官方网站-首页

【导语】近日，DeepSeek官方宣布发布新一代大语言模型DeepSeek-V3.1，其核心升级在于上下文长度从64k扩展至128k，这一突破不仅提升了技术参数，更为大模型拓(tà)宽(kuān)应(yīng)用(yòng)边(biān)界(jiè)提供了关键支撑。上下文长度作为模型理解世界和与用户交互的基石，其扩展将深刻影响长文档处理、对话连贯性、语境丰富度及多步骤任务编排等多个方面。然而，这一进步也伴随着计算资源消耗等挑战。学术界与产业界正积极探索新技术路径，以期在不过度增加计算负担的前提下，提升模型有效利用超长上下文的能力。

近日，DeepSeek官方公众号宣布，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、深化能力(lì)提(tí)供(gōng)了(le)支(zhī)撑(chēng)。

图(tú)源(yuán)：unsplash

什(shén)么是上下文长度？

但要真正理解这一升级为何重要，我们首先需要厘清一个基础问题，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，以及模型自己生成的历史回答。通俗而言，它决定了模型在回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(néng)对(duì)应(yīng)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(tí)取(qǔ)、跨(kuà)章(zhāng)节(jié)推(tuī)理(lǐ)、情(qíng)感(gǎn)分(fēn)析(xī)等(děng)任(rèn)务(wu)成(chéng)为(wèi)可(kě)能(néng)。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(ji)或(huò)查(chá)找(zhǎo)漏(lòu)洞(dòng)。倘(tǎng)若(ruò)上(shàng)下(xià)文不(bù)足(zú)，模(mó)型(xíng)就(jiù)只(zhǐ)能(néng)“盲(máng)人(rén)摸(mō)象(xiàng)”，基(jī)于(yú)片(piàn)段(duàn)信(xìn)息(xi)作(zuò)出(chū)可(kě)能(néng)偏(piān)离(lí)整(zhěng)体(tǐ)的(de)判(pàn)断(duàn)。

第(dì)二(èr)，维(wéi)持(chí)长(zhǎng)对(duì)话(huà)的(de)连(lián)贯(guàn)性(xìng)与(yǔ)深(shēn)度(dù)。在(zài)与(yǔ)聊(liáo)天(tiān)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(gōng)司(sī)内(nèi)部(bù)文档(dàng)、产(chǎn)品(pǐn)手(shǒu)册(cè)、特(tè)定(dìng)数(shù)据(jù)集。模(mó)型(xíng)在(zài)生(shēng)成(chéng)回(huí)答(dá)时(shí)，会(huì)被(bèi)更(gèng)牢(láo)固(gù)地(de)锚(máo)定(dìng)在(zài)这(zhè)些(xiē)给(gěi)定(dìng)的(de)事(shì)实(shí)上(shàng)，而(ér)非(fēi)依(yī)赖(lài)于(yú)其(qí)内(nèi)部(bù)可(kě)能(néng)不(bù)准(zhǔn)确(què)或(huò)过(guò)时(shí)的(de)训(xun)练(liàn)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(yòng)超(chāo)长(zhǎng)上(shàng)下(xià)文的(de)能(néng)力(lì)。

写(xiě)在(zài)最(zuì)后(hòu)：

上(shàng)下(xià)文长(zhǎng)度(dù)是(shì)大(dà)模(mó)型(xíng)理(lǐ)解(jiě)世(shì)界(jiè)和(hé)与(yǔ)用(yòng)户(hù)交(jiāo)互(hù)的(de)基(jī)石(shí)性(xìng)能(néng)力(lì)，从(cóng)本(běn)质(zhì)上(shàng)刻(kè)画(huà)了(le)模(mó)型(xíng)在(zài)此(cǐ)时(shí)此(cǐ)地(de)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。