这两天刷屏的说法是：DeepSeek 自己改了架构，AIME 和 HMMT 2026 上数学成绩涨了 7 个百分点。先厘清一件事：这不是 DeepSeek 发布的新模型。做这件事的是 DoubleAI，一家由 Mobileye 创始人 Amnon Shashua 创办的 AI 机构。权重没动，也没加训练数据、没扩参数、没做强化学习。改的是一段插在推理流程里的 Python 程序。新智元小红书
具体做法是，让 V4.1-Flash 先做 243 道数学题，把做题轨迹和最深层 7 层的激活状态交给自己分析。它从里面找出容易跑偏的规律，写出一段叫 probe_and_resample 的检查程序。推理到检查点，程序读取最深 7 层的激活打分；一旦发现轨迹偏离正常分布，就回滚到出错那一步重算。AIME 2026 从 76.2% 到 82.3%，HMMT Feb 2026 从 52.7% 到 60.8%，两项合计 63.9% 到 71.0%。同一张图里，只把推理拉长的对照组是 65.4%，完美探针的上限是 78.1%。多出来的分，确实来自“发现跑偏”，不只是“想得更久”。微博小红书
但这不是 DeepSeek 的“新架构”。DeepSeek 官方的新架构，是 V4.1 Flash 的 Causal-Encoder-Decoder：552B 总参，输入激活 8B，输出激活 16B，每 token 全局 KV 缓存 890 字节。它把输入和输出拆开算，先让编码器读长文，再让解码器生成。这套设计首先是为了长上下文和 Agent 的成本，不是把数学题做得更深。DeepSeek
官方说，它在基准测试的整体智能水平上超过了包括 V4 Pro 在内的一众旗舰。把表拆开看，不是每个科目都赢。竞赛类任务没输：MathArena Apex 65.6 对 65.3，基本打平；Codeforces 3471 对 3348，明显更高。硬核科学推理则退了：GPQA Diamond 90.9 对 92.4，HLE 纯文本子集 39.1 对 42.7。这更像一次取舍：解码侧的算力压下来，难题的余量就少了。DeepSeek
所以“新架构数学差在哪”，有两个答案。若指刷屏的 7 个百分点：它差在权重之外，赢在推理时多了一道检查；同一套权重，旧版写完就交，新版跑偏就退。若指官方 CED：它差在硬核科学推理，不在竞赛类任务；它的设计目标本来就不是数学深度。
这也解释了为什么两个说法会混：都在说“架构”，一个改的是网络结构，一个改的是做题流程。前者的收益是成本和长上下文，后者的收益是数学竞赛的 7 个百分点。把后者当成“DeepSeek 新架构更强”，会高估模型；把前者当成“数学退步”，会低估它在 Agent 场景的性价比。
还有两个问号。回滚会拉长推理链，token 和等待时间都会涨；公开转述里没有给出成本数字。AIME 和 HMMT 的题目流传很广，训练数据有没有去重，公开转述也没有交代；这 7 个百分点里有多少是真会做，有多少是见过，得先打个问号。
真正值得学的，是那道检查程序：它不改变模型会不会做，只改变错了能不能及时发现。这个办法有前提——题得能判对错。数学可以，写方案和做判断不行。会检查不等于会做，但至少，交卷前多看了一眼。
