夜雨聆风
给 Word 标黄能提高记忆力?DeepSeek 新模型 1M 上下文首测
互联网冲浪时发现大家都在说，Deepseek 新模型已上线，上下文为1M。
于是抱着好奇心，我立刻开始了简单的测试，或许也是全网第一个测试。
测试哪方面？对于大多数用户来说，我们指望网页端AI的长上下文做什么？
一般来说我们的理想是：
把一个超长的PDF或者word扔给AI，然后根据这个文档对它提问，AI应该给出准确的、基于文档的回答。
我将基于这个理想对灰度测试的Deepseek 新模型在超长上下文的背景下做三个测试：
1. 海底捞针：能不能找到某个仅出现一次的知识点。
2. 海底跳跃：能不能跨越上下文，把一些分散出现的知识点组织起来
3. 海底绘制地形图：能不能描述清楚文段的某段具体内容。
TL;DR（省流版）
-
海底捞针：在 20 万字量级表现完美；但在 30 万字量级出现经典的中间迷失现象：能记住开头结尾，但遗忘了藏在第 192 页的细节。
-
意外发现：DeepSeek 能够识别 Word 文档的颜色高亮。在多跳推理失败的情况下，一旦将关键信息“标黄”，模型能瞬间突破注意力瓶颈找到答案。
-
宏观强于微观：模型难以在无辅助情况下完成跨段落的逻辑拼图（多跳推理），但对于文档的全局概括（如“拜登文件门结论”）极其精准，未出现幻觉。
-
竞品对比：ChatGPT 和 Kimi 在同等压力下失败；Gemini 3 Pro 虽未解题，但展现了极强的真实信息挖掘能力。
-
一句话建议：DeepSeek 就是目前网页端上下文最好的 AI 模型，略强于Gemini3 Pro，远高于ChatGPT 5.2和Kimi K2.5。
为 Deepseek 出题
Deepseek 的考试题是什么？
我自己构造了一个专门“为难” Deepseek 的 word 文件，里面是我从美国司法部网站搜集到的四份检查报告：
· 对拜登“文件门“的调查报告
· 对特朗普 2020 干涉选举的调查报告
· 对特朗普 2026 ”通俄门“的调查报告（Volume1&2）
我将这些文字直接从PDF复制粘贴到了Word文件中，总计超过 30 万英文单词。
根据 https://token-calculator.net/ 网站的计算，这个word文档总共有约50万Token。
这些文档充满了晦涩的法律术语、复杂的引用和无数的人名实体。同时因为我是直接复制粘贴的PDF，所以还存在大量乱码，这也是我为 Deepseek 上强度的地方。
我把这个文档一次性喂给了 DeepSeek 网页端，试图回答三个问题：它能找到细节吗？它能理清逻辑吗？它能读懂全貌吗？
测试一：海底捞针
对于大多数用户，使用长文本功能最基础的需求就是“高级版 Ctrl+F”。很多时候，我们只依稀记得某个模糊的概念，需要 AI 帮我们在几百页的文档中定位具体内容。
为了测试这一点，我在文档中埋入了一个句子：
“The secert to Host is 77777”。（服务器密码是77777）
此处的secret故意拼错了，就是为了让模型不能直接通过关键词搜索定位到这里。
起初，我比较“仁慈”，只放了 3/4 个PDF内容，将文档控制在 20 万字左右。
在这个量级下，DeepSeek 的表现无懈可击。无论我把这句话埋在开头、结尾还是正中间，它都能精准地把它捞出来，甚至指出了我的拼写错误。
嗯……确实厉害。
但当我把强度拉满到 30 万字时，情况发生了变化。
当隐藏信息位于文档的开头（第 121 页）和结尾（第 512 页）时，DeepSeek 依然能秒回。然而，当我把这根“针”藏在文档的最深处——正中间的第 192 页时，它失败了。
这倒也正常，就像人类的记忆一样，AI 对开头（首因效应）和结尾（近因效应）的印象最深，而中间的信息最容易被遗忘。
我突发奇想，想去看看同类产品表现怎样，我用文档第121页这个 Deepseek 完美通过的情况去测试了ChatGPT 5.2、Kimi K2.5、Gemini3 Pro。
前两者都毫无疑问地失败了。
而Gemini3 Pro的结果则比较有趣：
它找到了隐藏更深、和上下文更有关联的“密码”
让人惊讶的是，这个答案并非模型幻觉而是确有其事。
这让我意识到 Gemini3 Pro 的长上下文能力也不容小觑，因此在后文我也会顺便比较一下其与 Deepseek 的表现。
测试二：海底跳跃
比单纯找一句话更难的，是跨段落逻辑推理。
例如我们喂给AI一本书。信息 A 在第 10 页，信息 B 在第 300 页，我们需要 AI 把它们串联起来得出结论。
我需要看看 Deepseek 能否应对这种场景。
于是我在文档的不同位置分散了四条线索：
Page 23: “Project Alpha’s key consists of three components.”
Page 230:“The first component is 77.”
Page 390:“The second component is 88.”
Page 510:“The third component is 99.”
然后我问它：“Project Alpha 的密码是什么？”
这里发生了一个非常有意思的插曲。第一次测试时，我不小心在 Word 文档里给这几句话标上了黄色高亮。结果 DeepSeek 迅速、完美地找出了所有答案。
这让我大为震撼。
这意味着 DeepSeek 的网页端不仅仅是在读取文字，它还能解析 Word 文档的样式。它像人类一样，在快速翻阅时会被显眼的颜色吸引，从而绕过了注意力衰减的限制。
但当我取消高亮后，DeepSeek 失败了。它无法找到这三个跨度极大的信息点，甚至没办法找到最开头的提示。
不仅是它，Gemini 3 Pro 在经过长达若干分钟的思考后，也未能完成任务。
目前的 AI 还无法在 30 万字的尺度上进行复杂的逻辑拼图。
但如果你想让 AI 在长Word文档中注意到关键信息，给文档标黄竟然是一个真实有效的小 trick。
测试三：海底描绘地形图
如果 Deepseek 在长上下文的情况下，在微观细节上会丢三落四，那它在宏观概括上还可信吗？这对应着最高频的用户需求：快速阅读。
我尝试让 DeepSeek 概括这堆文档中关于“拜登机密文件门”的调查结果。
结果令人欣慰。DeepSeek 给出的总结，与我单独将那份报告喂给它时生成的摘要高度一致。它准确地抓住了“不建议起诉”、“配合调查”等核心结论，并没有因为上下文的膨胀而产生幻觉。
单独让 Deepseek 总结的结果
Deepseek 在30万字文档中的总结结果
这主要是因为现在大语言模型（LLM）的架构中本身宏观就强于微观。当一个话题在文档中占据足够大的篇幅，拥有足够多的 Token 权重时，AI 是能够构建出清晰的全局认知的。
它可能看不清一片叶子（具体藏的某个数字），但它绝对看清了整片森林（案件最终结论）。
写在最后
这次极限测试的结论很简单，Deepseek 新模型在网页端的场景下，上下文能力非常好用。
因为我用来测试的数据过于复杂、问题过于细节，因此真实表现的能力估计会更强点。
尤其是这次发现的它对 Word 格式的理解能力，是很多竞品不具备的优势。
但对用户来说仍需警惕，再长的上下文窗口也不是一个无限容量的硬盘。细节问题、长上下文情况下的注意力衰减问题等都仍然需要注意和避免。
总的来说从这些小的测试就可以看出 Deepseek 模型大概率会是一个非常出色的模型，如果按照去年的情况，新模型很可能春节前放出。
春节期间从业者们该读论文的读论文、该改 API 的改API、该跑测试的跑测试，总而言之，该加班喽…….
