字节Seed实习生曝DeepSeek-V4技术缺陷：长文本检索陷入“周期性盲区”

AI前线·2026年10月10日 19:03

微调几个符号，DeepSeek-V4的检索准确率就可能暴跌40%

DeepSeek 连自己官方开源的推理代码都能写错，而且错得相当有规律。

最近，字节跳动 Seed 团队在测试 DeepSeek-V4 时，发现了一个相当诡异的现象：让模型补全其 FP8 推理内核中的一行代码，标准答案明明是 8，它却频频写成 32。

更奇怪的是，研究人员并没有修改任何关键代码，研究人员没有改动任何一行核心代码，仅仅在前面一段无关紧要的注释里，逐个增加装饰性的 = 符号，模型的答案竟然就在 8 和 32 之间来回翻转，而且每隔4个 Token 就重复一轮。

多敲一个符号就能让模型颠覆判断，这显然不是随机误差。

顺着这条异常线索，字节跳动 Seed 团队联合普林斯顿大学、斯坦福大学及加州大学伯克利分校的研究人员，对 DeepSeek-V4、V4.1 展开了系统测试，并在最新论文《Periodic Weak Spots: Phase Sensitivity from Chunked KV-Cache Compression》(暂译为：《周期性弱点：分块 KV 缓存压缩引发的相位敏感性》），中揭开了DeepSeek压缩稀疏注意力架构隐藏的技术缺陷。

在128K长上下文检索实验中，仅仅因为目标信息所处的 Token 位置不同，DeepSeek-V4-Flash 的检索准确率落差竟高达 40.23 个百分点。

所幸的是，DeepSeek 团队已经意识到了固定大步长带来的相位缺陷，并在 V4 的后训练版本和 V4.1 明显改善了这一问题，但却仍未能完全消除周期性的性能差异。

Seed 团队将这一现象称为“相位敏感性”（Phase Sensitivity），可被视为长文本压缩机制下难以回避的周期性软肋。

更让业界瞩目的，是掀开这一“隐蔽缺陷”的一作背景。

排在论文核心贡献者首位的，是字节 Seed 实习生、普林斯顿大学计算机系博士生朱星宇（Xingyu Zhu）。这位本科毕业于杜克大学、师从机器学习理论大家 Sanjeev Arora 的年轻研究员，此前已有成果入选 ICML 2025 Spotlight，今年还刚刚斩获了 ICLR 2026 RSI Workshop 的最佳论文。

从研究“上下文错误如何干扰推理”，到这次揪出“位置滑动如何瘫痪检索”，他切入大模型隐蔽缺陷的视角一脉相承，展现出了极其刁钻的敏锐度。

此外，该论文的结构也颇为特别：整整 65 页的篇幅，正文内容压缩在 10 页，参考文献占3页，剩下的 52 页全是附录。从数十种模型变体的因果干预、注意力头消融，到严格的数学动力学证明，研究团队几乎是把一整套“白盒解剖”的证据都摊在了台面上。

与其说这是一篇模型评测论文，不如说字节 Seed 团队围绕 DeepSeek 的一个异常现象，完成了一次颇为深入的技术溯源。

而问题的源头，恰恰直指 DeepSeek 为了压榨长文本计算成本，在 KV Cache 上最为核心的立身之本——块压缩稀疏注意力（CSA）。

问题的源头：神鬼二象性

要理解这个 Bug 怎么来的，首先得看 DeepSeek-V4 当初是怎么做长上下文架构设计的。

在传统的标准 Transformer 里，随着输入文本拉长到 128K 乃至百万级别，KV Cache（键值缓存）对显存的吞吐和占用会呈线性暴增。为了把显存和算力成本压到极致，DeepSeek-V4 在架构中交替使用了两种激进的压缩注意力：

CSA（压缩稀疏注意力）：采用长度为 8、步长为 4 的重叠滑动窗口，直接把 KV 数据量砍掉四分之三，后续再通过 Indexer 挑选关键块做稀疏计算；
HCA（历史压缩注意力）：压缩幅度更大，每 128 个 Token 强行合并成一条（无重叠），全局读取不挑。

这套设计在工程落地上的收益极大，是 DeepSeek 能够低成本硬跑超长文本的核心底座。但它在数学上，却悄悄打破了 Transformer 一项极其重要的底层基石——平移对称性。

在原生 Transformer 中，RoPE（旋转位置编码）的点积只计算相对距离。你在句子开头说句“你好”、换个harness框架、或者多打一个空格，Token 之间的相对坐标完全不变，模型注意力分布稳如泰山。

但由于 DeepSeek-V4 的 CSA 机制每向前走 4 个 Token 就打一次包，就导致序列里的每一个 Token，凭空多出了一个隐式的物理属性——相位（Phase）。

所谓相位，就是这个 Token 的绝对位置除以步长 4 取模的余数。在全注意力模型里，一个词排在第几位对编码方式毫无影响。但在分块压缩机制下，模型对不同位置的信息并非一视同仁：

有些位置的信息能被较完整地保留下来，有些则却可能在压缩过程中被大幅削弱。因此，同一条信息只是前后移动一两个 Token，模型后续能否准确找回它，结果就可能截然不同。

最核心的技术本质在于：信息在物理层面压根就没有写入 KV Cache。

等模型生成到后面回头检索时，显存的缓存池里根本不存在这段记忆。此时上层模型就算涌现出的逻辑推理能力再强，面对已经被物理抹平的底层表征也是巧妇难为无米之炊，只能基于自回归局部的统计概率胡乱拼凑——在用户端看来，就是模型突然“抽风”和胡言乱语。

对齐了就超神，踩进盲区就超鬼，网友常拿“神鬼二象性”调侃 DeepSeek 模型（创始人）表现，如今的这项研究，或许能为其中一类反常现象找到了技术层面的解释。

字节 Seed 的解剖实验

V4 的步长为 4，因此相位也有 4 种。信息在某种相位容易被找回，换个相位却可能沦为模型的检索死角。

开篇提到的 FP8 代码补全实验，正是第一条线索。研究人员只改变前置文档字符串的长度，模型就会在正确的 8 和错误的 32 之间周期性切换。更换四组填充文本后，64次比较中有60次符合这一周期规律。

而没有采用分块 KV 压缩的 V3.1-Base，则没有出现类似的周期性翻转。

为了排除偶然性，Seed 又设计了一项128K长上下文的“大海捞针”实验。

他们在文本中埋入1.6万组 Key-Value 记录，让模型根据指定 Key 找出对应的 Value。随后通过调整填充长度，将目标 Key 按 Token 位置对8取余划分为8组，同时固定总长度、提问位置，并匹配目标绝对位置的均值和方差，尽量排除检索距离带来的干扰。

结果，DeepSeek-V4-Flash 基座模型在最差位置组的检索准确率只有29.69%，最好位置组却达到69.92%，相差40.23个百分点。经过后训练的 V4-Flash-0731，差距缩小到19.14个百分点；V4-Pro 基座和后训练版也分别存在34.77和14.84个百分点的落差。

更关键的是，V4 各版本相隔4个 Token 的位置组，准确率又会呈现相似表现，几乎与 CSA 的压缩步长完全吻合。这意味着，模型并非单纯“忘记”某条信息，而是某些位置的信息从压缩存储到后续读取，更容易受到损失。

可是，为什么此前的长文本榜单（如 NIAH 或 RULER）从来没测出这个问题？

根源在于，主流评测一直被“综合平均分”蒙在鼓里。传统测试习惯把目标信息随机散落在文本各处，在均匀采样下，强势槽位的满分和弱势槽位的零蛋恰好互相抵消，最终伪造出一个光鲜平稳的高分假象。

而 Seed 基于Qwen3-0.6B 架构从零训练的模型对照实验恰好证明了这一点：

看平均准确率：全注意力是 61.1%，8 倍压缩注意力是 59.4%，两者仅差 1.7 个百分点，几乎平起平坐；
看最差表现：全注意力最差位置仍有 58.4%（极值仅差 4.3 个百分点）；而压缩模型的最差位置直接断崖式跌到 9.9%，最好与最差的落差暴增至 71.1 个百分点。

平均分几乎没有区别，最差表现却相差了近 50 个百分点。这也撕开了传统评测最大的盲区：平均分只能证明模型“总体上行不行”，却完全隐瞒了它会在什么固定位置“突然瘫痪”。