五大疑点曝光：Llama-4-逐层扒皮-NYU-教授称-AI-Scaling-彻底结束

刚刚，一位 AI 公司 CEO 细细扒皮了关于 Llama 4 的五大疑点。甚至有圈内人表示，Llama 4 证明 Scaling 已经结束了，LLM 并不能可靠推理。但更可怕的事，就是全球的 AI 进步恐将彻底停滞。

令人失望的 Llama 4，只是前奏而已。接下来我们恐将看到 —— 全球局势的改变，将彻底阻止 AI 进步！Anthropic CEO Dario 做出长视频，逐级对 Llama 4 身上的六大疑点进行了扒皮。

同时，纽约大学教授马库斯发出博客，总结了目前这段时间 AI 圈的状况。

Scaling 已经结束；模型仍然无法可靠推理；金融泡沫正在破裂；依然没有 GPT-5；对不可靠的语言模型的过度依赖让世界陷入了困境。我的 25 个 2025 年预测中的每一个，目前看起来都是对的。

大语言模型不是解决之道。我们确实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型本后的大规模训练运行，但他们的银行账户里并没有 400 亿或 1000 亿美元，来支撑庞大的数据中心和其他费用。

问题在于，如果投资者预见到了经济衰退，那就要么不会投资，要么投资较少。

更少的资金，就意味着更少的计算，也就是更慢的 AI 进展。

布鲁金斯学会 2025 年的一份报告称，若科研成本持续上升，美国在人工智能、生物技术和量子计算等关键领域的领先地位可能受到威胁。据估算，当前政策若持续实施五年，美国科研产出可能会下降 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，还有什么可以阻止 AI 的进步？他提到了一种可能 —— 战争。

没想到，在这个可能性之外，我们居然提前见证了系统的另一种混沌。

而 Dario 也提前预测到，如果出现「技术不会向前发展」的信念，资本化不足，AI 进步就将停止。

逐级扒皮 Llama 4

最近闹出大丑闻的 Llama 4，已经证明了这一点。

我们很难说，Llama 4 系列三款模型中的两款代表了多少进展，显然在这个系列的发布中，夸大宣传的水分要比诚实的分析多得多。

疑点 1：长上下文大海捞针，其实是骗人？

Llama 拥有所谓业界领先的一千万个 token 的上下文窗口，听起来似乎很酷炫。

可是等等，24 年 2 月，Gemini 1.5 Pro 的模型，就已经达到 1000 万 token 的上下文了！

在极端情况下，它可以在视频、音频和共同文本上，执行惊人的大海捞针任务，或许，是谷歌忽然意识到，大海捞针任务意义非常重大。

正如这篇 Llama 4 博客所说，如果把所有哈利波特的书都放进去，模型都能检索到放入其中的一个密码。

不过，这位 CEO 表示，这些 48h 前发布的结果，不如 24 小时前更新的这个 fiction livebench 基准测试这么重要。

这个基准测试，用于长上下文的深度理解，LLM 必须将数万或数十万个 token 或单词拼凑在一起。

在这里，在这个基准测试中，Gemini 2.5 Pro 的表现非常好，而相比之下，Llama 4 的中等模型和小模型，性能极其糟糕。

而且随着 token 长度的增加，它们的表现越来越差。

疑点 2：为何周六发布？

这位 CEO 察觉到的第二大疑点就在于，Llama 4 为何选在周六发布？

在整个美国 AI 技术圈里，这个发布日期都是史无前例的。

如果阴谋论一点想，之所以选在周六发布，是因为 Meta 自己也心虚了，希望尽量减少人们的注意力。

此外，Llama 4 的最新训练数据截止时间是 2024 年 8 月，这就很奇怪。

要知道，Gemini 2.5 的训练知识截止时间是 2025 年 1 月。

这就意味着，在过去的 9 个月里，Meta 一直在使尽浑身解数，拼命让这个模型达到标准。

有一种可能性是，或许他们本打算早点发布 Llama 4，但就在 9 月，OpenAI 推出了 o 系列模型，今年 1 月，DeepSeek R1 又来了，所以 Meta 的所有计划都被打乱了。

疑点 3：大模型竞技场，究竟有没有作弊？

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

比如 Llama 4 Maverick 的活动参数量大概只有 DeepSeek V3 的一半，却取得了相当的性能。

那现在的核心问题就在于，Meta 究竟有没有在 LM Arena 上进行作弊，在测试集上进行训练？

目前，LM Arena 已经迅速滑跪，公开了 2000 多组对战数据给公众检阅，并且表示会重新评估排行榜。

目前姑且按照没有算，那就意味着我们拥有一个强大得惊人的基础模型了。

看看这些真实数字，假设没有任何答案进入 Llama 4 的训练数据，这个模型在 GPQA Diamond 上的性能（谷歌验证的极其严格的 STEM 基准测试）实际上是比 DeepSeek V3 更好的。

而在这个基础上，Meta 就完全可以创建一个 SOTA 级别的思维模型。

唯一的问题是，Gemini 2.5 Pro 已经存在了，而 DeepSeek R2 也随时会问世。

疑点 4：代码很差

还有一点，当 Llama 4 走出舒适区时，性能就会开始狂降。

以 ADA 的 Polyglot 这个编码基准测试为例，它测验了一些系列编程语言的性能。

但与许多基准不同，它不仅仅关注 Python，而是一系列编程语言，现在依然是 Gemini 2.5 Pro 名列前茅。

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

它的得分当然惨不忍睹 —— 只有 15.6%。

这就跟小扎的言论出入很大了，显得相当讽刺。

就在不久前，他还信誓旦旦地断定说，Meta 的 AI 模型将很快取代中级程序员。

疑点 5：「结果仅代表目前最好的内部运行」

这一点，同样已经在 AI 社区引发了群嘲。

在下面这个表格中，Meta 将 Llama 4 和 Gemini2.0 Pro、GPT-4.5 等模型进行了比较，数字非常漂亮。

但仔细看脚注，却说的是 Llama 模型的结果代表了目前最好的内部运行情况，所以很大可能是，Meta 把 Llama 4 跑了 5 遍或 10 遍，取了其中的最好结果。

而且，他们还故意不将 Llama 4 Behemoth 跟 DeepSeek V3 进行比较，后者比它在整体参数上小三倍，在互动参数上小八倍，性能却相似。

如果从消极的角度下判断，就可以说 Llama 4 最大的模型参数上 DeepSeek V3 基础模型的许多倍，性能却基本处于同一水平。

还有在 Simple Bench 中，Llama 4 Maverick 的得分大概为 27.7%，跟 DeepSeek V3 处于同一水平，还低于 Claude 3.5 Sonnet 这类非思维模型。

另外，这位 CEO 还在 Llama 4 的使用条款中发现了这么一条。

如果你在欧洲，仍然可以成为它的最终用户，但却没有权利在它的基础上进行构建模型。

马库斯：Llama 4 的惨痛教训表明，Scaling 已经结束

而 Llama 4 的惨淡表现，也让 NYU 教授马库斯写出长文，断言 Scaling 已经结束，LLM 仍然无法推理。

他的主要观点如下。

大模型的 Scaling 已经彻底结束了，这证实了我三年前在深度学习正在撞墙中的预测。

一位 AI 博士这样写道：Llama 4 的发布已经证实，即使 30 万亿 token 和 2 万亿参数，也不能让非推理模型比小型推理模型更好。

规模化并不奏效，真正的智能需要的是意图，而意图需要远见，这都不是 AI 能做到的。

即使 LLM 偶尔能提供正确的答案，往往也是通过模式识别或启发式的捷径，而非真正的数学推理。

比如最近 ETU 团队关于 LLM 在美国奥数上糟糕表现的研究，就彻底击碎了「LLM 会做数学题」这个神话。

最终，生成式 AI 很可能会变成一个在经济回报上失败的产品。

泡沫可能真的要破灭了。英伟达在 2025 年的跌幅，就已经超过了三分之一。

而 Meta 的 Llama 4 的残酷真相，再次证实了马库斯在 2024 年 3 月预测 ——

达到 GPT-5 级别的模型，将会非常困难。很多公司都会有类似模型，但没有护城河。随着价格战进一步升级，许多只会有微薄的利润。

最终，马库斯以这样的方式总结了自己的发言 —— 大语言模型绝对不是解决之道，我们需要一些更可靠的方法。Gary Marcus 正在寻找对开发更可靠替代方法有兴趣的投资者。

参考资料：

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

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