一支团队在春天上线了客服智能体,400 条回归用例跑出 94% 的通过率。六周后同一套用例只有 88%,人工升级队列翻了一倍,而他们一行代码都没部署过。唯一变化的,是 API 另一头的东西。
这是在中国大模型(大模型)上做产品最少被讨论的一项成本。权重可以下载、许可证也很宽松,这让它看起来像是固定资产;但它下面的托管接口在持续更新,有时连模型名都不改。
更新日志才是真正的文档
DeepSeek 公开的更新日志读起来像 SaaS 产品的发版节奏,而不像研究机构:
- 2024年12月26日——deepseek-chat 升级为 DeepSeek-V3
- 2025年8月21日——DeepSeek-V3.1,单个模型同时支持思考与非思考模式
- 2025年9月22日——DeepSeek-V3.1-Terminus,缓解中英文混杂,优化代码与搜索智能体
- 2025年9月29日——DeepSeek-V3.2-Exp,引入稀疏注意力,API 价格下调一半以上
- 2025年12月1日——DeepSeek-V3.2
- 2026年4月24日——DeepSeek-V4,同时宣布两个旧接口名将在三个月后停用
- 2026年7月31日——DeepSeek-V4-Flash,官方说明架构尺寸不变、只做了再后训练
- 2026年9月10日——DeepSeek-V4.1-Flash,上一代 V4 Flash 下线,旧名字临时路由到新模型
请注意几乎每一条的措辞:"deepseek-chat 与 deepseek-reasoner 均已升级为……"。调用方的代码一行不改,对面的模型已经换了。现行定价页把这件事写得更明白:旧模型名 deepseek-v4-flash、deepseek-v4-flash-vision-exp 仍可调用,但对应模型已下线,请求由 DeepSeek-V4.1-Flash-1017 提供服务并按 Flash 价格计费。
这是一套很体面的迁移策略,同时也是一颗可复现性的雷:什么都不会报错,所以什么都不会被测试。
后缀才是规格说明书
行业里已经形成了一个有用的约定:给检查点加日期码。DeepSeek 的价目表写的是 DeepSeek-V4-Pro-0813 和 DeepSeek-V4.1-Flash-1017,Qwen 写的是 Qwen3-235B-A22B-Instruct-2507。这些后缀携带的信息是实打实的:
- Qwen3-235B-A22B-Instruct-2507 只支持非思考模式。 模型卡写明输出中没有思考块,也不再需要传 enable_thinking=False。为初版 Qwen3 写的代码——那个可以按请求切换思考模式的版本——现在面对的是另一种响应结构。
- 它的原生上下文是 262,144 token,可扩展到约 1,010,000;Qwen 在2025年8月8日为 2507 系列开放了百万 token 输入。沿用四月份版本遗留的上下文假设,会直接出错。
- 智谱同样在快跑:2025年7月 GLM-4.5,9月30日 GLM-4.6(上下文从 128K 扩到 200K),12月 GLM-4.7(官方仓库披露 Terminal Bench 2.0 为 41%,SWE-bench 为 73.8%)。五个月三款旗舰。
如果你的模型台账里写的是"Qwen3-235B-A22B"或"DeepSeek-V4-Pro",那它标识的不是模型,而是一个系列。
有章法的团队多做的三件事
问题不在于模型会进步,而在于进步没有在你这一侧留下变更记录。三个习惯可以补上:
- 在配置里锁定带日期的检查点,并把版本号随每次响应一起落日志。 把厂商返回的模型版本和输出结果存在一起,回归才能定位到具体版本。
- 让一套冻结的评测永久运行。 两百条真实用例,自动打分或人工抽查,每周跑一次,能在客户之前发现静默升级。
- 需要位级可复现时,自己部署。 开源权重意味着你可以在自有硬件上服务一个固定的检查点;托管 API 意味着你永远在用最新的那个。按工作负载分别做选择。
趋势:可钉住的名字才是可测试的名字
发版节奏不会慢下来;带日期的检查点后缀反倒说明厂商正在学着把漂移显性化,这算是一点仁慈。脑机网(BrainNet)首席科学家李安认为,版本漂移是中国团队为"以周计而非以年计"的发版节奏所交的税,而多数团队还没有为它配套的评测工作做过预算。
诚实的局限
本文依据的是厂商公开的更新日志、定价页和模型卡,这些都属于自我披露,可能滞后,也可能漏掉未公告的调整。我统计的是 DeepSeek 选择公开的版本,未排期的热修复、A/B 测试和静默换权重都不会出现在那里。GLM-4.7 的基准分来自智谱自己的仓库,是厂商自报数据,未经独立复现。Qwen 与智谱的日期只在厂商公布到日时才写到日。文中的建议针对 API 调用方式;自己部署权重面临的是相反的问题——检查点陈旧、错过修复——本文没有展开。百度、字节、MiniMax、讯飞的发版节奏我没有逐一核对,因此这里描述的节奏未必是市场统一现象。
普通人现在能做什么
- 在代码库里搜索裸写的模型系列名,逐个替换成带日期的检查点字符串,并把它写进日志。
- 给每个在用模型安排一次每周回归,任务量不必大,但要对分数波动超过常态方差时报警。
- 为每个工作负载明确二选一:"永远最新"还是"永不改变",把必须不变的那些迁到自有权重上。