lmarena.ai 公开 Llama-4 对战数据：指责 Meta 靠定制模型刷榜

打榜赢了，但可能只是赢在「说话好听」上。大模型盲测平台 lmarena.ai（原 LMSYS）公开了 2000 多场涉及 Meta Llama-4 的对战原始数据，并公开批评 Meta 在提交模型时缺乏透明度。

针对人类喜好「特调」的对战版本

这次争议的核心在于名为「Llama-4-Maverick-03-26-Experimental」的测试模型。lmarena.ai 表示，早期分析发现，模型的回答风格和语气对胜率产生了很大影响，平台甚至特别提到了表情符号的影响。

平台明确指出，Meta 对打榜政策的理解与平台的预期不符。Meta 本该事先说明这是一个为了迎合人类偏好而特别优化的定制版本。为了保证透明度，lmarena.ai 直接公开了包含提示词、模型回复和用户投票结果的 2000 多条对战记录。

同时，lmarena.ai 正在把 Hugging Face 上的公开发布版本拉进盲测，很快会公布真实成绩，并且正在修改榜单规则，避免以后再有厂商钻空子。

为什么重要

这起风波直接挑明了盲测榜单最大的痛点：刷分套路。我们认为，当盲测排名成为各家大模型最核心的宣传背书时，厂商自然会想方设法迎合人类评委，比如把语气调得更讨喜、多带几个 Emoji，但这种讨巧的做法并不代表推理或解决实际问题能力的提升。

lmarena.ai 选择公开全部对战记录，并拉入开源社区的公开权重重新跑分，看起来是在用实际行动重塑公信力。对开发者来说，盲测胜率可以看，但绝不能迷信，真正能拿到手里跑业务的模型究竟水平如何，终究还是要看公开权重的实际表现。