刚刚开yun体育网，一位 AI 公司 CEO 细细扒皮了对于 Llama 4 的五大疑窦。以致有圈内东谈主暗示，Llama 4 施展 Scaling 照旧实现了，LLM 并不可可靠推理。但更可怕的事，等于各人的 AI 首先恐将澈底停滞。

令东谈主失望的 Llama 4，只是前奏汉典。接下来咱们恐将看到 —— 各人处所的转变，将澈底荆棘 AI 首先！Anthropic CEO Dario 作念出长视频，逐级对 Llama 4 身上的六大疑窦进行了扒皮。

同期，纽约大学莳植马库斯发出博客，归来了咫尺这段时间 AI 圈的现象。

Scaling 照旧实现；模子仍然无法可靠推理；金融泡沫正在离散；依然莫得 GPT-5；对不可靠的言语模子的过度依赖让宇宙堕入了逆境。我的 25 个 2025 年展望中的每一个，咫尺看起来都是对的。

大言语模子不是惩办之谈。咱们确乎需要一些更可靠的方法。

Scaling 照旧实现；模子仍然无法可靠推理；金融泡沫正在离散；依然莫得 GPT-5；对不可靠的言语模子的过度依赖让宇宙堕入了逆境。我的 25 个 2025 年展望中的每一个，咫尺看起来都是对的。

大言语模子不是惩办之谈。咱们确乎需要一些更可靠的方法。

OpenAI 和 Anthropic 这样的公司，需要筹集资金来资助新模子本后的大范畴教练运行，但他们的银行账户里并莫得 400 亿或 1000 亿好意思元，来复旧宏大的数据中心和其他用度。

问题在于，若是投资者预意象了经济零落，那就要么不会投资，要么投资较少。

更少的资金，就意味着更少的谈判，也等于更慢的 AI 进展。

布鲁金斯学会 2025 年的一份敷陈称，若科研成本合手续上涨，好意思国在东谈主工智能、生物本事和量子谈判等要道界限的首先地位可能受到要挟。据估算，现时计策若合手续实施五年，好意思国科研产出可能会下落 8%-12%。

在以前的一个采访里，Anthropic CEO Dario 曾被问到：到了如今这个阶段，还有什么不错荆棘 AI 的首先？他提到了一种可能 —— 构兵。

没意象，在这个可能性以外，咱们竟然提前见证了系统的另一种吞吐。

而 Dario 也提前展望到，若是出现「本事不会上前发展」的信念，老本化不及，AI 首先就将罢手。

逐级扒皮 Llama 4

最近闹出大丑闻的 Llama 4，照旧施展了这少量。

咱们很难说，Llama 4 系列三款模子中的两款代表了几许进展，赫然在这个系列的发布中，夸大宣传的水分要比淳厚的分析多得多。

疑窦 1：长落魄文大海捞针，其实是骗东谈主？

Llama 领有所谓业界首先的一千万个 token 的落魄文窗口，听起来似乎很酷炫。

然而等等，24 年 2 月，Gemini 1.5 Pro 的模子，就照旧达到 1000 万 token 的落魄文了！

在顶点情况下，它不错在视频、音频和共同文本上，现实惊东谈主的大海捞针任务，无意，是谷歌忽然意志到，大海捞针任务真理真理迥殊紧要。

正如这篇 Llama 4 博客所说，若是把通盘哈利波特的书都放进去，模子都能检索到放入其中的一个密码。

不外，这位 CEO 暗示，这些 48h 前发布的成果，不如 24 小时前更新的这个 fiction livebench 基准测试这样蹙迫。

这个基准测试，用于长落魄文的深度明白，LLM 必须将数万或数十万个 token 或单词免强在所有。

在这里，在这个基准测试中，Gemini 2.5 Pro 的推崇迥殊好，而比拟之下，Llama 4 的中等模子和小模子，性能极其倒霉。

而且跟着 token 长度的增多，它们的推崇越来越差。

疑窦 2：为何周六发布？

这位 CEO 察觉到的第二大疑窦就在于，Llama 4 为何选在周六发布？

在所有好意思国 AI 本事圈里，这个发布日历都是史无先例的。

若是贪心论少量想，之是以选在周六发布，是因为 Meta 我方也胆小了，但愿尽量减少东谈主们的防卫力。

此外，Llama 4 的最新教练数据戒指时间是 2024 年 8 月，这就很奇怪。

要知谈，Gemini 2.5 的教练常识戒指时间是 2025 年 1 月。

这就意味着，在当年的 9 个月里，Meta 一直在使尽周身解数，拚命让这个模子达到方法。

有一种可能性是，无意他们本狡计早点发布 Llama 4，但就在 9 月，OpenAI 推出了 o 系列模子，本年 1 月，DeepSeek R1 又来了，是以 Meta 的通盘谈判都被打乱了。

疑窦 3：大模子竞技场，究竟有莫得舞弊？

不外，这位 CEO 也承认，尽管全网充斥着对 Llama 4 群嘲的声息，但它的确也展示出了一些坚实的进展。

比如 Llama 4 Maverick 的举止参数目简略惟有 DeepSeek V3 的一半，却得到了迥殊的性能。

那咫尺的中枢问题就在于，Meta 究竟有莫得在 LM Arena 上进行舞弊，在测试集上进行教练？

咫尺，LM Arena 照旧连忙滑跪，公开了 2000 多组对战数据给公众雠校，况且暗示会从头评估排名榜。

咫尺姑且按照莫得算，那就意味着咱们领有一个强盛得惊东谈主的基础模子了。

望望这些确凿数字，假定莫得任何谜底干涉 Llama 4 的教练数据，这个模子在 GPQA Diamond 上的性能（谷歌考证的极其严格的 STEM 基准测试）骨子上是比 DeepSeek V3 更好的。

而在这个基础上，Meta 就完全不错创建一个 SOTA 级别的想维模子。

唯独的问题是，Gemini 2.5 Pro 照旧存在了，而 DeepSeek R2 也随时会问世。

疑窦 4：代码很差

还有少量，当 Llama 4 走出自在区时，性能就会启动狂降。

以 ADA 的 Polyglot 这个编码基准测试为例，它检会了一些系列编程言语的性能。

但与许多基准不同，它不单是情愫 Python，而是一系列编程言语，咫尺依然是 Gemini 2.5 Pro 名列三甲。

但是想要找到 Llama 4 Maverick，可就很难了，得把鼠标转动很久。

它的得分虽然惨绝人寰 —— 惟有 15.6%。

这就跟小扎的言论收支很大了，显得迥殊讥嘲。

就在不久前，他还信誓旦旦地料定说，Meta 的 AI 模子将很快取代中级要领员。

疑窦 5：「成果仅代表咫尺最佳的里面运行」

这少量，不异照旧在 AI 社区激勉了群嘲。

不才面这个表格中，Meta 将 Llama 4 和 Gemini2.0 Pro、GPT-4.5 等模子进行了比较，数字迥殊漂亮。

但仔细看脚注，却说的是 Llama 模子的成果代表了咫尺最佳的里面运行情况，是以很大可能是，Meta 把 Llama 4 跑了 5 遍或 10 遍，取了其中的最佳成果。

而且，他们还非常不将 Llama 4 Behemoth 跟 DeepSeek V3 进行比较，后者比它在全体参数上小三倍，在互动参数上小八倍，性能却相似。

若是从没趣的角度下判断，就不错说 Llama 4 最大的模子参数上 DeepSeek V3 基础模子的许多倍，性能却基本处于吞并水平。

还有在 Simple Bench 中，Llama 4 Maverick 的得分简略为 27.7%，跟 DeepSeek V3 处于吞并水平，还低于 Claude 3.5 Sonnet 这类非想维模子。

另外，这位 CEO 还在 Llama 4 的使用条件中发现了这样一条。

若是你在欧洲，仍然不错成为它的最终用户，但却莫得权益在它的基础上进行构建模子。

马库斯：Llama 4 的惨痛教育标明，Scaling 照旧实现

而 Llama 4 的惨淡推崇，也让 NYU 莳植马库斯写出长文，断言 Scaling 照旧实现，LLM 仍然无法推理。

他的主要不雅点如下。

大模子的 Scaling 照旧澈底实现了，这阐述了我三年前在《深度学习正在撞墙》中的展望。

一位 AI 博士这样写谈：Llama 4 的发布照旧阐述，即使 30 万亿 token 和 2 万亿参数，也不可让非推理模子比微型推理模子更好。

范畴化并不胜利，确凿的智能需要的是意图，而意图需要远见，这都不是 AI 能作念到的。

即使 LLM 偶尔能提供正确的谜底，经常亦然通过风光识别或启发式的捷径，而非确凿的数学推理。

比如最近 ETU 团队对于 LLM 在好意思国奥数上倒霉推崇的参谋，就澈底击碎了「LLM 会作念数学题」这个听说。

最终，生成式 AI 很可能会酿成一个在经济酬报上失败的居品。

泡沫可能真实要落空了。英伟达在 2025 年的跌幅，就照旧超越了三分之一。

而 Meta 的 Llama 4 的泼辣真相，再次阐述了马库斯在 2024 年 3 月展望 ——

达到 GPT-5 级别的模子，将会迥殊勤劳。许多公司都会有近似模子，但莫得护城河。跟着价钱战进一步升级，许多只会有浅显的利润。

最终，马库斯以这样的神色归来了我方的发言 —— 大言语模子皆备不是惩办之谈，咱们需要一些更可靠的方法。Gary Marcus 正在寻找对建树更可靠替代方法有好奇的投资者。

参考尊府：

https://www.youtube.com/watch?v=wOBqh9JqCDY

https://garymarcus.substack.com/p/scaling-is-over-the-bubble-may-be开yun体育网

https://www.youtube.com/watch?v=wOBqh9JqCDY

https://garymarcus.substack.com/p/scaling-is-over-the-bubble-may-be