1000萬上下文？2萬億參數？MoE混合架構，原生多模態。清明假期，你是否也被Meta這波Llama 4系列模型發布后，各種酷炫數據和名詞炸醒？

曾經的開源領袖，實際已經被DeepSeek搶了各種風頭。在扎克伯格下死命令，4月初必須發布新版本大模型的強大壓力下，Llama一切動作已經變形。原本使命是超越GPT和Claude等閉源模型，吊打一切的存在，然后呢？實現了嗎？

Llama 4系列模型發布：

Llama 4 Scout（小）

單張H100 GPU可運行，適合本地部署，支持1000萬token上下文，這是行業最牛成績。

Llama 4 Maverick（中）

總參數高達4000億，但推理時僅激活部分專家，效率更高。

多模態性能超越GPT-4o，在ChartQA、DocVQA等基準測試中領先，編程能力媲美DeepSeek v3，但參數僅一半。

Llama 4 Behemoth（大，預覽版）

Meta 2萬億參數巨獸，仍在訓練中。

超大參數，據說STEM任務超越GPT-4.5、Claude3.7等。

將作為“教師模型”，用于蒸餾優化更小的Llama 4模型。

測評分數高居全球第二

Llama 4 Maverick 目前在LM Arena 排行榜上排名第二，僅次于 Gemini 2.5 Pro。

而且具備原生多模態能力：Llama 4采用了早期融合（Early Fusion）技術，可以用海量的無標簽文本、圖片和視頻數據一起來預訓練模型。

超長上下文：

Scout 版本支持1000萬 tokens（約15000頁文本！），醫學、科研、代碼分析等超長文檔處理能力直接拉滿。

在其他大模型僅有200萬 tokens上下長度時，小扎掏出了大炸雷，不想和大家閑聊。

幾個核心技術

MoE架構效率炸裂：

Llama 4開始轉向采用混合專家模型（MoE），推理時僅激活部分參數，成本更低——Maverick 推理成本僅$0.19/百萬token，比GPT-4o便宜90%。

iRoPE實現超長上下文:

iRoPE（交錯旋轉位置編碼）是Meta為Llama 4設計的升級版位置編碼技術。

局部注意力層：用旋轉位置編碼（RoPE）處理短上下文（如8K token），保留位置關系。

全局注意力層：直接去掉位置編碼（NoPE），通過動態調整注意力權重處理超長內容，類似“模糊匹配”長距離關聯。

就像讀書時用書簽（RoPE）標記重點段落，同時靠記憶（NoPE）串聯全書脈絡。

埋葬RAG技術？

相比RAG技術，iRoPE無需依賴外部知識庫檢索，直接通過模型內部自身處理完整信息，減少信息丟失風險，預計未來會成為大模型技術標配，以后大模型容易忘記前文的事情，基本就不會出現了。

開源但有限制：商用需遵守 Meta 政策，月活超7億的公司需額外授權，且產品名必須帶“Llama”。

鯨哥在Together AI上體驗了Llama 4 Scout，并沒有什么特別的強悍之處，DeepSeek對比之下體感還是強很多。Llama 4有點像Google，“參數沒輸過，實戰沒贏過”。

一句話總結：Meta 這次把開源AI卷到新高度，多模態+長上下文+超低成本，Llama 4 可能是目前最香的開源大模型之一。

但下周OpenAI o3和Claude等新模型發布，Llama 4估計又會被奪走注意力。

而且最新消息，Meta高層在后訓練階段中，將多個benchmark測試集混入訓練數據。有副總裁因為Llama刷分問題憤而辭職，也就說目前官宣的成績有很大的水分。

Meta旗下擁有Facebook、Whatsapp等知名社交APP，全球還有超30億月活用戶，這波Meta在AI領域為了掩飾落后卻公然造假，留給市場一句嘆息。