DeepSeek的顶流魔咒

涌入DeepSeek的用户们最近开始对它又爱又恨。

一边是其大模型接口被越来越多APP植入及大模型平台接入，GitHub上基于其API开发的项目周增37%，自己的“爱豆”还是那么受欢迎。

最新的消息是，在几乎所有国内云计算厂家支持 DeepSeekAPI调用后，DeepSeek-R1、V3、Coder 等系列模型在国家超算互联网平台上线。

另一方面，下午三点就"服务器繁忙"，追问天气竟被建议"带伞去火星”等幻觉的出现频度，也越来越高。

打开Sensor Tower后台，一组数据更是耐人寻味。

接入DeepSeek的TOP100应用MAU平均提升18%，但应用商店差评中42%指向AI功能。

某跨境电商平台接入后GMV提升23%，却因汇率换算错误单日损失270万美元订单。

开发者论坛投票显示，67%程序员肯定其技术潜力，但81%担忧商用稳定性。

更值得玩味的是技术细节。

DeepSeek最新公布的v0.3.2版本响应速度达到320 tokens/秒，较行业均值快47%，但幻觉率测试却显示，在复杂推理场景中错误率高达13.7%，远超GPT-4 Turbo的5.2%（MLCommons 2024Q2基准测试）。

这两天，一篇《DeepSeek正在中文互联网建造『幻觉长城』》的文章刷屏，该文章描述的事实，及评论里用户的吐槽，都有客观性和普遍性，感兴趣的可以移步查看。

这种"越火越垮"的怪圈，暴露了AI大模型赛道的一些关键矛盾。

比如算力悬崖：用户量指数级增长VS服务器线性扩容；

比如数据悖论：追求响应速度导致训练数据"夹生饭”；

比如口碑陷阱：技术社区监测到，每个错误回答在社交媒体的传播量是正面案例的17倍，形成"错误裂变效应"。

正如OpenAI首席技术官Mira Murati在2023年AI峰会上所言："当模型日调用量突破千万级时，0.1%的错误率就意味着每天有1万个定时炸弹。"

而这也确实是他们在 GPT-3商用初期曾经历的深刻教训。

这个坎，当时ChatGPT费了好大劲在跨过来。

在响应体验上，OpenAI采用"潮汐计算"模式，高峰期调用分布式算力——2023年构建的混合云架构，使其算力成本降低38%；

还有开发"模型压缩包"，将7B参数模型瘦身60%运行；以及，建立区域化节点，像TikTok那样做本地化部署等。

在解决幻觉问题上，完善了智能纠错系统。

比如设置"可疑回答"自动拦截层，开发用户反馈实时训练通道，以及创建知识边界地图，对超纲问题主动示弱等。

在控制增长节奏上，同样有经验可循。

比如对新接入平台实行灰度测试，设置开发者积分体系调控API调用，以及保留20%算力作为"应急缓冲带”，等等。

直到现在，ChatGPT可以说都还在弥补这一课。

OpenAI用三年时间证明了，与其疯狂打补丁找补，不如重构底层逻辑。

对正面临“疯长的烦恼”的DeepSeek而言，这个坑很值得去重视。

值得关注的是，DeepSeek团队近期开始从游戏行业挖角增长专家——这或许暗示着新的解题思路。

正如《原神》制作人刘伟曾分享的："百万级日活用户的生态运维，本质是场持续动态平衡的战役。"

于DeepSeek而言，这场"顶流魔咒"的突围战，不仅关乎技术实力，更是对产品哲学、运营智慧乃至组织韧性的全面考验。

.END.

图片来源｜网络

您也可以关注我们的官方微信公众号（ID：ctoutiao），给您更多好看的内容。