你用AI时有没有遇到过这种情况——同样一个问题，用DeepSeek处理一段长文档时，有时候它能精准找到你要的答案，有时候却像换了个人似的，怎么都找不到关键信息？这种“时好时坏”的“抽风”现象，困扰了不少用户。
最近，字节跳动的Seed团队在论文预印本平台arXiv上提交了一篇研究，揭开了这个谜团，原来答案藏在一个叫“相位敏感性”的技术问题里。
为什么AI处理长文本会“抽风”？
要理解这个问题，先得知道大模型处理长文本时的一个核心难题：内存开销。
当AI阅读一篇长文章时，它需要把每个字词的信息都临时“记”在一个叫KV缓存的地方。文章越长，这个缓存就越大，占用的计算资源也越多，就像你的手机同时打开几十个App会变卡一样。
为了省内存，研究者发明了一种“压缩”办法：不再逐字记录，而是每隔固定距离，把连续的一小段内容“打包”成一条记录。打个比方，原来是一页纸记一个字，现在是一页纸记一句话，省了不少空间。
但问题就出在这个“打包”上。
字节团队发现，这种压缩方式引入了一个新的坐标——每个字词相对于“打包边界”的位置，研究人员把它叫做“相位”。
这个“相位”的影响有多大呢？团队在DeepSeek-V4-Flash、DeepSeek-V4-Pro等多款模型上做了测试，结果发现了一个系统性的不对称现象：同样一条信息，放在某个位置时AI能轻松找到，但仅仅挪动几个字，AI就像瞎了一样完全找不到。
更惊人的是，在采用这种压缩方式的大模型中，不同“相位”下的长文本检索准确率差距可以高达40个百分点。也就是说，如果运气不好，AI找到答案的概率可能从90%暴跌到50%。
团队把这种随位置周期性变化的检索能力缺陷称为“相位敏感性”。
为什么这个发现很重要？
这个研究揭示了一个容易被忽视的问题：我们平时看AI的评测分数，往往看的是一个“平均分”。但“平均分”可能会掩盖这种周期性的弱点——就像一个人考试平均分80，但实际上有的章节考100，有的章节考20。
这意味着，当你问AI一个问题时，它能不能找到答案，可能不完全取决于问题本身，还取决于你问的方式、文档的格式、信息出现的位置。这些看似无关的细节，可能恰好让关键信息落在了AI的“盲区相位”上。
字节Seed团队的这项研究，相当于给大模型的“抽风”现象找到了一个明确的病因。对于普通用户来说，这也提供了一个实用启示：如果你发现AI在长文档里找不到某个信息，不妨试着换个问法，或者调整一下信息的呈现位置，也许就能绕开那个“相位盲区”了。
热门跟贴