很多人以为大模型是程序员往逻辑里写if else吗[，还从0计数，从1计数。即使是人工造数据，也是直接造文本，谁会基于token id那边绕一圈去造数据，数据是给人看的，不是给除去embedding的大模型看的

我知道每个渠道部署有很多方式，可以直接套壳api，也可以按ds的权重重训甚至posttrain，只不过大部分基础的套壳根本不会花心思这么做，只是简单调api而已

比如有人在用DeepSeek整理物理试卷的时候，就发现它会在回复中出现“极”这个字。

而有的网友在Trae国内版中调用V3.1模型，也会出现同样的“极”这个字

那么为什么新版本的DeepSeek会出现这个明显的Bug呢？我总结了目前网友的一些猜测

Token词表中的连续性问题

有网友打印出了DeepSeek V3.1版本的分词表，发现“极”这个词的token id为2577，而下一个token id 2578为“......”

正好昨天用豆包，让他编程做数据分析，扔给他一个几万行的csv，眼看着他花了十分钟把几万个数据填到一个数组里面data={1015,,1121,1254,2241,2212,1110,1102...........}

没太理解tokenizer的embeding可视化怎么能排除token错位的，训练过程中tokenizer又不更新啊

tsne跨cluster的距离不好直接比较，可以考虑用一些保留全局结构的降维方法，比如umap

因为最近也遇到了这个问题，不是在DeepSeek上遇到的，是在qwen3 235b 遇到的。我用它来写小说网游类型的，然后有一章出现了对敌人的评级S+，让后第二章S++，第三者S+++，第二十章S+++++++++++++++++++ 。搞得我每次生成章节后又要ai检查一下章节的质量，对质量差的重新生成。

极和省略号、eos位置很远，在这套向量空间位置当中并不是表示同义和近义。反而就是因为训练数据污染导致模型有缺陷了。

极和极速这两个好像在很多网站有奇怪水印，3g甚至2g时代手机上网很多网页会带这个标榜省流量，这不会是赛博牛皮癣把ai传染了

比如，某位网友让V3.1整理物理试卷，结果输出中莫名混入“极”字；另一位在代码生成中遭遇了“time.Se极”这样的诡异片段（原应为“time.Second”），直接让程序崩溃。更离谱的是，甚至有人收到了“极速赛车开奖直播”这种完全跑偏的内容。网友纷纷吐槽：“这模型是不是被「极」客文化洗脑了？”

要理解这个Bug，得先从AI的“语言密码”——Token系统说起。在DeepSeek的分词表中，“极”字的Token ID是2577，而它的“邻居”恰好是省略号“……”（ID 2576）。这种相邻关系可能让模型在输出时“手滑”，误将省略号替换为“极”。就像你打字时想按句号却不小心戳到隔壁键，只不过AI的“手滑”背后是概率分布漂移和训练数据污染的复杂问题。

如果用于RAG系统，知识库内文档包含广告/乱码会导致模型引用后输出无关内容或以多种混合语言回答（因为乱码可能恰好包含了其他语言的字符）。

前两天刚遇到回答完突然蹦出一个广告，这应该是训练数据用了网页内容，无关内容没删除干净，把广告也喂给AI了吧，那个广告都过去半年多了

问就是数据问题！"R1乱码推理、小说AI给敌人评级，豆包处理CSV直接生成"数据长城"。这题超纲了！从零开始？C语言编译器都笑了，AI的"思考"总在出人意料的地方开挂，离AGI还差个银河系。

反正是是觉得我还是觉得V3 0324是我的白月光，R1 0528和最近的V3.1感觉都不太行