先把三个当事人的座位排好，因为这篇论文的戏剧性有一半在这里：
- 做实验的：ByteDance Seed，八位作者全部来自字节，三位核心贡献者标注”实习期间完成”；
- 当靶子的：DeepSeek 开源权重（V4-Flash / V4-Pro / V4.1-Flash）；
- 当骨干的：阿里 Qwen3-0.6B——字节做受控实验，用的是阿里的底座，打的是 DeepSeek 的模型。
三家凑齐了。但这篇论文真正的分量不在花边，在于它做了一件我 8 月份只能”拆解推测”、做不到的事：把”压缩会悄悄弄丢你的信息”这个猜测，关进实验室，做成了受控定量实验，还量出了精确到小数点的刻度。
我 8 月写过两篇博客。一篇《精品豆、拼配、和发霉的罗布斯塔》把 DeepSeek 的注意力精度损失拆成五个分布式衰减点；另一篇《遗忘门、压缩KV和查无此人的Bug》把 DS、Kimi、智谱三家的路线收进同一笔账——注意力资源有限，到底优先记住什么，三家选了三个牺牲方向，DS 的答案是”挑重要的看”，代价是会看漏，我当时的原话是：Top-k 截断把关键段落裁掉了，等于看见了但没看见。
这篇论文等于拿着这句话去做实验了。只不过它发现的漏法，比我写的更刁钻。
一、相位：一个你从没听过，但一直在替你做决定的坐标
先把概念讲成人话。
DS 的 V4 系列省 KV cache 的核心手法是”压缩”：把连续 4 个 token 的键值对压成 1 条存起来（V4.1 降到 2 个压 1 条）。这就像把一排书按”每 4 本一摞”捆起来放进书架——省地方，但你从此失去了”第 37 本书”这个位置概念，只能记得它是”第 9 捆的第 1 本”。
论文发现：这么一压，就引入了一个全新的坐标。你的信息落在压缩窗口的哪个位置——第 1 个、第 2 个还是第 4 个 token——这个相对位置就叫”相位”（phase）。 而模型对同一个信息的检索能力，会随这个位置周期性起伏：窗口开头的信息检索得轻松，压在窗口末尾的信息就容易被漏掉，周期精确等于压缩步长。
最漂亮的证据是代码补全实验：在 DeepSeek-V4-Flash-Base 前面垫不同数量的填充 token，模型表现每隔 4 个 token 就重复一轮强弱——正好等于它的压缩 stride。不是噪声，不是巧合，是压缩窗口在模型行为上留下的指纹。
二、数字：平均分几乎一样的两个模型，最差能差 40 个百分点
然后是这篇论文最狠的部分，全部是对 DeepSeek 开源权重的实测（128K 上下文，NIAH 检索）：
| 模型 | 跨相位最大差距 |
|---|---|
| DeepSeek-V4-Flash Base | 40.2 个百分点 |
| DeepSeek-V4-Pro Base | 34.8 个百分点 |
| DeepSeek-V4-Flash 后训练版 | 19.1 个百分点 |
| DeepSeek-V4-Pro 后训练版 | 14.8 个百分点 |
| DeepSeek-V4.1-Flash（现役） | 6.1 个百分点 |
| 全注意力基线（对照组） | ≤ 6.1 个百分点 |
换句话说，Base 版在最好和最坏的相位之间，检索正确率能差出 40.2 个百分点——而这一切发生在平均分几乎不动的情况下：平均数把周期性的系统失效抹平了。这就是”平均分骗人”的精确刻度：不是骗你 1 分 2 分，是能骗走 40 个百分点。
从头预训练的受控模型更夸张：全注意力基线的相位间隙最多 6.1pp，而”8 个 KV 头 + 每 8 个压 1″的配置间隙达到 75.3 个百分点，最差相位的准确率只剩 9.9%——基线是 58.4%。平均准确率？跟基线几乎一样。也就是说，一个平均分完全达标的模型，可以在特定相位上基本失忆。
而且论文的机制分析给出了一个不太舒服的结论：这种相位特化不是训练噪声留下的疤，是被梯度下降主动学出来的——不同注意力组件在不同相位上分工，这种结构对优化过程是有利的。也就是说，只要压缩方式不变，模型会自己重新长出这个偏好；后训练能把它压小（见下节），但根不在训练失误里，在压缩设计里。
三、对账：我 8 月猜的五条，这篇坐实了哪条
回头对账。我那篇《精品豆》列的五个衰减点，这篇论文覆盖情况是这样：
| 我当年的猜测 | 论文做到的程度 |
|---|---|
| #1 压缩糊化：不同语义单元 KV 被迫合并 | 升级并定量——但机制比我写的更深：不是笼统的”分不清谁是谁”，而是按相位周期性漏检，40pp 刻度已量出 |
| #2 稀疏注意力 Top-k 硬截断 | 未直接研究，但它的姊妹问题（压缩窗口边界）已被坐实；”看见了但没看见”从修辞变成了实测现象 |
| #3 FP8/BF16 量化打架 | 未涉及 |
| #4 MoE 路由跳变（引第三方部署仓） | 未涉及，存疑状态维持 |
| #5 DSpark 采样校验降到 0 | 未涉及 |
所以严谨的说法是：论文没有验证我那五条表的每一条，它做的是把”压缩”这一族（#1）单拎出来做到实验室深度，并顺手挖出了我完全没写到的第六种失效——相位。 我当年只写了”压缩会糊化”，没写”糊化是有周期的”；这一步是论文替我补的。
还有一个我当时的猜测，这次拿到了更强的旁证：我 9/10 拆 V4.1 Flash 时猜过”6.1pp 这么小的差距，可能是 DS 已经知道相位问题并在后训练里按过”。现在论文给出了更硬的支撑——它原文就写了 Post-training raises accuracy and narrows these gaps（后训练抬高准确率、收窄差距）：V4-Flash 从 Base 的 40.2pp 到后训练版的 19.1pp，后训练确实能砍掉一半以上的相位差距，加上 V4.1 的压缩步长从 S=4 降到 S=2，6.1pp 不像巧合。但注意：这只是证据链更强了，”DS 是有意修的”仍然是推断——论文没说，DS 自己的报告也没提，标待验。
四、收口：标量永远看不见结构
这篇论文最后的评测建议，翻译过来就一句：测长上下文，必须跨相位分别测，只报平均分等于不测。
这跟我 9 月拆 V4.1 时记下的另一个细节是同一个认识论问题：DS 技术报告自曝在 CyberGym 里观察到模型 exploit-seeking——反编译系统包找漏洞刷分，并公开呼吁”标准评测基础设施正在变得越来越容易被模型利用”。一边是模型钻 benchmark 的空子，一边是 benchmark 自己的标量报表把周期性失效涂成平均分。两件事都在说同一句话：benchmark 报的是一个数，而失效是结构化的，数永远装不下结构。
对普通使用者的实际含义倒是很朴素：榜一分高不代表你那条长文档里的信息它真能翻出来；”平均准确率 95%”的模型，在你的问题恰好落在坏相位时，就是那个 60%。这也再次落回我一贯的立场——调研、核验、拿长上下文当生产资料的场景，别裸看榜单分数，看它怎么测的、测了几种位置、最差那一档是多少。
最后照例交代边界：论文是 65 页 pre-print，尚未经同行评审；40.2pp 等数字引自其 Figure 1/2/3 与正文（已两轮核对）；”后训练被 DS 有意用于压制相位”为本文推断，标待验；我旧文中的 #4（MoE 路由抖动）引自第三方部署仓库，可信度存疑，不因这篇论文获得任何背书。
参考：
- arXiv:2609.36322 Periodic Weak Spots: Phase Sensitivity from Chunked KV-Cache Compression（ByteDance Seed）
- 本站旧文：《精品豆、拼配、和发霉的罗布斯塔》《遗忘门、压缩KV和查无此人的Bug》《DeepSeek V4.1 Flash 拆解：KV Cache 压掉 3/4》《DSpark的台前幕后：DeepSeek「降智」的工程真相》