Meta新AI模型在技术上针对了Llama 4的短板，有望解决性能争议，但能否彻底挽回开发者的信任，还得看它公开后的实际表现。2026年1月21日，Meta首席技术官宣布内部交付了首批关键AI模型，性能被评价为“超级出色”，这标志着Meta在争议后的一次重大反击。

Llama 4争议根源

Llama 4在2025年4月发布后迅速“翻车”，核心问题在于宣传与实测的巨大落差。技术社区发现，模型在多个关键能力上表现崩盘。

• 编码能力垫底：在aider polyglot多语言编程基准测试中，Llama 4 Maverick（4020亿参数）得分仅16%，远低于GPT-4o等竞品，甚至被批评为“糟糕的编程模型”。
• 物理模拟失真：用户实测显示，模型生成的小球运动动画会违反物理规律，列如让球直接穿墙，而同期其他模型表现更稳定。
• 长文本处理缺陷：Llama 4 Scout在16K tokens后召回率暴跌至22%，长文本处理能力被指“中看不中用”。

更关键的是，有内部员工实名爆料，称团队在后训练阶段混入了基准测试集的数据，通过“灌题”来提升评测指标，这直接导致了模型在官方测试中虚高、在实际应用中“现原形”。沃顿商学院教授Ethan Mollick指出，这种过度优化基准测试的行为损害了行业公信力。

新模型的技术补位

Meta的新模型并非简单迭代，而是直接瞄准了Llama 4的弱点进行设计。尽管具体参数未全面公开，但从布局来看，它做了针对性升级。

新模型延续了Llama 4的混合专家（MoE）架构，但参数量可能突破2万亿级，激活参数达2880亿，远超Llama 4 Maverick的170亿激活参数。这意味着模型在保持高效推理的同时，能处理更复杂的任务。

内部测试显示，它在复杂任务规划中的准确率较Llama 4提升40%，代码生成效率提高35%。

同时，Meta通过专项技术模型补足短板：

• CWM代码世界模型让AI从“会写代码”进化到“会推理逻辑”，通过模拟代码执行过程来提升编程能力。

• V-JEPA 2世界模型专注于视频理解和物理直觉，能准确分辨视频内容是否违反物理定律，甚至支持机器人在新环境中零样本规划。
• REFRAG方法优化长文本处理，将token使用减少2-4倍，首次生成延迟缩短30.85倍。

这些技术已开始赋能核心业务——例如，Instagram Reels的内容生成效率提升了10倍。用业务结果说话，比单纯的基准测试更有说服力。

信任重建之路

不过，技术升级只是第一步。要真正解决争议，Meta还需跨越两大障碍。

第一是公开性与透明度。新模型目前仅内部交付，参数和训练细节未完全披露。Llama 4事件后，社区对Meta官方评测的信任度已受损，担心重蹈“榜单特供版”的覆辙。只有开放模型供第三方独立实测，才能验证其真实性能。

其次是竞品压力。在Meta陷入争议时，其他模型正快速进步。例如，Claude Opus 4.5在SWE-bench编程基准上得分达80.9%，DeepSeek、Qwen等开源模型也在多项测试中表现亮眼。新模型必须在实际场景中证明自己，而不仅仅是参数堆砌。

AI模型的争议，从来不是靠发布参数就能解决的。Meta的新模型迈出了重大一步，但最终答案，掌握在时间和全球开发者的验证里。