入原生多模态大模型竞赛的核心战场。与 Gemini 系列、GPT-4o、Claude 3、DeepSeek 等主流模型相比，Llama 4 的技术栈呈现出强烈的“工程范”：不走炫技路线，而是注重模型实用性、训练效率与部署成本之间的平衡。

尤其是 Maverick 模型，在保持活跃参数较少的前提下，通过 MoE 架构实现极高性能，其在图像推理、数学视觉任务中已接近甚至超越商业闭源 SOTA 水平，展现出优异的多模态理解与长上下文处理能力。不过从一些实际推理任务结果来看，Llama 4 目前在复杂思维链条、细粒度逻辑推理等方面仍存在优化空间，与 DeepSeek R1、Gemini-2.5 Pro 等模型相比，尚未形成显著优势。

总体而言，Llama 4 是一次兼顾创新与务实的模型发布，它并未追求参数堆砌的极限，而是通过科学架构设计（如128专家MoE、FP8训练、视觉早融合）来解决大模型落地过程中最现实的问题：计算成本、推理效率、多模态通用性。而其训练策略上的三阶段后训练体系，也为多模态模型在人类偏好拟合与任务泛化能力之间提供了新路径。