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。

" 相位敏感性 "：同样的信息，换个位置就找不到了

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。