10月12日中午，#deepseek崩了#又爬上了微博热搜。官方状态页显示，对话服务在12:05至12:16出现部分网页中断，共约11分钟，随即修复，API类目未受影响。 这11分钟算不上长，但叠加上本周在技术圈刷屏的另一类“异常”，就是同一个问题问DeepSeek，有时答得头头是道，有时突然改口胡说——它不是网卡或拥堵，字节Seed团队9月提交的一篇论文为这类“时对时错”现象给出了一个技术解释：DeepSeek-V4在长文本处理上存在周期性盲区。对打工人来说，这两种异常的备用方案完全不同：服务中断要切换工具，架构盲区要换问法。知未科技
回看这几个月，中断并非孤例。3月30日，官方状态页公告网页与App服务出现重大中断，当晚21:35发现异常、23:23解决。 9月2日又出现一次网页/API部分中断，有博主发帖自嘲“我可以下班了”。 今天这次规模明显更小，但“恢复”的体感并不一致。新浪科技梁赛
有用户发现两个账号一个能用、一个不能用，连DeepSeek自己也回答“可能是某一些节点还没有修复好”。 刷不出来的用户来回换网络，最后改用千问和豆包救场。 这提示了一个常被忽略的细节：网页、App和API属于不同故障域，这次靠API跑任务的人大多没感到风波。微博微博
真正让“打乱节奏”有据可查的，是另一篇论文。9月28日，字节Seed团队联合普林斯顿、斯坦福、加州大学伯克利分校研究人员提交的《Periodic Weak Spots: Phase Sensitivity from Chunked KV-Cache Compression》登上arXiv，10月10日经36氪报道后在技术圈传开。论文一作是字节跳动Seed实习生、普林斯顿计算机系博士生朱星宇（Xingyu Zhu）。36氪
实验简单到离谱：让DeepSeek-V4-Flash续写它自家开源推理代码里FP8量化算子的一行答案，代码一字不改，只在前面注释里增减几个装饰性等号，模型的答案就在8和32之间来回翻转，每隔4个Token重复一轮。 四组填充文本共64次比较，60次符合这个周期规律；而不用分块KV压缩的V3.1-Base没有这种翻转——问题不在“问法玄学”，在压缩存储本身。AI前线
论文给这个现象起的名字是“相位敏感性”。V4为低成本跑超长文本，采用分块压缩注意力：有的层每推进4个token就把最新的8个token打包成一条压缩数据，有的层每128个token合并一次。这一切，序列里每个token就多出一个隐式坐标——它相对压缩窗口边界的余数，即“相位”。落在弱势相位的关键信息不是被忘记，而是压根没被写进缓存，模型回头想用它时无从可取。 后续一组对照实验排除了位置编码、门控参数等嫌疑：准确率波动的周期始终严格等于压缩步长。这是用长文本换成本的结构代价，不是打个补丁就能消失的bug。36氪
用户端的体感是“上一轮还对、这一轮翻车”，实验里更狠：1.6万组键值记录埋进128K上下文，其他变量全部固定，只挪动目标信息的位置，V4-Flash基座模型的检索准确率就从最好位置组的69.92%跌到最差组的29.69%，落差40.23个百分点。 经过后训练的版本把落差缩到19.14个百分点，V4-Pro基座与后训练版分别是34.77和14.84。36氪
那个等号实验还有一个概率版本：前缀长度 mod 4 余 0 或 1 时，模型给错误答案“32”的平均概率71.3%，正确答案“8”只有26.4%；移到余2或3的位置，答案直接翻过来，“8”升到91.5%、“32”只剩7.2%。 接近65个百分点的翻转，全部来自一次几乎无感的位置挪动。知乎
为什么这么久了才被发现？因为主流评测习惯把信息随机散落再取综合平均分，强势相位的满分和弱势相位的零蛋刚好互相抵消。 Seed从零训练的对照组显示，全注意力与8倍压缩注意力的平均分只差1.7个百分点，但最差位置会从58.4%断崖跌到9.9%——平均分能证明“总体可用”，却掩盖不了它在固定位置“突然罢工”。AI前线
DeepSeek也在修：9月10日发布的V4.1-Flash把压缩步长减半，最好与最差相位的落差从40个百分点收窄到6.1，周期性退化为以2为周期——偶数位置准确率约95%，奇数位置仍有89%~90%。 盲区明显变小，但只要还在分块压缩，就没有完全消失。36氪
第一道防线：分清你碰到的是哪种异常。遇到“打不开、发不出”，先查官方状态页，再决定是不是换工具——网页、App、API在状态页上是分开计的，如果你的任务走API或接入API的客户端，可能根本不在故障域里。中断期间的损失主要来自对话框里的过程产物：关键结论、阶段性成果随手导出或复制出来，恢复后不用从头重来。第二个入口平时就测好、留着，像今天转向千问和豆包的用户那样应急绕行即可，不必长期搬家。
第二道防线：对付“抽风”，切换工具不治本，要换的是提问和校验方式。盲区是一类架构成本，换用同样走分块压缩路线的模型只是换个盲区；有效的做法是改变关键信息的位置和冗余度——上一轮对、这一轮错时，先换一种表述或调整上下文长度再问一遍，让它落进模型“存得住”的位置；长文提取别信单次检索，让模型先复述目标原文、再基于复述下结论，关键数字拿回原文核对；精度要求高的任务拆成短对话，不要把材料、约束、指令一次性堆进超长上下文赌运气。
第三道防线建在平时：按任务类型配好“第二选择”。国内办公AI的分工已经相对清晰，通用问答和日常文档用豆包、通义、元宝，长文档精读常用Kimi，本地文件与协作场景另有WorkBuddy等侧重不同的产品。 还有一条硬边界：把工作材料交给另一家AI，先过公司的数据与使用合规这关——备用方案成立与否，常不在于哪家更强，而在于哪家你有权用。知乎
这场热搜里，11分钟的中断其实比40个百分点的盲区温和：前者崩得有声有色，后者会在一切正常的面具下出错。在V4.1把周期性彻底抚平之前，打工人能做的不是逃离DeepSeek，而是让任何一次故障都断不掉自己的节奏——对话框可以崩，交付物不能崩。
