腾讯Codebuddy与DeepSeek“极你太美”事件：代码广告植入，AI模型集体陷争议？

昨天，有网友在社交媒体发帖称，在开发 UI 时检查腾讯 Codebuddy 改写的内容，发现有一串广告写进去了：往函数里面赋值了一个极速电竞 APP。“忍不了了，直接卸载”该网友说道。

此外，还有网友在字节 Trae 国内版也发现了 bug，生成结果会随机出现“极”字，如果让模型自动修改，则会直接把上下的代码删除。

随后，发现 Codebuddy 问题的网友在评论区表示，“是 DeepSeek 模型引入的 bug，腾讯已经把问题上报了，后续会修复。”

无论是 Codebuddy 还是 Trae，出现问题的根源都指向了 DeepSeek 最新的 V3.1。

实际上，一天前，开发者 notdba 就在 Reddit 上表示，其用 DeepSeek V3.1 做了一些测试，发现该模型会在完全意想不到的地方生成以下 token：

“一开始我以为是因为我用了极端的 IQ1_S 量化，或者是 imatrix 校准数据集里的某些边缘情况导致的。但后来我用 Fireworks 提供的 FP8 全精度模型测试时，也出现了同样的问题。”notdba 表示，这些极端 token 还会不断地在其他出乎意料的地方以第二或第三选择的形式出现。

示例 1：（本地 ik_llama.cpp，参数 top_k=1，temperature=1）

预期输出：time.Second

实际输出：time.Se 极

示例 2：（本地 ik_llama.cpp，参数 top_k=1，temperature=1）

预期输出：time.Second

实际输出：time.Se extreme

示例 3：（Fireworks，参数 top_k=1，temperature=1）

预期输出：V1

实际输出：V 极

有网友则表示，“我使用 DeepSeek 的最新 API 完成了两个 Claude Code 项目，没有遇到这个问题。有趣的是，使用 DeepInfra 或 Akash Chat 的 API 也没有出现这个问题。”

经众多网友实测，最新网页 /API 能复现该 bug，概率不高，但多试几次就能出来。第三方平台上的复现率非常高。同时，如果将错误搀入的字符“极”字改为其他的字符，则最新 API 出问题概率下降，但像 VolcEngine API 出问题的概率仍很高。

这一 bug 也被广大网友戏称为“极你太美”事件。截至发稿前，DeepSeek 未作出任何回应。

网友：找到真正的“锅”了

“之前用腾讯元宝调用 DeepSeek R1 生成代码的时候也会把一些字符转换成‘极’，当时还以为是腾讯的锅。”还有网友表示，“DeepSeek 一直有这个问题，只是以前出现的概率低。”

网友琪洛在知乎上表示，V3-0324 也有遇到过类似的问题，会输出一个极其逆天的「极速赛车开奖直播」字符串，在连续输出长数组（例如参数量较大的工具调用时）概率较大。“怀疑可能数据没洗干净，即便重新训了 base 这个问题还是留下了。”

还有网友称，“使用 R1 0528 的时候就遇到了很多次，我观察到的现象更离谱，会在代码里面插入‘极客园’，而且遇到不止一次。”

实际上，在 4 月份时就有开发者在 Github 提交了这个 bug，开发者“icewool”表示该问题已经在多个版本的 sglang、vllm 和腾讯元宝上进行了验证，并猜测可能是 DeepSeek-V3-0324 模型权重或分词器存在问题。

两天前，该开发者再次请求最新解决问题。从提出问题至今，只有机器人会出来提示：此问题已被自动标记为过期，因为最近没有新的活动。

另外根据网友们的反馈，不只是 DeepSeek 模型出现了这个问题。

在 notdba 帖子下，有开发者评论称，“在 v3.1 版本中也遇到了一些严重的代码混合问题。不仅仅是你说的那个 token，它总是在响应中生成其他语言的单词（通常是中文）。Gemini 也出现过这个问题，但情况更糟。我喜欢 DeepSeek 的回应，它消息灵通且非常有帮助，但这确实是一个令人讨厌的问题。”

“Grok 也有类似问题，我遇到过几次。”有网友表示。

此外，notdba 还补充道，“最近的Qwen3 235B A22B Instruct 2507 和 Qwen3 Coder 30B A3B Instruct 也表现出同样的问题，可能和 DeepSeek V3 0324 处于同一阶段。与此同时，Qwen3 Coder 480B A35B Instruct 只有在被严重量化后才出现同样的问题。看起来这两个实验室可能使用了相同的被污染数据。GLM 4.5 没有受到影响。”

各种找原因，是数据问题？

关于 DeepSeek V3.1 出现这一 bug 的原因，总的来说目前大家主要有三种猜测：

Token 连续性假说：认为 FP8 量化或者混合精度训练导致“极”的 Token ID 2577 和省略号的 ID 2576 混淆

数据污染假说：认为预训练或 SFT 遭受了数据污染

MTP（Multi Token Prediction）问题：认为推理框架出现了问题

香港大学计算机科学硕士“爱学习的乔同学”在知乎上表示，他研究之后发现问题没有那么简单，甚至这个问题在 Claude 4 身上都出现过，只不过表现形式不同。Claude 4 是在中文上下文很长的时候，突然蹦出几个英文单词。

乔同学首先排除了 Token 连续性假设。“Token 连续性假说站不住脚，因为不管是 FP8、NF4 还是混合精度训练，都不会改变向量或矩阵的大小或形状，只会改变矩阵或向量内部元素的数值。ID 相邻的两个 token，向量表示是完全不同的，所以量化这个过程并不会让这两个向量变得完全相同，更不会出现泄漏，因为泄漏就意味着矩阵的形状发生了改变，这从量化的原理上是完全说不通的。”

其次，对于很多人的例子中除了输出“极”之外，还会附带输出“极客园”或“极速赛车”这类词，他表示这可以说基本是预训练的问题。“不管有没有开 MTP，在预训练的时候任务都是根据当前的输入预测下一个词，MTP 只是多预测了几个。”

预训练都是在互联网上进行训练的。乔同学自己搜索后表示，“极客”和“极速”的搜索指数差不多，这时就会出现两种情况：大模型输出“极”之后，接下来选到了“客”，然后再下一个词，由于“博客园”出现的次数也很多，所以“客”之后下一个 Token 有很大概率选到“园”，最终组成了“极客园”。另一种情况就是选到了“速”，那么同样由于“极速赛车”出现的频率很高，所以“速”下一个词大概率是“赛”，然后以此类推，出现“极速赛车”。这也就是为什么会出现“极”字后面跟着一串无关的词语。

当然，这无法解释部分 Case 在“极”后面输出了正常的代码，只替换了“极”这个字。例如这个 Case 将逗号预测成了“极”。

为什么偏偏是“极”，而不是其它的 Token？乔同学猜测这大概率与 SFT 阶段有关。

DeepSeek 的 SFT 数据部分来源于自监督的合成数据。如果原始模型生成的合成数据有问题，那么 SFT 出来的模型就会有问题。报告中提到，SFT 的推理数据正是几乎所有 Case 出现的数学和代码领域的数据。也就是说，所谓最开始的 DeepSeek-R1（年初版本）可能就已经出现了“极”的问题。

而负责生成合成数据的 DeepSeek-R1 是基于 R1-Zero 训练出来的，因此“极”这一 BUG 非常有可能是在 R1-Zero 中出现，然后跟随合成数据训练到了今年年初的 DeepSeek-R1 模型中，然后进一步蒸馏成了 DeepSeek V3 0324 版本，这个 BUG 始终存在，没有消除。“至于为什么是‘极’而不是其他的字符，这个只能解释为是 R1-Zero 强化学习之后得出的偶然现象。”

也有开发者认为这是蒸馏“传染”造成的。

知乎答主“hzwer 黄哲威”表示自己用小模型 + 开源数据蒸馏 R1 的时候也见到过类似 bug。其解释道：大模型做编程题的时候会有一种恶性 pattern，是枚举数列，比如说“素数表 2，3，5，7… ”无限枚举。R1-0528 会在枚举一段后停下来，变成 “素数表 2，3，5，7 … 997，极长的列表”。这个极字经常出现在大量恶性重复之后，切回正常的推理过程。也有“90000000...0000 极大的数字” 这种，在 thinking 末尾循环出不来的时候，会见到突然蹦出一个极字然后 终止，触发率千分之一。

“我肉眼看了很多 R1 输出发现的（其实不是很大工作量，只要把 R1 超长的 response 拿出来扫几眼，就能看出很多问题了，还有大面积空白字符，一直 But + 短句重复，或者到 thinking 末尾出的英文字都破碎的各种问题）。我认为，原本是 sft 数据合成甚至是构造预训练数据的时候没洗干净引入了‘极长的数组’这种怪东西（从 R1 的行为看，似乎大量使用了 RAG 方法来造难题的解答），然后 RL 的时候模型直接把这个字当某种终止符或者语言切换标记使用了。如果 R1 迭代的时候没洗干净数据，模型自蒸馏传染到正常的输出过程里也正常。”黄哲威表示。

昵称为“AI 解码师”的开发者也认为，这并非架构缺陷，而是训练数据和蒸馏链条里遗留下来的瑕疵。“这说明 DeepSeek 在迭代过程中，部分数据合成环节没有完全净化，或者在 RAG 构造难题时，残留了特定的标记词；更可能的是，模型把‘极’当成边界 token 来使用，这种行为和我们理解的自然语言生成是有差距的。”

“AI 解码师”认为这背后反映了一个更深层次的问题：大模型并不是在真正理解语言，而是在学习数据分布里的统计规律。如果训练数据中混入了“极长的数组”这种模式，模型就可能把它当成一种“隐含的指令”，而不是单纯的自然语言。

他提醒，随着自蒸馏链条越来越长，数据瑕疵会被多次放大，并最终“污染”正常输出。未来在做对齐或蒸馏时，不能仅靠 RL 去兜底，还需要在数据合成 → 预训练 → SFT → RLHF 的整个链条中，建立更严格的监控和清洗机制。

不过，他认为，这种“极”现象很有研究价值，“它像是一种无意间暴露出的模型内部符号学痕迹。如果有能力去追踪这些 token 的来源和扩散路径，可能会对理解大模型如何在语料噪声中形成‘伪语言规则’带来新的思路。”

“这就是开源的好处，有问题大家一起找，找到了大家一起来改啊。”还有乐观的网友说道。

参考链接：

https://github.com/deepseek-ai/DeepSeek-V3/issues/849

https://www.reddit.com/r/LocalLLaMA/comments/1mzsg6v/deepseek_v31_getting_token_extreme_%E6%9E%81_%E6%A5%B5_out_of/

https://www.xiaohongshu.com/discovery/item/68ac166a000000001d012571?source=webshare&xhsshare=pc_web&xsec_token=CBxtz16cD7hBeyge2T9Q3r5OWhHWYeqpxRhRb2uIoNKxk=&xsec_source=pc_share

https://www.zhihu.com/question/1942934856603505597

https://www.zhihu.com/people/qiao-shi-zhan-66/answers

免责声明

游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。

最新文章