DeepSeek 长上下文实测指南：1M 上下文应该怎么测

支持更长上下文，只说明模型能接收更多内容，不等于它能准确找到每一个细节。DeepSeek 这类模型的上下文规格再大，也需要你自己设计测试，去验证它在什么长度、什么位置上还能用对。这篇给的是测试设计方法：测哪些能力、材料怎么造、指标怎么记、哪类材料最容易失败。

先说结论：测的是稳定性，不是窗口数字

标称上限是厂商口径，不是推荐日常用量。不管标称的数字是百万级还是更小，测试方法都是一样的：多长的材料还能稳定召回；关键信息放在不同位置结果是否一致；长材料下指令与格式还能不能保持；同样的输入重复运行，答案是否稳定到可以进生产流程。这四个问题答不上来，窗口数字再大也只是宣传语。

第一步：先定义能力维度，再动手造材料

建议至少覆盖五类能力，每类单独设计材料与判分规则：

1. 精确定位：材料里放唯一事实，比如编号、日期、型号，看能否准确取出。
2. 跨段推理：答案必须结合相距很远的两到三段内容才能得出，而不是一段里就能抄到。
3. 冲突识别：放入不同版本或互相矛盾的信息，看它是主动指出冲突，还是随便挑一个当作正确答案。
4. 指令与格式保持：长材料或长对话之后，是否仍遵守最初约定的输出结构。
5. 引用可定位：能否返回文档名、章节或原文片段，让复核的人找得到出处。

把维度先写下来再动手，比先准备一堆材料、事后补判分标准省事得多。

第二步：材料怎么造才有区分度

• 长度分档：不要只测一个长度。至少在几个不同量级上各跑一遍，观察表现从哪一档开始下降。
• 位置分层：同一事实分别放在开头、中段、结尾，以及被大量相似内容包夹的位置。
• 干扰项设计：加入相似但不相同的事实，比如同类别的另一个编号、日期只差几天，看它会不会取错。
• 保留真实文档特征：表格、页眉页脚、脚注、扫描页都要留着，这些往往在解析阶段就已经丢了信息。
• 语言混排：如果你的材料是中英混排、术语缩写多、简称和全称交替出现，测试材料就要照这个特征造。

还有一条纪律：同一批测试材料对每个模型必须完全一致，否则结果不可比。

第三步：判分怎么做才不自欺

• 先写判分规则，再看输出。规则里明确命中要点算通过、方向对但细节错算不通过。
• 不要让模型给自己打分，也不要用同一个模型去判断另一个模型的答案。
• 每条答案都要求给出出处，无法定位的引用按未通过处理。
• 同一问题跑多次，记录一致性。只对了一次，不算稳定可用。
• 留意看起来对的回答：它可能只是复述了你的问题，并没有回答它。

第四步：记录哪些指标

• 输入规模：材料实际的长度与文件数量，不要只记标称值。
• 首字延迟与完整耗时：长材料下这两者往往差距很大，直接决定能不能用在交互场景。
• 命中率与错误类型：把错误分成没找到、找错、找到了但结论错三类，改进方向完全不同。
• 引用可定位率：能回到原文的比例，这是能否进入人工复核流程的前提。
• 重复运行一致性：同一输入多次运行，结论是否相同。
• 成本口径：按输入规模与调用次数统一折算，便于和检索方案横向比较。

如果只记一个数字，那么它应该是命中率，而不是耗时。

什么材料最容易失败

• 扫描件与图片型文档：文字识别阶段就可能出错，模型再强也救不回丢失的字符。
• 跨页表格与复杂版式：列与列的对应关系在解析时最容易被打散。
• 同一文档的多个版本：不做版本标注时，模型容易混用新旧数据。
• 超长对话历史：越靠前的内容越容易被后来的信息覆盖，关键约束需要重复声明。
• 需要精确计算的材料：长材料下的数值提取容易出现转录错误。

把这些材料单独整理成一份压力样本，每次换模型或升级版本都重跑一遍，比临时找材料可控得多。

长上下文和检索增强怎么选

资料量有限、需要整体把握风格与语调时，直接把材料交给模型更省事；资料持续增长、要求引用可追溯、需要按权限隔离时，先检索再回答更合适，成本也更好控制。生产系统常见的是混合做法：先检索出候选片段，再把必要的上下文交给模型，并要求它在答案里带上来源。横向对比其他模型时要注意，各家的上下文规格与计费口径并不相同，别只比窗口数字。

上线前检查清单

• 数据是否获准发送到所选服务，是否包含个人信息或客户数据；
• 失败时有没有降级路径与人工复核环节；
• 引用能否回到原文，能否支撑日后的审计；
• 延迟与成本在峰值流量下是否可接受；
• 模型或档位变化后，同一套测试能不能原样重跑。

常见误区

• 把厂商公布的最大窗口当成推荐日常用量，长期贴着上限跑，成本和延迟都会很难看。
• 只测材料末尾，忽略中间位置的衰减，结论会偏乐观。
• 用模型给自己打分，或用同一个模型判断另一个模型的答案。
• 忽略解析环节：你以为在测模型，其实在测文件解析器。
• 只跑一次就下结论，没有区分稳定表现和偶然命中。

这些误区有一个共同点：把测试当成一次性的验证动作，而不是可重复的资产。真正省时间的做法是第一次就把材料、规则和记录表搭好，之后每次只花很少的力气。

把测试变成可重复的资产

测试用例本身才是长期资产。把材料、提问、判分规则和记录表放在一起版本化，每次模型更新后重跑，你得到的是可对比的历史数据，而不是一次又一次的印象。测试记录里不要只留结论，要留原始输出，否则下次无法判断差异来自模型还是来自你的判分尺度。选型层面的取舍可以参考 DeepSeek 模型选型指南 和 GPT 与 DeepSeek 怎么选，版本变化后的迁移动作见 DeepSeek 模型更新解读。

模型能力、上下文规格与计费方式都会持续变化，具体上限请以官方文档为准。本文只提供测试设计与评估方法，不包含我们没有实际执行的实测数值。