据量子位报道，字节跳动已找到DeepSeek模型"时强时弱"的原因。
所谓"时强时弱"，指的是同一个模型在相近甚至相同的任务上，输出质量会出现明显起伏：有时推理链路完整、结论准确，有时却在中途偏离方向，或给出明显错误的答案。这一现象在推理类模型上被反复讨论，也是不少开发者在实际调用中感受最直接的"玄学"之一。
从技术上看，这类波动并不难理解。具备长思维链能力的模型在给出最终答案前会生成大量中间步骤，任何一个环节的偏差都可能被后续步骤放大，最终表现为同一问题的多次回答质量不一致。对使用者而言，这意味着"这次答对了"并不等于"模型真的掌握了"，单次成功案例的说服力相当有限。
因此，找到波动的来源具有几方面意义。其一是评测的可复现性：如果模型自身输出存在较大方差，单次跑分或单条案例得出的结论就可能失真，需要多轮采样与更谨慎的统计口径。其二是线上服务的可靠性：生产环境需要的是稳定的表现下限，而非偶发的高光时刻。其三是对研发方向的指引：如果波动来自推理过程或服务侧某些可控环节，就有机会通过工程手段收敛，而不必被动等待下一代模型。
需要说明的是，目前该结论的具体技术细节尚未公开，其适用范围与可复现性仍有待进一步观察。对其他模型是否同样成立，也还需要更多验证。
对从业者而言，更值得关注的或许是方法论上的提示：在讨论一个模型"强不强"之前，先弄清它的表现为什么会飘。把一个偶发的优异结果当成能力上限，把一个偶发的失败当成能力边界，都是常见的误判。