字节找到了DeepSeek时强时弱的原因

同一道题，什么都没改，只在前面多塞几个无关紧要的字符，模型突然就不会了？？？

Seed研究人员发现，DeepSeek-V4的表现竟然会随着信息的输入位置，每隔4个Token周期性变化。

啥意思？模型记不记得住一件事，居然还要看这件事在输入里站哪儿？？

前面多两个Token，答案可能从错变对，再多两个，又给你改回去。

在128K长上下文检索测试中，研究人员发现，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。

团队进一步发现，这个问题与DeepSeek-V4采用的一项长上下文优化技术有关——

字节Seed研究人员最开始是拿DeepSeek自己的代码做了个实验。

他们从DeepSeek-V4的官方推理代码中截取了一段FP8量化函数，让模型补全最后一个Token。

任务的正确答案应该是8，因为这段代码需要完成FP8相关的类型转换。

为了搞清到底咋回事，研究人员在代码前面加了一段纯装饰性的文档字符串，里面放着一些重复的等号。

代码本身没改、要补全的位置没改、正确答案当然也没改……唯一的变化，就是前面多了这几个没什么实际意义的Token。

更具体地说，在论文测试的16种填充长度中，当长度模4的余数为0或1时，模型倾向于错误答案32；余数为2或3时，则倾向于正确答案8。

在一组位置上，错误答案32的平均概率达到71.3%，正确答案8只有26.4%。

正确答案8的平均概率升到91.5%，错误答案32只剩7.2%。

也就是说，前面几个无关字符的长度变化，足以让模型对同一道题产生截然不同的判断。

他们把目光转向大模型长上下文能力里很经典的一项任务，大海捞针。

研究人员构造了一段长达128K Token的上下文，里面包含约1.6万个键值对。

结果发现，DeepSeek-V4系列的准确率曲线，竟然呈现出非常明显的周期性起伏。

其中DeepSeek-V4-Flash-Base在不同位置之间的最大准确率差距达到40.2个百分点

DeepSeek-V4-Pro-Base也达到34.8个百分点。

DeepSeek-V4-Flash-0731的差距缩小到19.1个百分点，DeepSeek-V4-Pro-0813缩小到14.8个百分点。

而更新的DeepSeek-V4.1-Flash-0910，差距进一步降至6.1个百分点。

再往细看，DeepSeek-V4的波动周期是4个Token，DeepSeek-V4.1则变成了2个Token。

研究人员发现，这恰好对应两代模型各自采用的KV Cache压缩步长。

大模型处理长上下文时，需要保存大量历史Token对应的Key和Value信息，供后续注意力计算使用。

尤其是动辄几十万、上百万Token的长任务，KV Cache很容易成为推理效率的瓶颈。

思路是把连续的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。

但Seed团队发现，DeepSeek出现神鬼二象性的原因可能就藏在这个分块过程里。

那么，同一条信息出现在窗口里的第1、第2、第3或第4个位置，压缩时所处的条件就可能不同。

他们把这种现象命名为Phase Sensitivity，相位敏感性。

第二种排版，只是在前面多加几个字，关键数字相对于压缩窗口的位置变了。

资料还是那份资料，但模型之后能不能把数字找出来，可能就有明显差别。

而且，这种问题还不能简单归结为“信息刚好被切在两个窗口之间”。

研究人员发现，即使Key和Value都落在同一个压缩窗口里，不同位置的检索准确率也能相差很大。

这说明问题还涉及模型究竟如何把信息写入压缩缓存，以及之后如何从缓存中读取。

他们以Qwen3-0.6B架构为基础，构造了多种KV Cache压缩方案，并设置没有分块压缩的全注意力模型作为对照。

结果，所有接受测试的分块压缩模型，都出现了与压缩步长对应的周期性变化。

研究人员还分别调整了窗口大小和压缩步长，发现周期主要跟着压缩步长变化。

甚至不使用RoPE位置编码，或者把可学习的压缩权重换成简单平均，这种现象依然存在。

Seed团队进一步对注意力头进行干预，观察移除不同组件之后，模型在各个相位上的检索能力如何变化。

有些头更擅长处理某些位置的信息，另一些头则在其他位置上发挥更大作用。

研究人员将其称为Phase Specialization，相位专门化。

也就是说，模型内部似乎形成了一种分工：不同注意力组件，对压缩窗口里的不同位置产生了偏好。

这种分工可以帮助模型完成信息检索，却也可能让某些位置成为相对薄弱的环节。

论文还通过简化的理论模型分析了训练过程，发现梯度流可能推动压缩模块形成稳定的位置偏好。

这也解释了为什么这种周期性并非简单的随机噪声。它可能是模型在学习如何压缩信息时，自然而然形成的结果。

但这类问题未必能从普通Benchmark里直接看出来，因为常规评测通常会把大量测试结果汇总成一个平均分。

假设模型在某些位置表现很好，在另一些位置明显掉队，最后算出来的平均成绩可能依然不错。

所以Seed团队提出，评估采用分块KV Cache压缩的模型时，不能只看整体检索准确率，还得把同一条信息放到不同压缩相位上，分别测一遍。

可即便存在这种位置带来的性能偏差，长上下文推理的内存和计算成本摆在那里，压缩仍然有很现实的价值。

当然了，从这次的实验结果看，后训练和架构迭代确实能明显缩小这种差距。

论文地址：https://arxiv.org/pdf/2609.36322

arXiv最严新规！每人每月最多提交2篇，拒稿不退额度2026-10-02

DeepSeek扩招！弹性计算团队大量HC，尤其需要资深工程师2026-10-03

首个AIGC长片大赛！RunningHub单项大奖100万，科幻IP免费改编2026-09-15

吹爆开源！RunningHub让MiniMax H3满血提速12倍，本地部署照样起飞2026-09-11

实测腾讯元宝电脑版：搭载满血版DeepSeek，装上就是AI PC

DeepSeek V3.1更新「最终版」！下一次是V4/R2了？？？

GPT-4.5马上发布，GPT-5免费畅聊！奥特曼剧透大动作，网友：让DeepSeek整破防了

DeepSeek扩招！弹性计算团队大量HC，尤其需要资深工程师

Jev估值100亿美元！创始人Diogo Almeida回答一切

GPT-6要“吃掉”3D公司？这家公司不到2年ARR翻百倍，破1亿美元

量子位 QbitAI 版权所有©北京极客伙伴科技有限公司 京ICP备17005886号-1