DeepSeek一会儿神一会儿鬼，字节查出了原因：长文档有些位置是它的盲区

正确答案明明是8，DeepSeek偏一次次写成32。

字节Seed的研究员没改任何一行代码，只在前面一段无关的注释里，多加了一排等号，答案就在8和32之间来回翻。多敲几个，错了；删掉几个，又对了。翻转以4个token为周期，规规矩矩地重复。

这不是段子。Seed联合普林斯顿、斯坦福和伯克利的研究人员，把DeepSeek V4系列系统测了一遍，写成一篇65页的论文，揪出这个毛病的还是位在字节实习的博士生。消息这两天才传开，挖的却是一个老疑问。DeepSeek怎么一会儿神、一会儿鬼？

常用DeepSeek的人，对这个疑问多少有自己的版本。知乎上「DeepSeek降智了么」的问题反反复复被问，有人晒出让它算四笔钱的合计，它给了个错数，还一副笃定的样子。网友给这种表现起了个说法，叫神鬼二象性。以往的解释是服务器忙，或者纯粹运气差。这回有了个技术答案。可能真不是运气，是位置。

团队做了个大海捞针的实验。把一份能装下一整本小说的超长文档里，塞进1.6万组键值记录，让模型捞出指定的那一条。同样的信息，放的位置不好，DeepSeek V4-Flash的检索准确率只有29.7%；位置好，能到69.9%。位置一换，差出40个百分点。

位置为什么有好坏？这就轮到DeepSeek的省钱绝活出场了。为了让超长文本跑得起、跑得便宜，DeepSeek V4会把读过的内容压缩了再存，像把一本厚书每页的内容压成半页摘要，纸是省了，细节精度有损。而压缩是按小块进行的，块和块之间按固定步长切。同一句话，落在块中间，保留得比较完整；落在两块交界的地方，就可能被砍掉一大截。有些位置的信息，压根没有完整写进记忆里，等模型回头去找，那段记忆是真不存在，它只能凭概率瞎凑。用户看到的就是突然抽风。

更让人意外的是，这个问题以前为什么没被任何榜单测出来。

榜单看平均分。大海捞针测试里，目标信息随机撒在全文各处，好位置的满分和坏位置的零分正好互相抵消，平均分就好看了。Seed的对照实验里，两个模型平均分只差1.7个百分点，几乎打平；可按位置拆开，最差的位置上，一个还有58.4%，另一个只剩9.9%。

平均分及格，不等于每个位置都靠谱。这句话不只对DeepSeek成立，对一切跑过榜单的AI都成立。

那DeepSeek现在还能不能用？先别慌。

这个坑，DeepSeek自己早就看见了。9月10日发布的V4.1把压缩步长砍掉一半，配合其他结构改动，40个百分点的落差收窄到了6.1个点。有媒体拿Seed的原始代码复测，现役的V4.1-Flash，64次测试全部答对，当年8变32的翻转复现不出来了。当时翻车的那个模型，是个更老的基座版本，现在官方API里已经调不到。

但收窄不等于抹平。论文数据里，V4.1在好位置的准确率约95%，坏位置也有89%到90%。差距不大了，周期还在。只要还按固定步长做压缩，这个软肋就消不干净。

这里得替DeepSeek说句公道话。它敢把压缩做得这么狠，为的就是把超长文本的成本打下来，标称V4.1处理长文本的显存占用降到了上一代的四分之一。价格便宜和长文本稳，眼下还是一头翘另一头就得压的跷跷板，DeepSeek选了前者，再一点点补后者。这套打法的另一面也摆在那儿，正因为全身摊开给人看，字节才能拿手术刀把它解剖到注意力头这一层。

那这事对你我这种日常用它的人，有什么用？

让AI读长合同、长文档，别一口气全塞进去，拆成几段喂，最关键的条款在提问里再重复一遍。让它回答时引用原文，引不出来的，说明它没读到，那段就得人自己看。数字、日期、金额，不管AI说得多顺，回到原件上自己核一遍。涉及看病、签合同、买理财这种事，核的对象是病历原件、合同原文，拿不准就问真正的医生和律师。

顺带纠正一个误区。别把AI所有的犯傻都赖到这个盲区上，论文解释的只是一类现象，很多翻车另有原因。但它至少说明，AI犯错不全是随机的，有些坑就挖在固定的位置上。

回到那道8和32的题。现在的DeepSeek，64次都稳稳答8。可复测的数据里，它对正确答案的把握程度，仍会随着前面无关填充的长短悄悄变化，原因暂时说不清。

表面上，它全答对了。水面下，波纹还在。

下次你让AI读一份长文档、核一个关键数字，你会知道哪里值得多看一眼。