官方网站-首页

【导(dǎo)语(yǔ)】近(jìn)日(rì)，DeepSeek官(guān)方(fāng)宣(xuān)布(bù)发(fā)布(bù)新(xīn)一(yī)代(dài)大(dà)语(yǔ)言(yán)模(mó)型(xíng)DeepSeek-V3.1，其(qí)核(hé)心(xīn)升(shēng)级(jí)在(zài)于(yú)上(shàng)下(xià)文长(zhǎng)度(dù)从(cóng)64k扩(kuò)展(zhǎn)至(zhì)128k，这(zhè)一(yī)突(tū)破(pò)不(bù)仅(jǐn)提(tí)升(shēng)了(le)技(jì)术(shù)参(cān)数(shù)，更(gèng)为(wèi)大(dà)模(mó)型(xíng)的(de)应(yīng)用(yòng)边(biān)界(jiè)和(hé)能(néng)力(lì)深化提供了有力支撑。上下文长度作为模型理解世界和与用户交互的基石，其扩展将解锁更广阔的应用场景，使模型具(jù)备(bèi)处(chù)理(lǐ)复(fù)杂(zá)信(xìn)息(xi)、提(tí)供(gōng)深(shēn)度(dù)洞(dòng)察(chá)的(de)能(néng)力(lì)。本(běn)文将(jiāng)深(shēn)入(rù)探(tàn)讨(tǎo)上(shàng)下(xià)文长(zhǎng)度(dù)的(de)概(gài)念(niàn)、对(duì)模(mó)型(xíng)的(de)影(yǐng)响(xiǎng)以(yǐ)及(jí)面(miàn)临(lín)的(de)挑(tiāo)战(zhàn)与(yǔ)解(jiě)决(jué)方(fāng)案(àn)。

近(jìn)日(rì)，DeepSeek官(guān)方(fāng)公(gōng)众(zhòng)号(hào)宣布，正式发布新一代大语言模型DeepSeek-V3.1，其核心升级点在于上下文长度从原有的64k扩展至128k。这一突破不仅是技术参数层面的关键进阶，更直接为大模型拓宽应用边界、深化(huà)能(néng)力(lì)提(tí)供(gōng)了(le)支(zhī)撑(chēng)。

图(tú)源(yuán)：unsplash

什(shén)么(me)是(shì)上(shàng)下(xià)文长(zhǎng)度(dù)？

但(dàn)要(yào)真(zhēn)正(zhèng)理(lǐ)解(jiě)这(zhè)一(yī)升(shēng)级(jí)为(wèi)何(hé)重(zhòng)要(yào)，我(wǒ)们(men)首(shǒu)先(xiān)需(xū)要(yào)厘(lí)清(qīng)一(yī)个(gè)基(jī)础问题，究竟什么是上下文长度？

上下文长度是指模型一次能够处理并生成回应的输入文本的长度，包括用户之前的所有提问、给出的指令、提供的背景材料，以及模型自己生(shēng)成(chéng)的(de)历(lì)史(shǐ)回(huí)答(dá)。通(tōng)俗(sú)而(ér)言(yán)，它(tā)决(jué)定(dìng)了(le)模(mó)型(xíng)在(zài)回(huí)答问题或执行指令时，所能“看到”和“参考”的前文范围有多长。

在技术实现上，这个长度通常以Token作为计量单位。Token是模型处理文本的基本单元，一个Token可能对应一个英文单词、一个中文汉字或词语的一部分。例如，短语“人工智能”可能被拆分为“人工”和“智能”两个Token。因此，一个支持128KToken上下文长度的模型，意味着模型能够一次性处理大约10万字以上的中文文本，这相当于一部长篇小说的体量。

对模型的影响与破局

可以说，上下文长度直接定义了模型的能力边界和应用场景，其重要性体现在以下几个方面：

第一，长文档深度分析与处理。这是最直接的应用，如果模型的上下文窗口大于或等于文档长度，便能将整个文档纳入分析范围。这使得全文总结、关键信息提取、跨章节推理、情感分析等任务成为可能。例如，研究员可以上传一篇完整的学术论文让其提炼创新点和方法论;开发者可以提交一个庞大的代码文件请求其解释逻辑或查找漏洞。倘若上下文不足，模型就只能“盲人摸象”，基于片段信息作出可能偏离整体的判断。

第二，维持长对话的连贯性与深度。在与聊天机器人进行多轮对话时，整个对话历史都会持续占用上下文窗口。更长的上下文意味着模型能记住更早的对话细节、用户申明的偏好以及设定的角色背景。这使得对话能保持一致性、上下文关联性和深度，用户体验得以大幅提升。否则，对话会很快退化为“金鱼记忆”，模型反复询问已提供过的信息，或给出前后矛盾的答案。

第三，提供丰富语境，减少幻觉。大模型的幻觉是其应用中的一大风险。通过延长上下文，用户可以为模型提供一个丰富的背景信息库，如公司内部文档、产品手册、特定数据集。模型在生成回答时，会被更牢固地锚定在这些给定的事实上，而非依赖于其内部可能不准确或过时的训练数据，从而显著提高输出的准确性和可靠性。

第四，实现复杂的多步骤任务编排。更长的窗口允许用户在单次提示中嵌入更复杂的指令链、提供大量的示例，甚至定义完整的操作流程。这相当于给了模型一份详尽的工作手册，使其能够执行需要多步推理和条件判断的复杂任务编排。

不过，尽管上下文长度持续突破，其发展过程并非没有代价与挑战。一方面，计算资源的二次增长，传统的Transformer架构在处理长上下文时，其计算复杂度和内存消耗会随着Token数量的增加呈平方级增长。这意味着将上下文从2K扩展到32K，带来的计算负担可能是数百倍的提升，这对硬件和推理成本构成了巨大压力。另一方面，上下文长度是一种短暂的、对话级的工作记忆，不会在不同的对话会话之间持续存在。每次开启一个新对话，模型都是从其固定的训练知识库开始，之前的交互历史不会被自动记住，这与人类能够积累和回忆长期经验的能力有本质区别。

为了克服这些挑战，学术界和产业界正在积极探索新的技术路径。例如，更高效的注意力机制、模型架构创新、外挂记忆库以及先进的检索增强生成技术，这些都有望在不过度增加计算负担的前提下，实质性地提升模型有效利用超长上下文的能力。

写在最后：

上下文长度是大模型理解世界和与用户交互的基石性能力，从本质上刻画了模型在此时此地一次性能处理的信息规模。随着技术的不断演进，更长的、更高效的上下文窗口必将持续解锁大模型更广阔的应用场景，使其从对话者进化为真正能够驾驭复杂信息、提供深度洞察的智能伙伴。

供稿单位：重庆天极网络有限公司

作者：田福运 九龙坡区人民医院副主任护师 国家注册营养师

审核专家：李志高 高级工程师/重庆天极网络有限公司总裁

声明：除原创内容及特别说明之外，部分图片来源网络，非商业用途，仅作为科普传播素材，版权归原作者所有，若有侵权，请联系删除。