Meta 终于发布了一个原生多模态大模型 Llama4。而且一经发布，在大模型LMSYS排行榜上，Llama 4 Maverick冲上第二。仅仅比 Gemini-2.5-pro 模型少 22 分。
这次的Llama4 总共公布了3 个模型，分别包括Behemoth、Maverick、Scout（已经不知道这几个模型叫什么名字了），那我们也称为超大杯、大杯和普通版本。其中大杯和普通版本已经开源，可以在官网和 huggingface 上进行下载。
这三个模型中，Maverick、Scout都是从 Behemoth 上蒸馏得来，也就是下图具体的样子：
每个模型的具体介绍如下：
1.Llama 4 Scout：
- 参数规模： 具有170亿个活跃参数，总参数量为1090亿。
- 架构特点： 采用混合专家（MoE）架构，共16个专家，每次推理激活其中2个。
- 上下文窗口： 支持长达1000万标记的上下文窗口，适用于处理长文本任务。
- 硬件需求： 可在单个NVIDIA H100 GPU上运行，适合资源有限的环境。
2. Llama 4 Maverick：
- 参数规模： 同样具有170亿个活跃参数，但总参数量增加至4000亿。
- 架构特点： 采用128个专家的MoE架构，每次推理激活17个专家。
- 上下文窗口： 支持1000万标记的上下文窗口，适用于复杂任务处理。
- 硬件需求： 需要多个GPU协同工作，适合对计算能力要求较高的环境。
3. Llama 4 Behemoth：
- 参数规模： 拥有2880亿个活跃参数，总参数量接近2万亿。
- 架构特点： 同样采用MoE架构，具体有 16 个专家模型。
- 开发状态： 目前仍在训练中，尚未公开发布。
- 应用场景： 预计将用于需要极高计算能力和复杂推理的任务，如科学研究和高级数据分析。
这三个模型共同特点：
- 混合专家架构（MoE）： 通过仅激活部分参数，提高计算效率，降低训练和推理成本。
- 多模态能力： 在预训练阶段整合文本、图像和视频数据，具备处理多种数据类型的能力。
感觉这样的模型确实特别巨大，而DeepSeek R1的参数量也仅仅在 6710 亿，只有Behemoth的1/3。目前业界新热点还是在追求小而美模型大小，这么大的LLama模型确实很少见。
在官方放出的不同模型对比图上：
- 价格方面：在每 1M 输入输出 tokens 下，LLama4 Maverick 价格接近 0.19-0.49，价格应该说是比 DeepSeek v3 要便宜一点。比GPT-4o 价格那确实便宜很多
- 图像推理任务：Llama 4 Maverick 在图像推理任务中表现最强。MMMU（复杂图像理解） 中，Llama 4 Maverick 得分 73.4，高于其他模型。MathVista（视觉数学）， Llama 4 Maverick 得分 73.7，高于 Gemini 2.0（73.1）和 GPT-4o（63.8）
- 编程任务上：DeepSeek 在编码任务上略胜一筹（DS 还是强的哇！），但 Llama 4 Maverick 表现依然优异，远超 GPT-4o。
下图展示了模型在**“代码任务中的累计平均负对数似然（NLL）”**随序列位置变化的趋势曲线。从图中可以观察到，随着序列位置的增加（即代码长度的增长），累计平均 NLL 整体呈下降趋势，并在后期逐渐趋于平稳。
这一现象通常反映了以下几点：
- 初期预测不确定性较高： 在序列起始阶段，由于可供参考的上下文信息有限，模型对下一个 token 的预测相对不自信，表现为较高的 NLL。
- 上下文积累带来预测能力提升： 随着代码逐行展开，模型可利用的上下文信息逐渐丰富，对结构与语义的理解增强，从而提高预测准确性，NLL 显著下降。
- 预测能力趋于稳定： 当序列长度达到一定规模后，模型已基本掌握代码的语义结构与上下文模式，预测质量趋于稳定，NLL 曲线进入平台期。
总体来看，该趋势表明模型具备良好的长序列理解能力，并能够有效利用上下文信息提升代码生成或补全任务中的预测性能。
模型简单测试
案例1：六边形内小球碰撞试验，未取得成功。
值得关注的是：DeepSeek R1与Gemini 2.5 Pro在单次请求中便成功完成此项试验。而Maverick在八次请求后方才取得成功。DeepSeek与Gemini表现卓越，Maverick则需进一步优化。
案例 2：草莓单词中有多少个“r”，最后结果得出 2 个，错误。
案例 3：测试生成的 UI 代码。感觉没有识别出真正的需求。
从上面测试的案例来看，LLama4 缺乏想 R3、o1 这样的推理能力，所以导致在需要仔细思考的问题下，答案往往是错的。
模型细节：预训练+后训练阶段
在预训练阶段，感觉像是用了 DeepSeek 类似的训练架构。在专家混合架构（Mixture of Experts，MoE）中，采用了128 个路由专家和一个共享专家，同时为了高效训练，也采用 FP8 精度加快模型训练速度
为了支持原生的多模态输入，Llama 4 通过早期融合（early fusion）机制将文本和视觉 token 无缝集成至统一的模型主干架构中。早期融合就是为了能够让模型大规模学习文本、图像和视频数据。
在视觉编码器中使用MetaCLIP 构建，并在与冻结的 Llama 模型协同训练的过程中进行独立优化，以更好地适配语言大模型。
在后训练阶段，Maverick采用了三阶段的训练策略，这个过程主要就是强化学习+微调的结合体：轻量监督微调（SFT） > 在线强化学习（RL） > 轻量偏好优化（DPO）。
具体的训练三个步骤的关键点：
- 轻量监督微调（SFT）： 仅使用较难数据训练，避免过拟合简单任务。
- 在线强化学习（RL）： 动 态采样中等及高难度提示，提升模型推理与对话能力。
- 轻量偏好优化（DPO）： 处理边缘任务，改善响应质量。
写在最后
Llama 4 的发布，标志着 Meta 正式加入原生多模态大模型竞赛的核心战场。与 Gemini 系列、GPT-4o、Claude 3、DeepSeek 等主流模型相比，Llama 4 的技术栈呈现出强烈的“工程范”：不走炫技路线，而是注重模型实用性、训练效率与部署成本之间的平衡。
尤其是 Maverick 模型，在保持活跃参数较少的前提下，通过 MoE 架构实现极高性能，其在图像推理、数学视觉任务中已接近甚至超越商业闭源 SOTA 水平，展现出优异的多模态理解与长上下文处理能力。不过从一些实际推理任务结果来看，Llama 4 目前在复杂思维链条、细粒度逻辑推理等方面仍存在优化空间，与 DeepSeek R1、Gemini-2.5 Pro 等模型相比，尚未形成显著优势。
总体而言，Llama 4 是一次兼顾创新与务实的模型发布，它并未追求参数堆砌的极限，而是通过科学架构设计（如128专家MoE、FP8训练、视觉早融合）来解决大模型落地过程中最现实的问题：计算成本、推理效率、多模态通用性。而其训练策略上的三阶段后训练体系，也为多模态模型在人类偏好拟合与任务泛化能力之间提供了新路径。
如何学习大模型 AI ？
由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。
但是具体到个人，只能说是：
“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】
第一阶段（10天）：初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么？
- 大模型是怎样获得「智能」的？
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例：向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段（30天）：高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示（Embeddings）
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段（30天）：模型训练
恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。
到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2：手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段（20天）：商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身：基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例：如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。
如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。
这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】