Meta 创始人兼首席执行官马克·扎克伯格今日在其 Instagram 账号宣布推出全新 Llama 4 系列模型，其中两款——参数高达 400B 亿的 Llama 4 Maverick 和 109B 亿参数的 Llama 4 Scout——即日起可供开发者在 llama.com 及 AI 代码共享社区 Hugging Face 上下载，即刻开始使用或微调。

今天还预览了一款拥有 2 万亿参数的巨无霸模型 Llama 4 Behemoth，不过 Meta 的发布博文称其仍在训练中，并未透露何时可能发布。

按照官推的说法这次发布是对 Llama 系列的一次 彻底重新设计

先划重点：

核心变化 ：Llama 4 全系采用混合专家（MoE）架构，并且是原生多模态训练，不再是 Llama 3 那样的纯文本模型了。这次发布了 Llama 4 Scout 和 Llama 4 Maverick ，同时还有最强大的 Llama 4 Behemoth 预览

另一个特点是它们拥有超长的上下文窗口——Llama 4 Maverick 支持 100 万 token，Llama 4 Scout 更是高达 1000 万 token，分别相当于约 1500 页和 1.5 万页文本，且模型能在单次输入/输出交互中处理全部内容。这意味着理论上用户可向 Llama 4 Scout 上传或粘贴多达 7500 页的文本，并获取同等体量的反馈，这对医学、科学、工程、数学、文学等知识密集型领域尤为实用。

Meta 估计 Llama 4 Maverick 的推理成本为每 100 万 token 0.19 至 0.49 美元（采用输入与输出 3:1 的比例）。这使得它比专有模型如 GPT-4o 便宜得多，根据社区基准，GPT-4o 的成本估计为每百万 token 4.38 美元。

文章部分内容转载自「AI 寒武纪」。

• 高浓度的主流模型（如 DeepSeek 等）开发交流；

• 资源对接，与 API、云厂商、模型厂商直接交流反馈的机会；

• 好用、有趣的产品/案例，Founder Park 会主动做宣传。

01

三种参数，MoE 模型

下面给大家第一时间做个梳理，

📌 Llama 4 Scout：

定位 ：性能最强的小尺寸模型

参数 ：17B 激活参数，16 个专家，总参数量 109B

亮点 ：速度极快，原生支持多模态，拥有 业界领先的 1000 万+ Token 多模态上下文窗口 （相当于处理 20 多个小时的视频！），并且 能在单张 H100 GPU 上运行 （Int4 量化后）

📌 Llama 4 Maverick：

定位 ：同级别中最佳的多模态模型

性能 ：在多个主流基准测试中击败了 GPT-4o 和 Gemini 2.0 Flash，推理和编码能力与新发布的 DeepSeek v3 相当，但 激活参数量不到后者一半

参数 ：17B 激活参数，128 个专家，总参数量 400B，上下文窗口 100 万+

性价比 ：提供了同类最佳的性能成本比。其实验性聊天版本在 LMArena 上 ELO 评分达到 1417，排名第二

部署 ：可以在 单个主机 上运行

📌 Llama 4 Behemoth (预览，训练中)：

定位 ：Meta 迄今最强模型，全球顶级 LLM 之一

性能 ：在多个 STEM 基准上优于 GPT-4.5、Claude Sonnet 3.7 和 Gemini 2.0 Pro

参数 ：288B 激活参数，16 个专家，总参数量高达2万亿 （ 2T ）

训练细节 ：使用 FP8 精度，在 32000 块 GPU 上训练了 30 万亿 多模态 Token

角色 ：作为 Maverick 模型进行代码蒸馏时的 教师模型

02

技术亮点解读

原生多模态 ：所有模型都采用早期融合（early fusion）策略，将文本、图像、视频 Token 无缝整合到统一的模型骨干中

训练流程优化 ：采用了 轻量级 SFT → 在线 RL → 轻量级 DPO 的后训练流程。开发者强调，过度使用 SFT/DPO 会过度约束模型，限制在线 RL 阶段的探索能力，所以要保持“轻量”

超长上下文的秘密 (10M+) ：实现这一突破的关键是 iRoPE 架构 （'i' 代表 interleaved layers, infinite）

核心思想 ：通过追求无限上下文的目标来指导架构设计，特别是利用 长度外推 能力——在短序列上训练，泛化到极长序列。最大训练长度是 256K

具体做法 ：

• 本地注意力层（Local Attention）使用 RoPE 处理短上下文（如 8K），可并行化
• 全局注意力层（Global Attention）才负责处理长上下文（>8K），且不使用位置编码（NoPE 思想），这有助于提升外推能力
• 为了解决上下文变长时注意力权重趋于平坦、影响推理的问题，在推理时对全局层应用温度缩放，增强长距离推理，同时保持短上下文性能。公式大致为： xq *= 1 + log(floor(i / α) + 1) * β （i 是位置索引）

03

超过 DeepSeek 了吗？

使用最高参数模型基准——Llama 4 Behemoth——并将其与 DeepSeek R1 初始发布时的 R1-32B 和 OpenAI o1 模型图表进行对比，以下是 Llama 4 Behemoth 的表现情况：

我们能得出什么结论？

• MATH-500：Llama 4 Behemoth 略微落后于 DeepSeek R1 和 OpenAI o1。

• GPQA Diamond：Behemoth 领先于 DeepSeek R1，但落后于 OpenAI o1。

• MMLU： Behemoth 虽落后于两者，但仍优于 Gemini 2.0 Pro 和 GPT-4.5。

要点：尽管 DeepSeek R1 和 OpenAI o1 在几项指标上略胜 Behemoth 一筹，Llama 4 Behemoth 仍极具竞争力，在其类别的推理排行榜上表现位居或接近榜首。

04

大佬评价

一个遗憾 (前kaggle总裁，fast AI 创始人Jeremy Howard) ：虽然感谢开源，但 Jeremy Howard 也表达了失望。Llama 4 Scout 和 Maverick 都是大型 MoE 模型，即使量化后也 无法在消费级 GPU 上运行 ，这对开源社区的可及性来说是个不小的损失。

Jim Fan（英伟达高级研究经理） ：

部署便利性优先 ：Jim Fan 认为，对于开源模型，特别是 MoE 架构，易于部署正变得比单纯追求模型尺寸更重要。Meta 强调 Llama 4 Scout 能在单张 H100 上运行，这与 Llama-3 401B（虽然强大但采用率较低）形成对比，说明 MoE 是一个更符合当前开源策略的方向

智能调参 MetaP ：MetaP这个用于智能调整训练超参数的新技术。虽然细节不多，但他猜测这可能类似于 Meta 开源的 Ax 框架 中的贝叶斯优化，能在有限的试验预算内进行自适应实验（如 A/B 测试）

后训练策略：重 RL 轻 SFT/DPO ： Llama 4 的后训练策略是降低 SFT/DPO 的权重，提升在线 RL 的权重。原因是过多的 SFT/DPO 会过度约束模型，限制其在 RL 阶段的探索能力

自我批判式数据筛选 ：一个有趣的技术点是，训练过程中模型较早的检查点（checkpoint）可以作为“批评家”来评估后续模型，帮助过滤掉过于简单的训练样本/提示，让模型在不断筛选和学习中变得更强

Behemoth 的训练细节与数据挑战 ： Llama 4 Behemoth 的庞大规模（FP8 精度、32K GPU、30T tokens 训练）。由于模型能力太强，普通的 SFT 数据对它来说太“简单”了，因此需要裁剪掉高达 95% 的 SFT 数据，而小模型只需要裁剪约 50%

实现千万级上下文窗口的技术手段看起来“相当简单”：

1. 1. 去除部分位置编码 ：在某些注意力层（特别是全局层）不使用位置编码，借鉴了 NoPE (No Positional Embedding) 论文的思想
2. 2. 调整 Softmax 注意力 ：根据上下文的长度来调整 Softmax 注意力计算

05

写在最后

这次Llama 4的推理模型还不见踪影，这多少有点说不过去，大家觉得呢？毕竟Meta也是妥妥的大厂啊！不过Meta 表示这只是开始，后续还有更多模型，团队正在全力开发中，特别提到了 Llama 4 Reasoning 模型

另外相比于DeepSeek的MIT开源方式，Llama 4 的新许可证有几个限制：

- 每月活跃用户超过 7 亿的公司必须向 Meta 申请特殊许可，Meta 可自行决定授予或拒绝该许可。

- 必须在网站、界面、文档等处突出显示“使用 Llama 构建”。

- 使用 Llama Materials 创建的任何 AI 模型的名称开头都必须包含“Llama”

- 必须在任何分发的“通知”文本文件中包含具体的归属通知  - 使用必须遵守 Meta 单独的可接受使用政策（参考 http://llama.com/llama4/use-policy...）  - 仅出于符合品牌要求的有限许可使用“Llama”名称

参考：

https://ai.meta.com/blog/llama-4-multimodal-intelligence/

转载原创文章请添加微信：founderparker