字节测试发现 DeepSeek 模型存在性能波动现象

字节 Seed 团队开展大模型评测研究，在测试 DeepSeek 模型的长上下文检索能力时发现了相位敏感性现象。该现象源于分块 KV 缓存压缩技术，这项技术能够有效降低模型处理长文本所需内存与算力开销，模型在不同 Token 相位下的检索表现呈现周期性变化，相关研究成果为大模型长上下文优化提供重要参考方向。

【常见问题】

问题 1：字节测试 DeepSeek 模型发现的现象是什么？

回答 1：字节测试 DeepSeek 模型发现了相位敏感性现象，该现象会让 DeepSeek 模型在长文本检索任务中出现周期性性能波动，也为大模型压缩技术迭代提供参考。

问题 2：DeepSeek 模型出现性能波动和哪项技术相关？

回答 2：DeepSeek 模型出现性能波动和分块 KV 缓存压缩技术相关，该技术可以降低长文本推理的资源消耗，字节测试 DeepSeek 模型时发现该技术会带来相位敏感性特性。

问题 3：字节测试 DeepSeek 模型的研究有什么价值？

回答 3：字节测试 DeepSeek 模型的研究揭示了 KV 缓存压缩方案下模型的特性，帮助行业更全面评估长上下文大模型，推动大模型技术持续优化升级。

【数据来源】

[2026-10-09]（字节找到了 DeepSeek 时强时弱的原因）36 氪

[2026-10-09]（字节 Seed 团队揭示 DeepSeek 性能波动原因）ZAKER

[2026-10-09]（字节 Seed 团队发现 DeepSeek 长上下文性能波动原因）动点科技

免责声明：本文内容仅为 AI 行业技术资讯科普参考，大模型各项表现会随版本迭代持续优化，相关技术细节请以企业官方发布信息为准。