Meta联手苹果发布Llama 4开源模型，编码实测不敌智谱Kimi

Meta联手苹果推出全新开源大模型Llama 4系列，包括Scout与Maverick等版本，被官方称为目前美国最强的开源模型。该系列全面采用混合专家架构，在通用知识与多模态理解等多项基准上刷新纪录。消息一出，全球开发者社区迅速掀起下载与评测热潮，然而随后展开的编码实测显示，其编程能力不及智谱、Kimi等国产模型，巨大的反差引发广泛讨论，也让外界开始重新审视开源大模型的竞争格局。

采用混合专家架构，参数规模跨越式提升

Llama 4系列最大的技术亮点是从传统的稠密架构全面转向混合专家架构。其中Llama 4 Scout总参数量约1090亿，激活参数约170亿，配备16个专家，凭借较低的激活成本，可在单张GPU上运行，大幅降低了部署门槛。更引人注目的是，Scout支持高达1000万token的上下文窗口，创下开源模型之最，这意味着它可以一次性处理数百万字的文档、完整代码库甚至超长视频内容，为长文本分析与大规模代码理解等场景打开了想象空间。

Llama 4 Maverick总参数量约4000亿，激活参数约170亿，配备128个专家，官方称其在多项基准测试中优于OpenAI的GPT-4o与谷歌的Gemini 2.0 Flash，且推理成本更低。Mixtral式的稀疏激活设计让Maverick在保持大容量知识储备的同时，将单次推理的计算开销控制在与小模型相当的水平，性价比优势明显。此外Meta还预告了约2万亿参数的Behemoth版本，称其为迄今最强模型之一，目前仍处于训练阶段，被视为与闭源旗舰模型正面竞争的底牌。

编码实测露出短板，不敌国产模型

尽管综合基准成绩亮眼，开发者在实际编码评测中发现，Llama 4在LiveCodeBench等编程基准上的表现落后于多款国产开源模型，包括智谱的GLM系列与月之暗面的Kimi系列。在算法实现、Bug修复、多轮代码迭代等真实编程任务中，这些中国模型展现出更强的代码生成与调试能力，部分测试中领先幅度相当明显，与Llama 4在通用排行榜上的强势地位形成鲜明反差。

分析认为，这一差距反映出各家训练数据与后训练策略的取向不同：Meta更注重通用能力与多模态，追求基准分数的全面性；而国内团队在代码语料的清洗配比与工程化对齐上投入更多资源，将编码作为差异化突破口。对开发者而言，写代码恰恰是最高频、最能感知模型真实水平的使用场景，因此编码短板对Llama 4口碑的杀伤力不容小觑。

Meta联手苹果，开源阵营加速整合

本次发布中苹果的参与格外引人注目。作为长期坚持端侧私有化部署路线、对云端大模型保持审慎的公司，苹果与Meta在开源模型上的合作被解读为美国科技巨头联合应对闭源竞争的信号，也意味着开源生态的资源整合进一步加速。业界猜测，苹果可能将Llama 4系列经蒸馏优化后用于端侧智能功能，实现隐私优先的本地推理。

Meta重申其开放路线：模型以Llama开放许可发布，供研究者和企业免费商用，希望复制Linux式的生态效应，通过开源确立行业标准、吸引人才并降低自身基础设施成本。Llama系列下载量此前已达数亿次，衍生微调模型数以万计，是全球应用最广的开源模型家族之一，围绕它形成的工具链、量化方案与托管服务已构成一个完整的产业生态。

争议与后续：基准与真实能力的落差

发布后也出现了不小的争议：Meta在LMArena排行榜上提交的实验版与最终发布版本存在差异，被社区指影响了第三方评测的公正性。部分开发者认为，这种做法让排行榜分数带有营销色彩，提醒业界基准分数与真实使用体验之间仍存在明显鸿沟。一时间，关于开源模型评测方法论的讨论再次升温。

Meta表示后续将持续开放更大规模的Behemoth模型，并推动配套工具链与推理框架的优化，以巩固开发者生态。而面对国产开源模型在编码、Agent等垂直能力上的快速追赶，开源竞争已从参数规模与榜单排名的比拼，转向真实场景实效的比拼。

展望未来，Llama 4的发布标志着美中开源大模型的正面交锋进入新阶段。通用基准的领先并不等于全面领先，编码、Agent、长上下文等实际能力将成为下一轮竞争的决定性战场。对开源社区而言，多方竞逐意味着更高质量、更多样化的选择，最终受益的将是全球开发者与整个AI产业。