近日，一場關于AI模型基準測試的爭議正在科技圈持續發酵。Meta最新發布的開源大模型Llama-4-Maverick在權威評測平臺LMArena的排名出現戲劇性變化，從最初的第2名驟降至第32名，這一異常波動揭開了AI行業”刷榜"潛規則的一角。

事件起源于4月6日Meta發布Llama 4系列模型后，其特別優化的"Maverick-03-26-Experimental"版本在LMArena排行榜上異軍突起，力壓眾多競品位居第二。然而開發者很快發現，該版本與開源社區獲得的"HuggingFace同款"存在顯著差異。經平臺方確認，Meta確實提交了經過特殊調校的"特供版"，這種針對性優化使其在人類評分環節獲得優勢。

這場風波折射出AI行業普遍存在的基準測試困境。LMArena等平臺采用的人類偏好評估體系，本意是更貼近實際用戶體驗，卻也為"應試優化"提供了操作空間。當廠商針對特定評測標準調整模型時，雖然能獲得漂亮的排名，卻可能犧牲模型的通用性和穩定性。這種現象不僅誤導開發者，長遠來看更會損害整個開源生態的信任基礎。

值得注意的是，排名修正后的開源版本Llama-4-Maverick-17B-128E-Instruct表現平平，不僅遠遜于谷歌Gemini 2.5 Pro和OpenAI的GPT4o，甚至不及國內廠商深度求索的DeepSeek-V3等模型。這種落差引發了對Meta技術實力的重新評估，也讓人質疑其開源策略的誠意。

Meta官方回應稱，不同版本是"針對不同使用場景的定制嘗試"，并強調期待開發者反饋。但這種解釋難以平息業界的批評聲浪。分析人士指出，在AI競賽白熱化的當下，各大廠商面臨巨大的排名壓力，但通過技術透明度建立長期信任，遠比短期榜單成績更重要。