大模型的 “卷”，是 “肉眼可见的卷”。
这一次是 Meta。
它甚至，破天荒的，选择了在周六这个休息日发布新模型。
面对各个强大竞争对手的“来势汹汹”，很明显，Meta 急了。
DeepSeek 在年初的强势崛起，让全球侧目，也撕下了 Meta 长期以来引以为傲的最后一块遮羞布：“最强开源模型”。
更不用提后来更加强大的闭源模型：OpenAI 的 o3、GPT-4.5；Anthropic 的 Claude 3.7 Sonnet、马斯克 xAI 的 Grok 3 以及 谷歌的 Gemini 2.5 Pro。
大模型排行榜上早已不见 Meta Llama 模型的身影。
而 Meta 旗下最顶级的模型 Llama 3.1 405B，它的发布已经是去年 7 月 23 日的事情了。
相比以往“不痛不痒”的轻量发布，这次 Meta 的动作颇有“不成功 便成仁”的意味。
三款模型，两个已发布并开源，一个预热，表面上是 Meta 给用户、市场、投资人这大半年的答卷，背后是 Meta 重夺“最强开源模型”的明确野心。
这一次，Llama 4 系列真的进入新阶段了吗？
01 三款模型，一个生态的试探
Llama 4 系列包含三个不同参数的模型。
-
Llama 4 Scout：1090 亿参数 + 170 亿活跃参数 + 16 专家，轻量级、小参数通用模型，主打长上下文 + 多模态支持。 -
Llama 4 Maverick：4000 亿参数 + 170 亿活跃参数 + 128 专家，定位旗舰通用模型，主打推理、代码、图像理解。 -
Llama 4 Behemoth：2 万亿参数 + 2880 亿活跃参数 + 16 专家，还在训练中，被 Meta 自称为“史上最强开源教师模型”。
整理成表格，方便小可爱们对比。
|
|
|
|
|
|
|
|
|---|---|---|---|---|---|---|
| Llama 4 Scout |
|
|
|
|
|
|
| Llama 4 Maverick |
|
|
|
|
|
|
| Llama 4 Behemoth |
|
|
|
|
|
|
其实从 Meta 对 Llama 4 系列模型的命名上就能看出些许端倪。
Scout 是“探索者”，Maverick 是“特立独行者”，Behemoth 则是“巨兽”。
总结来看，Meta 想讲的并不只是“我们有三款模型”，而是：我们正在构建一个生态闭环。
02 Scout：参数不大，上下文很大
先说参数量最小的 Llama 4 Scout。
这个模型参数量不算吓人，170 亿活跃参数，只用 1 张 H100 就能跑起来。
但它的上下文长度，直接拉到了 1000 万 tokens。
是的，你没看错，1000万。从 Llama 3 的 128K，一步跳到 Llama 4 Scout 的 1000 万，几乎等于把“上下文窗口”这条赛道提前打穿了。
不出意外地，这是目前全世界所有 AI 模型里，上下文最长的模型，比谷歌 Gemini 的 200 万 tokens 还要强。
当然，1000 万这个数字听起来虽然炫酷，但它到底意味着什么？
简单讲，你可以直接把全套《三体》、一堆合同、十几个 PRD + 代码全部塞进 Scout 的大脑里。
这让它天然适合：
-
多文档检索 + 总结； -
超长代码库的“调试”型推理； -
高密度用户行为数据的个性化处理。
03 Maverick：对标 GPT-4o、DeepSeek-V3
Meta 给 Llama 4 Maverick 的定位很清晰，就是：面向对话场景的旗舰多模态模型。
Maverick 的技术参数和前面的 Scout 相同，也是 170 亿活跃参数，但专家数量翻了几倍，达到 128 个，总参数量 4000亿。作为对比，DeepSeek-V3 的参数量是 6710 亿，活跃参数为 370 亿。
不难看出，相比 Scout 的 “卷长”，Maverick 更强调 “卷强”。
换句话说，它不追求极限的上下文长度，而追求更高的单次推理质量和更好的图文理解。
从 Meta 官方给出的 Llama 4 Maverick 模型基准测试结果来看，它无疑是第一梯队的。
以仅二分之一的活跃参数，Llama 4 Maverick 就取得了超过 DeepSeek-V3 0324 的成绩，并且，多模态上明显“更胜一筹”，因为 DeepSeek 的模型还没有支持多模态类型（如图像、文件）的输入。
新模型发布前先上 LMSYS 大模型竞技场跑一跑分几乎成了一个必然，这次的 Llama 4 也不例外。
而在最新的 LMSYS 排行榜上，Llama 4 Maverick 刚发布就占据了第二名的宝座，仅次于谷歌的 Gemini 2.5 Pro，超越了之前的老牌强者，如 GPT-4o、Grok 3 等。
虽然 LMSYS 排行榜的打分和排名带有很强的客观性，但也能从侧面反映一些东西的。
另外，让我们期待一波 Llama 4 在 LiveBench 上的排名。
04 Behemoth：2T 参数的“巨兽”，不是给你用的
Behemoth，发音为 /bɪˈhiː.mɑːθ/（比赫马），是英文中 “巨兽” 的意思。
Behemoth 的存在更像是 Meta 给自己留的一手。
虽然目前尚未开源，只是预宣传，但 Meta 官方已经明确表示：Maverick 和 Scout，都是它蒸馏出来的。
换句话说，它是一个 “教师模型”。
在大模型训练中，教师模型通常指的是一个能力更强、体量更大的模型，用于指导或“传授知识”给较小模型。
这种过程叫做“蒸馏”，本质上是让小模型模仿大模型的思维方式、判断逻辑和回答风格，从而在保持高质量输出的同时，大幅减少推理成本。
一些 Llama 4 Behemoth 值得注意的参数：
-
活跃参数：2880亿。 -
总参数量：近 2 万亿。 -
使用 FP8 精度训练。 -
每 GPU 实现 390 TFLOPs 计算效率。 -
数据量：30 万亿 tokens（是 Llama 3 的 2 倍）。
参数量如此庞大的模型，它的成本将会是一个恐怖的数字，你看 OpenAI 的 GPT-4.5 有多贵就知道了。
而这个用“算力”堆出来的模型，也确实值得有这样的基准测试表现：全面超越了 GPT-4.5、Claude 3.7 Sonnet 和 Gemini 2.0 Pro。
05 Llama 4 哪里用？
Llama 4 Scout 和 Llama 4 Maverick 已完全发布并开源。这意味着你可以像部署 DeepSeek 模型一样在本地部署这两个模型。
Llama 4 Behemoth 则还在训练中，不开放下载。
https://www.llama.com/llama-downloads/ https://huggingface.co/meta-llama
这里再说几个针对个人用户的使用方案。
首先，Meta 官方不提供任何 API 服务，只能通过其他渠道使用官方的 Llama 4。
比如 官网（meta.ai），WhatsApp，Messenger，和 Instagram Direct。但弊端是 Meta 官方并没有明确说明这些官方渠道集成的模型是 Scout 还是 Maverick。
如果想要调用 Llama 4 的 API，那就只有使用第三方 API 服务了。
这里当然首推我们的老伙计 OpenRouter，它已经第一时间上线了 Llama 4 Scout 和 Llama 4 Maverick 的 API，并且，完全免费。
06 结语：是起点，但不是终点
我们当然可以说：Llama 4 是 Meta 有史以来最重磅、最用力的一次模型发布。
无论是模型性能、参数配置、基准测试结果，还是开源的诚意，都展现出一种“全力一搏”的姿态。
然而，不得不承认，Llama 4 的核心路径依然是熟悉的那一套 —— 用参数、数据和算力堆出领先，用蒸馏和 MoE 拉平成本。
创新也有，但不多。
甚至像业界已经完全采纳的推理模型、内置思维链，在这次的 Llama 4 发布中也缺席了。
所以我说，Llama 4 只是一个起点，不是终点。
我是木易，一个专注AI领域的技术产品经理，国内Top2本科+美国Top10 CS硕士。
相信AI是普通人的“外挂”，致力于分享AI全维度知识。这里有最新的AI科普、工具测评、效率秘籍与行业洞察。
欢迎关注“AI信息Gap”，用AI为你的未来加速。
（文：AI信息Gap）