字节发现 DeepSeek 分块 KV 压缩的周期性盲区
原标题：字节发现 DeepSeek 隐藏 Bug，加点空格，模型翻车
AI 摘要
字节跳动团队发表论文《Periodic Weak Spots: Phase Sensitivity from Chunked KV-Cache Compression》，指出 DeepSeek V4 系列模型因采用分块 KV Cache 压缩技术而存在周期性相位敏感问题：在代码补全任务中仅因前置等号数量不同，错误率可在 71.3% 与 91.5% 之间波动，128K 长上下文测试中不同位置准确率差距最高达 40.2%。研究用 Qwen3-0.6B 复现实验证明，只要采用固定长度分块压缩，该问题就无法通过调参、去除 RoPE 或后训练根除。文章还讨论了动态分块、ChunkKV、Jina AI 延迟分块与微软 MInference 等潜在解决方向。
正文节选
DeepSeek 的省钱杀手锏，为何成了致命盲区？ 作者丨高允毅 编辑丨岑 峰 同一个问题问 DeepSeek 两次，只是多敲了几个空格，给出的答案居然一个像“天才”，一个像“智障”。9月底，字节团队的最新论文《Periodic Weak Spots: Phase Sensitivity from Chunked KV-Cache Compression》，直接点名了 DeepSeek V4 系列模型的“神鬼二象性”问题。图注：论文链接 https://arxiv.org/pdf/2609.36322这本质上是底层算法偷懒导致的“周期性失忆”，分块 KV Cache 压缩技术把长上下文切块压缩处理，这就带来一个问题：“位置决定命运”。如果你的核心词不巧落在了切块交界的“信息盲区”里，那模型只能胡言乱语。想象一下，如果让大模型审阅几十页合同，而关键条款刚好卡在“信