这两天科技圈在传一个说法：字节的 Seed 团队发现，DeepSeek 会"偷偷变笨"，性能会漂移。
先把这句话里被剪掉的一半补回来。
确实有一项专门研究"漂移"的论文，确实也测了 DeepSeek。但那项研究同时测了四个模型家族：GPT-4o、字节自己的 Seed-1.6、DeepSeek-v3.1，还有 Claude-3.7-Sonnet。结论是四个全都漂。[来源：Probing the Lack of Stable Internal Beliefs in LLMs，arXiv 2603.25187]
不是 DeepSeek 一家变笨。是这一类模型，都会。
这个区别不是咬文嚼字。它直接决定你会不会踩进下面三个坑。

一串光点从笔直渐渐偏离参考线
漂移不是报错，是它办的事悄悄换了一件研究者给这个现象起了名字，叫漂移（drift）。
它不是报错，也不是宕机。它是这样一件事：你让它办一件事，第一轮它答得很准；第三轮、第五轮，它每一句看着都还挺对，但它办的事，已经悄悄不是你最初要的那件了。
打个比方。你托人帮忙搬家，每句话他都答得对，"好""没问题""这就办"。可你一项一项地加要求，到最后，他搬的已经不是你要的那件东西了。全程没有一句话是错的，方向却跑了。
论文问的问题，精确到有点狠。它不问"模型有没有前后矛盾"，它问的是模型心里的那个答案，在对话一轮轮推进之后，还是不是同一个。
结果不好看。
在"猜数字"这种干净到不能再干净的任务里，漂移率最高到 100%（Claude-3.7-Sonnet），DeepSeek-v3.1 是 38.46%，GPT-4o 是 43.36%，被测四个模型里最低的是字节的 Seed-1.6，17.37%。换成更日常的"猜实体"任务，漂移率仍在 11.31% 到 37.68% 之间。
更要紧的是另一个数字：几乎每一段对话里，模型至少会改一次主意。 四个模型的"至少漂一次"比率都接近 100%。
说直白一点：它不是忘了，是记着记着，自己就改了。
一个反转：让它"多想想"，它可能漂得更厉害很多人有个直觉，模型不稳，那就让它多推理几步、多想想，总会稳一点。
这项研究给出的答案，正好相反。
在需要它"守住一个简单承诺"的任务上，DeepSeek-v3.1 开了推理之后，漂移率从 38.46% 涨到了 54.25%。 研究者的解释是"过度思考"：这个任务不需要它重新理解，只需要它守住目标；但它每一轮都在重新解释一遍，解释着解释着，目标就被改掉了。[来源：同上]
还有一层更冷的。
同一项研究里，DeepSeek-v3.1 开了推理后，对外（表面）的违规率从 80.95% 降到了 28.57%，看起来更靠谱、更少出错。可在同一个设置下，它内部的目标反而更不稳定。
看着更对，不等于内心没变。
一个回答越流畅、越有条理，你越容易把它当成"稳"。漂移恰好就藏在那层"看着对"的里面。

一条本该笔直的路径中途开始绕圈，目标点却纹丝不动
坑一：把"换个模型、多问几遍"当保险漂移既然存在，最自然的反应就是：多问几个 AI，两边对上了才信；这个飘了，就换下一个。
这条路走不通。漂移是跨模型家族的普遍现象，四个被测模型没有一个例外。换一个模型，只是换了一个同样会漂的模型。
真正拿得回控制权的办法，是把控制权放回自己手里：在长任务、长对话里，把你最核心的那条要求，显式写下来、每一轮复述一遍，不要指望它替你在脑子里存着。重要结论一到手，就开一个新对话，把结论和上下文重新交代清楚，让它从干净状态重新出发。
坑二：把"榜上的分数"当能力第二个坑更隐蔽：拿榜单排名、宣传分数，来判断一个模型稳不稳。
问题是，分数本身就会漂。
一项针对 DeepSeek-R1-Distill 系列的研究发现：同一道题、同一个模型，只要换一个随机种子（决定模型每次"抽签"结果的初始值）、换一个数据集版本，或者把选择题的正确选项从 A 挪到别的位置，分数就会明显波动；个别"运气好"的设置，甚至能让小模型在部分题目上追平大模型。[来源：Evaluation is All You Need，arXiv 2506.04734]
另一项覆盖十个前沿模型的"回答漂移"研究也发现：面对同一批专家校验过的参考答案，所有被测模型都明显偏离，且多数落在同一条偏高的区间里。[来源：Response drift across frontier LLMs]
榜单测的是"某一次、某个配置下的它"，不是"你手里这个它"。真正该测的，是你自己的任务。 挑几张你最常问的问题固定下来当"金丝雀"，隔一段时间重跑一遍，比看任何榜单都准。
坑三：把 AI 当成"配好一次就永久好用"第三个坑，是把 AI 当成一台装好就不用管的机器。它会退化，而且退得很安静。
一项题为"语言模型需要睡觉"的研究给出的数字是：超过 6 个月不维护的模型，在时效性问题上的事实准确率会掉 15% 到 30%；被问到训练之后发生的事件时，幻觉率上升约 20%。[来源："Language Models Need Sleep" 研究综述]
多轮对话里，还有更具体的崩塌。一项做了 26,016 次多轮编程测试的研究发现：40% 到 73% 的任务，会在 8 轮对话之内，丢掉前面已经做对的行为。 而一个"验证门"策略，每轮用旧测试检查新代码、不对就回滚，把 DeepSeek-V3 的最终正确率从 75.8% 拉回到了 87.9%。[来源：DeepSeek Regression Accumulation in Multi-Turn LLM Programming Conversations]
还有一种你根本看不见的变化，叫静默更新：供应商在你不被告知的情况下更新了模型，准确性、拒答习惯、输出格式都变了，而你的提示词一个字没改。[来源：Test Before You Deploy: Governing Updates in the LLM Stack，2026.9]

一道横在通路上的闸门，旁边挂着一块检查板
你等不到一个"不漂"的模型关于这类现象，一份 AI 治理分析把话说得很硬：
"漂移是前沿大模型的结构特性，不是一次故障。"[来源：model drift 治理分析 2026]
"结构特性"这四个字的意思是：不会出现一个不漂的模型，让你换上就万事大吉。
所以能靠的，不是找到那个完美模型，而是给你的流程装一道闸门，关键目标写在纸面上，别只放在对话里；关键判断留一道人工复核；每隔一段时间，用你自己的题，重测一次。
模型会漂，这件事改不了。
你能决定的，是它漂走的时候，你手里有没有那条最初的要求。