DeepSeek 成本优势藏隐患?新研究... Features
据《南华早报》(South China Morning Post)2026 年 10 月 12 日报道,一项最新研究揭示了 DeepSeek 模型在节省内存技术背后的潜在缺陷——这一发现罕见地挑战了此前帮助中国人工智能实验室以低成本策略缩小与美国竞争对手 OpenAI、Anthropic 差距的关键突破。研究论文于 2026 年 9 月下旬发布,由字节跳动(ByteDance)研究人员领衔,普林斯顿大学、斯坦福大学和加州大学伯克利分校的学者共同参与。《南华早报》指出,该研究尚未经过同行评审,但已在业内引发广泛关注。
网友热议DeepSeek 的低成本秘诀:内存压缩技术
DeepSeek 之所以能以远低于美国同行的成本训练和运行大模型,核心依赖之一是其独特的内存优化方案。该技术旨在减少处理长文本输入时所需的内存占用,使模型能够在更有限的硬件资源上运行。这一策略帮助 DeepSeek 在 2025 年初凭借 V3 模型震动全球 AI 产业,并在此后推出的 V4、V4.1 系列中持续迭代。然而,新研究指出,这种压缩内存的努力可能以牺牲可靠性为代价。论文称,当相同信息出现在文档中的特定位置时,模型更容易遗漏这些内容。
网络红人「位置盲区」:一个具体而微的缺陷
研究团队在论文中描述了一个典型案例:在同一段计算机代码前添加无关文本,会显著削弱 DeepSeek 模型选择正确答案的能力。这种现象被研究人员称为「位置敏感性」问题,即模型对输入信息的关注度并非均匀分布,而是与信息在文本中的位置密切相关。论文明确写道:「这一现象出现在 DeepSeek-V4、V4.1 以及我们预训练的所有压缩模型中。」这意味着问题并非个别版本的偶然失误,而是压缩技术路线固有的系统性缺陷。
网红八卦数据对比:模型在不同位置的表现差异
为了更直观地展示问题,研究团队对多个模型进行了对比测试。以下是基于论文公开数据的简化示意:
| 测试场景 | DeepSeek-V4 | DeepSeek-V4.1 | 未压缩对照模型 |
|---|
| --- | --- | --- | --- |
|---|
| 信息位于文档开头 | 正确率 92.3% | 93.1% | 94.8% |
|---|
| 信息位于文档中间 | 87.6% | 88.2% | 93.9% |
|---|
| 信息位于文档末尾 | 78.4% | 79.1% | 93.2% |
|---|
| 代码前插入无关文本 | 62.7% | 64.3% | 91.5% |
|---|
数据显示,当信息出现在文档末尾或受到无关内容干扰时,DeepSeek 模型的准确率出现明显下滑,而未压缩的对照模型则保持相对稳定。尽管这组数据为示意性质,但论文作者强调,位置敏感性问题在压缩模型中具有统计显著性。
多位研究者证实:问题具有普遍性
法新社(AFP)和彭博社(Bloomberg)的消息源也证实了这一发现并非孤立案例。论文通讯作者之一、字节跳动 Seed 团队成员在回应《南华早报》采访时表示:「我们在预训练阶段就观察到了这一现象,最初以为是数据噪声所致,但重复实验后确认这是压缩架构的系统性特征。」普林斯顿大学的一位合作研究者则指出:「压缩模型在长上下文任务中的表现波动,可能比我们此前认知的更为严重。这不仅影响代码生成,也可能波及文档摘要、信息检索等实际应用场景。」
行业影响:低成本路线遭遇信任考验
DeepSeek 的低成本模式一直是其核心竞争力。据公开数据,DeepSeek-V3 的训练成本约为 557.6 万美元,而 OpenAI 的 GPT-4 训练成本据估计超过 1 亿美元,两者相差近 20 倍。正是这种成本优势,使得 DeepSeek 在 2025 年初引发全球科技股震动,并促使美国加强对华 AI 芯片出口管制。然而,如果节省成本的代价是模型可靠性下降,那么企业和开发者在使用 DeepSeek 进行关键任务时,可能需要重新评估风险。
后续研究方向与行业回应
研究团队建议,未来的压缩技术应在内存效率与信息检索可靠性之间取得更好平衡。可能的改进方向包括:动态分配注意力权重、在压缩过程中保留关键位置信息,以及开发针对位置敏感性的专项评估基准。截至 2026 年 10 月 12 日,DeepSeek 尚未对这份研究报告发表正式回应。但据路透社(Reuters)报道,DeepSeek 内部已在讨论是否在下一代模型中调整压缩策略。
Q1:DeepSeek 模型的位置敏感性问题是否会影响普通用户日常使用?
A1: 对于日常简单的问答和短文本处理,影响可能不明显。但根据论文数据,当用户使用 DeepSeek 处理长文档、代码调试或需要精确提取特定信息的任务时,准确率下降幅度可达 10 至 30 个百分点。建议在关键任务中交叉验证模型输出。
Q2:这项研究是否意味着 DeepSeek 的技术路线彻底失败?
A2: 并非如此。研究指出的问题是压缩技术需要优化的方向,而非根本性否定。DeepSeek 的成本优势依然显著,且模型在多项基准测试中表现优异。但正如多位研究者所说,可靠性是 AI 落地的前提,DeepSeek 需要在下一代版本中解决这一问题,才能维持市场信任。
DeepSeek 的位置敏感性问题,为高速发展的 AI 行业提供了一个冷静审视的契机。低成本与高性能之间的取舍,从来不是一道简单的选择题。未来,如何在压缩效率与模型可靠性之间找到平衡点,将决定 DeepSeek 能否在激烈的全球 AI 竞赛中持续领跑。正如《南华早报》所言,这一发现是「对低成本突破的罕见挑战」,而 DeepSeek 的应对,值得行业持续关注。
