# DeepSeek V3\.1 突现离谱 Bug：「极」字满屏乱蹦，开发者一脸懵逼

- 作者：Selina
- 发布时间：2025-08-26 14:41
- 分类：公司
- 原文：https://www.ifanr.com/1635473

DeepSeek 最新版 V3.1 被多名开发者实测发现，会在完全不该出现的地方插入「极 / 極 / extreme」等 token。

![](https://s3.ifanr.com/wp-content/uploads/2025/08/DS-0.png)

`time.Second` 变成 `time.Se 极`，版本号 `V1` 变 `V 极`。更糟的是，这个问题不仅出现在第三方量化部署，连官方全精度也会复现，影响真实编码流程。

开源社区用户给出多组复现场景：在 Go 等语言生成里，模型会把词元「粘」到标识符中，`Second` 前随机插入「极/極/extreme」，即便是 `top\_k=1， temperature=1` 的保守解码也躲不过。

有人起初怀疑是极低比特量化或校准数据集边缘效应所致，但随后在其它网站的 FP8 全精度 版本也复现了相同问题，说明并非单纯部署层事故。结论：能编过去的代码，突然就编不过去了。

DeepSeek 在更新之后，不是第一次被发现 bug。上一次是针对写作任务上，出现了语言混杂的问题。在代码任务上，则有过拟合的嫌疑。

![](https://s3.ifanr.com/wp-content/uploads/2025/08/DS-2.png)

不过这一次出现「极」字，不是「答错题」这么简单，而是会把系统带崩了。要么影响了语法树，要么让代理流程卡死，这对依赖自动化编码，或者测试流水线的团队是相当大的麻烦。

![](https://s3.ifanr.com/wp-content/uploads/2025/08/DS-0.1.png)

倒也并不是只有 DeepSeek 一家，Gemini 近来曝出在代码场景里陷入「自我否定的无限循环」，一边道歉一边输出「我是一种耻辱」的长串文本，让人哭笑不得。

![](https://s3.ifanr.com/wp-content/uploads/2025/08/Gemini.png)

孩子的心理素质还有待加强啊，DeepSeek 就不会这么内耗，还贡献了 AI 界经典的表情包：

![](https://s3.ifanr.com/wp-content/uploads/2025/08/DS-3.png)

### 稳定性问题屡见不鲜

为什么会出现这种情况，官方还没有出面说明。不过，厂商可能也需要时间排查。

像 Gemini 的情况，后来被定性成为一个循环 bug，安全层—对齐层—解码层交互出了问题。这种情况可能是供应商为了压制冒犯性输出、减少幻觉，会在系统提示或后处理上加规则；这些规则如果和代码场景冲突，可能触发异常的替换、重复或过度道歉，最终演化「情绪化死循环」。

Google 的产品负责人出面解释，这个 bug 正在修复当中，网友们已经开始玩梗了：不行就带孩子看看心理咨询吧。

![](https://s3.ifanr.com/wp-content/uploads/2025/08/Gemini-2.png)

DeepSeek 这次主要是扑街在第三方平台上，问题是最严重的。知乎答主 Pandora 测试了发现，官方 api 的情况好很多。那要做的排查工作就又多了一些。

![](https://s3.ifanr.com/wp-content/uploads/2025/08/DS-zhihu.png)

也有可能是解码概率分布偏移导致的，模型把文本切成词元（token）再拼回去，只要解码概率分布略有偏移，就可能把一个高频 token 硬插进标识符中。

本质上，还是模型在机械地、基于概率地「拼凑」，而并非真正「理解」文本的含义。当分词结果不理想，或解码过程出现微小扰动时，这种基于概率的拼接就可能出错，将一个不相关的高频词元「污染」到最终的输出中。

大模型的稳定性一直是个问题。今年年初，OpenAI 的社区大量反馈**记忆体系异常**导致用户历史上下文丢失。

![](https://s3.ifanr.com/wp-content/uploads/2025/08/OAI.png)

Gemini 曾经出现过人像生成功能为了「多样化」，把非常具体的历史人物，生成成风格不符的样貌，最后不得不临时下线。

![](https://s3.ifanr.com/wp-content/uploads/2025/08/gemini-4.png)

还有的 bug 可能跟时时刻刻都会发生的小维护有关。模型提供商常做「热修」：换系统提示、微调温度、更新 tokenizer、小改工具调用协议……等等等等。

但是一旦链路拉长，哪怕是「看起来无害」的灰度，也可能打破一直以来的平衡。昨天还稳的代理链，今天在函数签名、JSON 严格性、工具返回格式这些「边角位」上崩掉。更麻烦的是，厂商并不总会同步披露这些灰度细节，于是工程师只能靠事故后「猜测 + 对照」。

![](https://s3.ifanr.com/wp-content/uploads/2025/08/ds-check.png)

同时，越来越多的 Agent 与工具链结合，其实也很脆弱。那些主打自动研究或自动写码的多智能体，真正挂掉的地方往往不在大模型本身，而在「工具调用—状态清理—重试策略」的链条里：超时没有兜底，失败后还原不了上下文……

我们越是试图用规则去修剪和控制 AI，它就越可能从我们意想不到的地方，以一种更荒诞的方式，长出奇形怪状的枝丫。

让 AI 从「能干活」到「能托付」，最关键的到底是什么？

我们总以为是更高的准确率，更强的推理能力，或者是模型层 SOTA 。 DeepSeek的「极」字 Bug 和 Gemini的循环事故，都在提醒我们：工程的稳定性不应该被忽略，是那种即使犯错也能被预测和控制的「确定性」。