多打2个字答案就从错变对、同一道题最大差40个百分点：字节一纸论文把DeepSeek「抽风」钉上解剖台——不是降智、不是玄学，是压缩记忆的「站位」问题，决定换V4.1还是跑路之前，先对号4类人领行动单

这几天AI圈最热闹的一件事，是字节跳动和DeepSeek隔空打起了擂台。字节Seed团队9月底在arXiv提交了一篇论文，本周经媒体集中报道后彻底引爆，微博话题#字节团队发现DeepSeek抽风原因#被顶了上来。这篇论文的标题就很直白——《Periodic Weak Spots》（周期性弱点）。知乎上「如何评价字节Seed团队发现DeepSeek性能漂移」这个问题下面，一条把机制掰开揉碎讲清楚的回答，截至发稿已经拿下6900多赞、200多条评论。高赞总结只有一句话：DeepSeek V4神鬼二象性的原因找到了——对齐了就是超神，进盲点就是超鬼。而评论区744赞的最高赞评论是：「我居然看懂了一点，你的表达能力太好了。」这说明什么？说明被DeepSeek「抽风」折磨过的用户，真的很多。微博知乎知乎

一、你骂过的「降智」，可能真是被冤枉的玄学

先别急着看技术，先看用户端这几个月的真实抱怨：

• 10月2日凌晨，有人发帖「如何看待DeepSeek2026年10月02日03:40起崩溃（性能下降）？」，一条回答拿了239赞。知乎

• 「deepseekv4.1flash拉完了，实际使用比dsv4f差不少，为什么大家对此毫无反应？」这条抱怨下面，210赞、36条评论。知乎

• 小红书9月一条404赞、72评论的帖子写着：「更新后简直是一塌糊涂 无论是日常聊天还是角色扮演，AI显得更冷漠，共情能力变差。在角色扮演中，AI的逻辑能力也时好时坏」。小红书

• 微博一位用户更早就自己摸到了线索：「遇到好几回，Deepseek会这样抽风输出。大部分时候都要这样自言自语十几秒才继续干活。触发机制我感觉是上下文压缩次数多了以后。」

注意最后这条——普通用户靠体感猜的方向，和字节论文用实验锤实的机制，是同一个东西：上下文压缩。过去大家怎么解释「同一个问题，昨天答得像博士、今天答得像实习生」？采样随机性、服务器负载、官方偷偷降智、甚至「AI也有心情」。多数用户把这类不稳定归因于服务器压力过大、访问人数过多，而最新的技术研究显示，模型架构本身的设计选择才是核心原因。这些旧解释有个共同点：没法验证，也没法应对，你只能重问一遍碰运气。字节这篇论文给出的解释不一样：这是写死在架构里的结构性现象，有周期、有规律、可复现。微博界面新闻

二、实验有多狠：在前面加几个「=」号，答案就来回翻烧饼

论文做了两组关键实验，数字先摆出来。

第一组：代码补全实验。研究人员拿DeepSeek自家的FP8量化函数代码，让DeepSeek-V4-Flash-Base补全最后一个Token——补全位置停在「T.Cast(FP」后面，正确答案是8（组成FP8）。然后他们在代码前面的注释里加了一段纯装饰性的文档字符串，里面只有一串等号，没有任何语义。代码没改、问题没改、正确答案没改，唯一的变化是等号的数量。结果模型的答案在8和32（FP32）之间反复横跳，周期正好是4个Token：等号数量除以4余0或1时，模型71.3%的概率答错成32，正确答案8只有26.4%；余2或3时情况直接反过来，8的概率升到91.5%，32只剩7.2%。换了四类填充文本、每类16种长度，64个样本里60个符合这个规律；而没有分块压缩的DeepSeek-V3.1-Base做对照，只在4个样本上偏向错误答案，概率差距不到0.07。翻译一下：你在问题前面多打了两个字，DeepSeek就可能从答对变成答错——再打两个字，又对了。这不是段子，是论文里的实验数据。量子位知乎

第二组：128K大海捞针。研究人员构造了长达12.8万Token的上下文，每个prompt里放约1.6万条键值对，让模型找出指定Key对应的Value。键值关系、问题、上下文总长度全部不变，只挪动目标信息的位置——同一条信息只是换了个位置，DeepSeek-V4系列模型的检索准确率最高就能拉开40.2个百分点。各版本的差距如下：知乎量子位

同一份资料、同一个问题，信息「站的位置」不同，检索准确率最大能差40个百分点。这就是「时灵时不灵」的全部秘密。

三、机制一句话版：压缩记忆有「座位表」，有的座位是VIP，有的座位是死角

为什么会这样？核心在DeepSeek V4用的一项省显存技术：分块KV Cache压缩。大模型处理长文本时，要给每个历史Token存一份「记忆缓存」（KV Cache），上下文越长，显存和计算开销越大。DeepSeek V4为了用极低成本跑超长上下文，把连续的Token分成一个个窗口，再将窗口内的信息压缩成更少的缓存条目。压缩之后，每个Token除了「在全文第几个字」这个绝对位置，还多了一个隐藏坐标：它在压缩窗口里排第几——论文把这个相对于压缩窗口边界的位置称为Phase（相位）。量子位

具体到DeepSeek V4：它的CSA（压缩稀疏注意力）会把连续若干个Token的KV压成一条缓存，V4是窗口8、步长4——每向前移动4个Token，就把一个包含8个Token的局部窗口通过可学习的门控压缩层合并压成1条紧凑的KV-Cache向量，训练过程中会诱导出强势槽位和盲点槽位。关键就在这里：目标信息若落在门控的强势槽位，特征近乎无损保留，甚至顺带降噪，检索准确率极高；若落在死角槽位，信息在物理层面就没被存进 KV Cache——米都没下锅，上层模型推理能力再强，也只能根据局部统计概率现编一个，表现出来就是胡言乱语、答非所问，也就是你眼里的「抽风」。知乎

更狠的是，Seed团队为了证明这不是DeepSeek调参没调好，拿Qwen3-0.6B架构从零训了一批对照模型：

• 把压缩步长分别设成4、6、8、12，准确率波动的周期分毫不差地跟着步长走——研究人员分别调整窗口大小和压缩步长，发现周期主要跟着压缩步长变化。量子位

• 去掉RoPE位置编码、把可学习门控换成最笨的均匀平均，周期性弱点依然存在——不压缩的模型各个位置之间最多差6.1个百分点，压缩的最多差78个，哪怕把压缩换成最笨的组内取平均，这个周期还在。知乎

• 没有分块压缩的全注意力对照组，没有出现同等程度的周期性波动。

结论：只要你离散的定长切块，那么就必然打破序列平移对称性，存在一定的神鬼二象性问题——这不是DeepSeek一家的bug，是整条固定步长压缩路线的结构性代价。这也解释了为什么各大榜单看不出来：现有长上下文评测的目标位置基本是随机放的，各个相位被均匀抽到，最后取个平均，强相位和弱相位正好互相抵消，得到一个看起来很健康的分数。界面新闻把这层窗户纸捅得更透：平均得分实际上是模型在不同相位下表现高低互抵后的结果，大量用户实际遇到的，恰恰是检索准确度处于低位的相位区间。指标没有骗人，只是它回答的问题和你真正关心的不是同一个。论文里还有组更扎心的数字：某个压缩配置的模型，平均准确率和不压缩的全注意力基线几乎一样，可它最差那个相位的准确率只有9.9%，全注意力基线的最差相位是58.4%——平均分持平，最坏情况差了近50个百分点。知乎知乎界面新闻

四、先泼三盆冷水：别把这件事读过头

热度越高越要去噪。这三个澄清，能帮你避免误判：

第一，「性能漂移」这个词本身就是转述走样。说是“性能漂移”，不太准确——漂移听着像随着上下文变长性能慢慢变差，论文测到的其实不是这个，是周期性的起伏：同一条信息放在第n个Token处模型找得到，挪一两个Token就找不到了，再挪一两个又找得到。搞清楚这点很重要：如果是缓慢退化，你只能少喂长文；但既然是周期性起伏，换个问法就能自救。知乎

第二，这不是「字节锤DeepSeek」的宫斗剧情，至少目前证据不支持阴谋论。论文是预印本、未经同行评审，字节和DeepSeek也确实存在竞争关系，这些要在心里打个折。但实验基于DeepSeek开源的权重和推理代码，方法可复现，知乎技术圈的讨论主流是认可机制成立的。有条43赞的评论说得克制：这次字节不是故意跳出来挑毛病，而是因为它是一个没走国模扎堆同一条路线的团队，用可复现的实验数据，指出了一条被国模广泛采用的技术路线所存在的结构性问题。反过来想更妙的一点：闭源模型如果用了同类压缩方案，外界根本没机会发现——DeepSeek被挑出毛病，恰恰是因为它把权重、kernel和技术细节全开源了。效率和精度的取舍本来就躲不掉，问题在于我们得先看见取舍了什么。知乎

第三，DeepSeek自己在收敛，且小红书那波抱怨不能全算在这头上。从40.2到6.1个百分点，V4.1-Flash靠步长腰斩（4改2）、CED新架构（只在浅层做压缩粗筛、深层改用全局KV投影）加后训练，已经把差距压掉了85%——V4-Flash后训练版差距缩小到19.1个百分点，V4-Pro后训练版缩小到14.8个百分点，而更新的V4.1-Flash差距进一步降至6.1个百分点。在最新的V4.1-Flash上，偶数位置准确率稳定在95%左右，奇数位置在89%-90%——差距小了很多，但周期性依然存在，任何固定步长方案都无法根除。有位答主把这笔账总结成了一个「不可能三角」：长、准、省，最多占两样，三样都要，就得加钱。另外注意：9月小红书、B站那波「更新后语气变差、角色扮演变冷」的大规模差评，主因是后训练的对齐策略调整，和相位敏感是两码事；但「逻辑能力时好时坏」这类抱怨，和相位机制高度吻合。别把所有不满装进同一个筐。截至发稿，DeepSeek官方对这篇论文没有公开回应。量子位知乎

五、对号入座：4类人各自的行动单

机制看懂了，落到行动上就一句话：「上下文长度」从此是一个你能控制、也应该控制的变量。

① 网页/App闲聊党（短对话为主）：不用跑，学会「科学重试」。 短上下文受影响最小，该干嘛干嘛。但以后遇到答错、答偏、突然降智，别再原样重问碰运气了——在问题开头加或删几个字再问一遍（比如加个「请」字、换个称呼开头）。有位答主给出了自测方法：把同一个问题原样问一次，再在最前面分别加1、2、3个无意义的字符各问一次，看答案会不会跟着变。以前这叫玄学仪式，现在这叫改变相位，有论文背书。两次都错，再考虑它是真不会。知乎

② 长文档党（论文、合同、报告喂给AI的）：关键信息有「座位」，别让它坐死角。 128K大海捞针测的就是你的日常。三个动作：超长文档分段喂，每段单独提问，比一次性塞满更稳；最关键的那条信息（金额、日期、条款号）换个位置多问两遍，两遍答案对不上就说明踩到弱相位了；重要抽取任务别只信一次输出。界面新闻也提到，早有用户摸索出了实用经验：把提示语里的关键内容放在最前面，能大幅提升模型准确抓取信息的概率。界面新闻

③ 程序员/API开发者：「玄学bug」终于有排查方向了。 这是论文对工程侧最实际的启发：离线环境复现不了线上的错误，可能不是温度参数的问题，是线上请求的前缀多了3个token——用户名长度、时间戳格式、system prompt里的一个空格都算。上线前在评测集上做一次padding扫描——同一批用例加不同长度的无害前缀各跑一遍，按相位分组看准确率。对一致性要求高的场景（代码补全、合同条款抽取），可以对同一请求做几种不同长度的前缀填充、取多数结果。知乎

④ 换模型观望党：先看你的场景，再看价格。 好消息是，DeepSeek-V4.1-Flash的性能漂移要轻微很多。你的主场景如果是长上下文检索/Agent任务：V4.1-Flash差距已缩到6.1个百分点，价格依然是同档杀手锏，没必要连夜搬家；预算充足、任务对一致性极度敏感，可换全注意力架构的模型——没有这个结构性问题，但长文本成本更高。你的主场景如果是短对话、写作、日常问答：这件事对你的实际影响很小，选模型该看文笔看文笔、该看价格看价格，别被标题党带节奏。顺带一个观察点：评论区已有人点名Kimi那种隔一层线性注意力、隔一层全注意力的交错设计，理论上是另一条规避路线——真假还得等同类实测，先记在观察清单里。知乎知乎

六、接下来盯什么

三个信号，值得放进你的关注列表：

1. DeepSeek官方是否回应——是出相位曲线自证，还是在下一代里直接上「按内容动态分块」：比较理想的方法就是引入 Content-aware Chunking，根据注意力权重动态决定压缩边界，此时网格中不再存在固定的相位概念。知乎

2. 评测榜单是否跟进「按相位分组」——「按相位报告准确率」大概率会成为高效注意力论文的标配，如果半年内主流长上下文榜单还是只看平均分，那你看到的分数依然会自动抹平最差情况。知乎

3. 其他采用分块压缩路线的模型是否被复测——论文作者自己也承认，这个代价很可能存在于所有按固定步长分块压缩KV的方案里，谁用谁可能有，不是DeepSeek一家的家族病。

最后说句公道话：这篇论文没有证明DeepSeek不能用，它证明的是DeepSeek的「不能用时刻」有规律可循。对普通用户来说，从「骂降智」到「懂相位」，最大的变化是——下次它抽风的时候，你手里有牌了。