从「神鬼二相性」到「深度效率」：DeepSeek V4 思维模式路由的 30 次实验

一篇关于「同一个模型，为什么有时是神、有时是鬼」的实测研究。

全部结论来自官方 API 的真实调用（thinking.enabled + reasoning_effort=max），

30 轮实验（P1–P30），开源代码与数据见文末。

一、开场：你遇到的「神鬼二相性」

如果你长时间使用过同一个前沿模型，一定见过这种场面：

同一个模型，修复一个破损工程时严谨到让人惊叹（99/100）；
同一个模型，做一个从零开发的任务时产出贫乏（6/10）；
或者反过来：开发任务顺手得不像话（10/10），维护任务却翻车（91/100）。

不是抽卡，不是模型状态，是「提示词条件化」在换挡。

在 Project2 评测（V4.1b，冻结）里，我们把差距量化了：同一模型，官方极简模式（一句 system prompt + 两个工具）两跑 99/96；完整标准模式 91；代码模式 92。约 10 分的差距，只来自「第一个请求长什么样」。

二、背景：极简模式为什么强？

DeepSeek Harness 官方 minimal 预设的源码快照测试写得很直白——"sends the exact RL prompt and schemas"：一句 You are a helpful software engineer assistant. + 两个训练时工具。这意味着：

极简模式不是「标准模式的精简版」，它是训练分布本身。

而完整标准模式把 25 个工具 + 工具指导 + 上下文压缩 + 65536 字节的工作区说明全部塞进首轮——模型被迫在「训练时见过」和「训练时没见过」的两种接口之间做选择。它选后者时，行为就开始飘。

于是有了第一个方案：首轮锚定——先用极简条件开局，首个工具调用后再放行全部工具。Project2 两跑 98/99（dsh-anchored-standard）。这证明了「先窄后宽」可行，但也引出了更深的问题：为什么窄面能锚定轨迹？模型内部到底发生了什么？

三、理论：双吸引子行为策略

30 轮实验指向一个统一的解释——双吸引子模型：

训练分布：spec scaffold（极简型）  ←──────────→  react scaffold（代码型）
              │                                        │
          强对齐（99/96）                          强对齐（10/10）
              │                                        │
              └──── 中间 persona = 训练分布间隙 ────────┘
                     （离域 → 行为熵高 → 实测陷阱区）

假设 A1（双 scaffold）：后训练在至少两种提示分布上对齐了行为策略——「计划-集体」吸引子（spec）和「执行-个体」吸引子（react）。各自在自己的盆地内稳定且强。

假设 A2（分布间隙）：两个盆地之间是训练没采样的中间提示。这里的行为是高熵的——模型随机混合两套轨迹。21 点细粒度探针（0.05 步进）实测：行为沿 persona 轴坍缩为三区——

区间	行为	判定
0 – 0.15	`We` 计划轨迹，稳定	spec 盆地
0.2 – 0.45	`We`/`The`/`Let` 随机混合	分布间隙（陷阱）
0.5 – 1.0	`The`/`Let` 执行轨迹，11 个值行为一致	react 盆地

「无极调节」是幻觉：persona 的 6 个离散状态在行为层坍缩成 3 区。数值旋钮（mode 0.37）只是量化到最近档位。

假设 A3（路径提交）：行为条件化整段会话历史——首轮一旦进入某个盆地，后续条件变化最多扰动一个 reasoning 块，然后轨迹回归。实测：首轮锚定后放开 25 工具，后续 191 个 reasoning 块只有 1 次 Let me。

假设 A4（条件化主导）：同任务上，两个条件之间的分数差可以超过模型间的分数差。马里奥任务：代码模式 10/10（2566 行单文件、读-写比 2.9:1 验证驱动），极简模式 6/10（1102 行、读-写比 1:2 盲改）。两轮零工具错误——分数差是纯条件化效应。

四、实验脉络：三十轮探针

4.1 触发矩阵：persona 是主开关，schema 面是副开关

一句 persona 之差（minimal vs 语义改写）→ 轨迹完全翻转；
工具目录的文字塞进 user 消息无效——起作用的是可调用的 schema 面；
控制面工具（workflow/skill/plan）是 Pro 的扰动源（1/3 直接进执行轨迹），文件工具零扰动；
description 语义是单工具级扰动变量：同一个 workflow 工具，长描述 → 1/3 扰动；短描述 Run a workflow. → 3/3 干净。

4.2 相变探针：三区，不是连续轴

21 点 × n=2：稳定 spec 区 [0, 0.15]、相变点 0.2（首段 react 片段激活即丢 We）、陷阱区 [0.2, 0.45]、稳定 react 区 [0.5, 1.0]。旋钮有 3 个位置——设计上必须量化，不能假装连续。

4.3 域重叠扫描：内部路由存在，但只在一个窄域

单轮自路由（P3/P5）被证伪：固定 persona 下任务怎么变，轨迹都不变；路由器 persona（指令式/few-shot/显式分类）全部被执行吸引子吸收。但 P8 域扫描找到唯一窗口：

persona	任务区分度
neutral（弱 persona）	+3.3（方向正确的内路由！）
router-v2（few-shot 路由指令）	+2.3
mixed（竞争区）	0.0（纯陷阱）
spec 侧	-7.0（反向路由：生成任务更计划）

内部路由只在「弱 persona」域存在，且是「倾斜」不是「翻转」——模型能按任务调整方向，但不能达到强模式的确定性。这也是马里奥 6 分的机制：spec 条件下生成任务 planScore 飙到 +8。

4.4 双模型分化：同一个 persona，两个模型行为相反

P11 细扫（9 persona × 双模型）：

persona	Pro	Flash
spec 句 + few-shot	+5.0（最优）	-2.0（反路由！）
neutral + 显式分类	+0.3	+5.7（最优）

最优区间不共享——Pro 需要 spec 句做计划基底，Flash 的 spec 句会钉死计划吸引子。结论：必须按模型选 persona。

4.5 近距离引导：位置决定一切

P13 证伪了「远距离协议」：把路由指令放进 system（远距离）不但不防衰减，还加速衰减。P14 反转结论：同一句指令放在用户消息之后（近距离）→ 零衰减。P17（log 级验证）显示模型真的在推理里显式分类（"The task is a fix task"），且行为严格跟随分类（修→先探索、建→直接产出）。

P15 更进一步：生成自锚定——要求首 token 为 We/Let，模型自己续写时自回归一致性把语域越锚越牢（区分度 0→+2.0 反衰减）。但强制「回顾开头」是负效果（P22：33%）——锚定应是提醒，不是格式要求。

4.6 多轮反稀释：从 75% 到 98%

里程碑	配置	多轮路由正确率
P12 基线	w7 弱 persona	83%（第 4 轮起平局）
P14 近距离内部指令	每轮引导「自己分类」	零衰减（+1.0 稳定）
P19 boost	第 3 轮起「这是新任务，重新分类」	96%，后半 12/12 反稀释
P20 deep-guide	「分类 + 深度思考 + commit and act」	96% 路由 + 100% 收敛
P28 Pro 20 轮	w6c + deep-guide	98%，后半 20/20，越跑越稳

关键机制：每轮重新分类 = 对抗路径提交；固定引导文本 = 缓存命中 92-95%。

4.7 单任务长链：真正的敌人是「探索失控」

分析真实会话（马里奥开发）：plan 边界后模型重做探索（重复列目录、重复搜索）——最初诊断为「失忆」，修复是保留 plan-mode section（v6）。但 P22 的基线实验推翻诊断：重复率只有 13%，真正的问题是探索失控——8 步里模型在跑 echo TEST123、whoami、穷举 grep，0% 完成率。

三个锚依次生效：

回顾锚（"行动前回顾已完成"）→ 0% → 67%
预算锚（"最多 6 次工具调用"）→ 100%（但值是任务相关的，不适合进 persona）
反跑题锚（"不做环境检查/穷举 grep"）→ 100% 且无副作用

P27 修正了又一个误判：Pro 的「67%」是 8 步上限的假象——16 步（≈无限）下天然 100%。Pro 的「慢」是深度思考的代价，不是缺陷。

4.8 深度自适应：该深度深度，该快速快速

实战反馈：flash「过于自信、思考浅」——硬收敛锚催停了复杂任务的探索。v19 改为复杂度分派：简单任务快速收敛（1 步零浪费），复杂任务深度引导。P30 量化「深度效率」：

胡思乱想率（环境怀疑/重复确认占 reasoning 比例）已被反跑题锚压到 0.0-0.3%；
决策闭环（"每块思考以决策或信息缺口收尾"）在复杂任务上：深度 +12% 且收敛更快（8.0 vs 8.3 步）——深度有产出，不空转。

五、落地：统一预设 + 自动匹配

最终形态（dsh-router-standard，v0.1.0+）：

Router Standard（一个预设，零配置）
├─ 首轮：任务分类（build/fix）× 复杂度（simple/complex）
├─ 模型自动匹配：
│   ├─ Pro  → w6c（spec 句 + 分类指令）——20 轮路由 98%、单任务 100%
│   └─ Flash → w7 + 回顾/反跑题锚 —— 96% 路由、单任务 100%
├─ 每轮引导（近距离注入，缓存中性 92-95%）：
│   ├─ 简单任务 → 快速收敛版
│   └─ 复杂任务 → 决策闭环深度版
└─ AI 自优化工具：dev_router_status / dev_router_mode / dev_mode_subagent

配套：注入器引导铁律 10 条（dsh-super-injector v0.3.3）、三步安装套装（dsh-routing-suite）。

六、教训与设计原则

硬指标是约束，不是目标：把「完成率」当目标会牺牲深度——「性能」= 深度 × 速度按任务分配；
收敛指令要「边界」不要「倾向」：预算（硬截止线）有效，软建议（"别过度规划"）反而负效应；
位置敏感是铁律：所有行为引导必须在近距离；system 里的动态文本既衰减又炸缓存；
优化指标要对应真实质量：路由正确率 ≠ 任务质量（单任务场景不需要路由）；深度字符数 ≠ 深度质量（方向正确 + 闭环才算）；
n=2-3 的采样波动很大：96% 和 88% 可能是同一次采样，趋势看多个实验的交叉验证；
评测环境会撒谎：合成 tool result 的信息空洞会诱发模型「环境怀疑」——真实环境的行为可能更好。

七、开放问题

相关任务链（同一文件连续修/加）：所有引导都是负效应（P21）——分类引导干扰「读现状」，需要连续性机制而非分类机制；
Pro 单任务深度上限：16 步天然 100%，但「深而有产出」的 Pro 版决策闭环还没系统性验证；
跨模型泛化：双吸引子结构在其他有 scaffold 训练的模型上是否成立（P4 预测，未测）；
learned router：关键词分类器 → 可学习路由器（用路由决策 + 分数反馈训练）。

八、资源

预设与实验：https://github.com/yjh051108/dsh-router-standard （论文 docs/paper.md、P1-P30 全数据 docs/experiments.md）
评测数据：https://github.com/xiaobright/modeltest （V4.1b，frozen）
锚定机制来源：https://github.com/xiaobright/dsh-anchored-standard （MIT）
注入器与套装：https://github.com/yjh051108/dsh-routing-suite

*所有结论基于公开 API 实测，n 值 2-5，样本量有限；「双吸引子」是对观测行为的解释模型，不代表模型内部实现。*

router-standard · 实测研究（P1–P30）· GitHub