2025年4月5日Llama 4一开源，随后OpenRouter等平台就提供免费调用。对于中文社区来，官方的测评结果其实意义不大（原因先按下不表），就看知乎、微博、B站、twitter上的真实感受，最重要的是自己的真实案例测评。

核心架构创新

•  混合专家（Mixture-of-Experts，MoE）架构：Llama 4 Scout活跃参数约为170亿，内部包含16个专家，总参数量达1090亿；Llama 4 Maverick活跃参数同样约170亿，但包含多达128个专家，总参数量高达4000亿。Llama 4 Behemoth拥有2880亿活跃参数，采用16个专家，总参数量高达2万亿，目前尚未完全训练完毕、处于预览阶段的超大模型。

• 原生多模态：能处理文本、图像、视频、音频等。

• 超长上下文窗口：Llama 4 Scout模型的上下文窗口超过1000万token，Maverick模型上下文窗口约100万token。

• 支持的语言（摘自于https://huggingface.co/meta-llama/Llama-4-Scout-17B-16E-Instruct）： 阿拉伯语、英语、法语、德语、印地语、印度尼西亚语、意大利语、葡萄牙语、西班牙语、他加禄语、泰语和越南语。没有中文！

训练数据

• 预训练数据：多种来源，包括公开可获得的数据、授权的数据，以及Meta自有产品和服务中的信息。从语言角度，Llama 4包含多达200种语言语料库，其中有100多种语言各有超过10亿token的训练数据。

• 训练规模与资源消耗：Llama 4 Scout的预训练耗费了约500万GPU小时，Maverick耗费了约238万GPU小时，总计约738万GPU小时。Meta使用自建的大规模GPU集群训练，大部分是NVIDIA H100 80GB，每块卡TDP功耗700W。简单换算一下，738万GPU小时相当于单卡连续算738万小时（84年！），当然实际是成千上万卡并行训练了数周到数月才完成的。可参考『不废话』之大模型训练数据中心算力和算效和『不废话』之大模型训练并行策略文章进行定量的分析 。

• 训练语料的数量：Llama 4 Scout预训练使用了约40万亿tokens，Maverick使用了约22万亿tokens，总计60多万亿token的多模态数据。

训练优化策略

Meta在Llama 4的后期训练（微调）上采用了一套精心设计的策略。他们发现，如果对模型进行过度的监督微调（SFT）或偏好优化，可能会过度约束模型，让它在一些方面反而退步。因此，他们采取了一种"轻量SFT → 在线RL → 轻量DPO"的流程。

性能评测

结论：Llama 4系列各个模型都有中文能力，但中文能力很弱。

数学能力

编码能力

此测评是想让模型根据给定的文本进行HTML网页编写，Llama 4的效果比DeepSeek V3的效果差太多了。