11月6日，doubleAI 发了一篇研究博客。两天后，中文热搜把它压缩成一句话：改架构后，DeepSeek 数学能力提升。
这句话不算错，但漏了几个关键限定。
新智元在微博上的标题更直接：「AI亲手改写Transformer架构！DeepSeek自我改造暴涨7分」。新智元
B站则把它概括成：「AI自己改架构了：DeepSeek不改权重，数学能力暴涨7个点」。哔哩哔哩
最容易被误读的是主体。这不是 DeepSeek 官方发布的新模型。实验里，DeepSeek-V4.1-Flash 既是「主刀医生」，也是「病人」。
这项研究出自 doubleAI，一家由 Amnon Shashua 联合创立的实验室。doubleAI
其次，这次实验没有训练 DeepSeek 的权重。这里说的「改架构」，不是换掉 Transformer 的主干，而是在生成流程外面加了一层采样控制。doubleAI
也不是「思维链一跑偏就当场回滚」。实际做法更笨：等一整道题写完，探针读取 7 个深层 block 的激活，判断刚写的答案大概率对不对；判错就整题丢弃，重做，最多三次。doubleAI
7 分是这么来的。模型先拿自己在 243 道 2024—2025 年竞赛题上的对错记录，自己挑层、定探针形式、定阈值；2026 年的 AIME 和 HMMT 一直藏着。
结果，AIME 从 76.2% 到 82.3%，HMMT 从 52.7% 到 60.8%，两项合计 63.9% 到 71.0%。赛前它估计能涨 8 分，实际涨了 7 分。doubleAI
注意，这是「不开思考模式」测出的成绩。探针拒掉了模型五分之四的错误答案，只误伤十五分之一的正确答案；只按长度重采样，涨幅不到 2 分。doubleAI
作为对照，「完美探针」能把合计拉到 78.1%，说明 7 分离天花板还有距离。
它真正值得看的地方，是探针的层、形式和阈值不是研究员定的。
模型自己从失败样本里找规律，自己定下探针的层、形式和阈值，再把它包进 `probe_and_resample`。它没有突然变聪明，只是学会了在交卷前多看一眼。doubleAI
同一套方法在别处也成立。Qwen3-8B 自己写了一套「何时停、何时重来」的策略，AIME/HMMT 从 59% 到 66%。
CLRS-Text 上，训练中插入 10 层代码，在这套 30 种算法的基准上，准确率从 55% 到 84%。后者是另一个实验，不是 DeepSeek 的数学成绩。doubleAI
还有一个反直觉的结果：代码层半路插入，比一开始就给，长文回忆高 17 分。捷径给得太早，网络会赖着不走。doubleAI
代价也要说。重采样最多再重做三次，生成开销会上去；测试只覆盖两场数学竞赛；探针只在答案写完后有效，写到一半时它主要读出的还是「这题难不难」。
它更像一个模型自己训练的阅卷老师，而不是一个更聪明的解题者。
所以，热搜说的「DeepSeek 数学能力提升」，在这两场竞赛上可以成立，但别理解成 DeepSeek 换了个更强的模型。
真正发生的是：模型比较完整地走完了「诊断自己的失败—写工具—验证效果」的闭环，人类给的是目标、题目和规则。
这比 7 分本身更值得盯。
