# DeepSeek-V2-Lite-Chat 多种子采样稳健性审计

> 执行日期：2026-07-30
>
> 协议：`llm-atlas-deepseek-chat-sampling-v1`
>
> 模型：`deepseek-ai/DeepSeek-V2-Lite-Chat`
>
> revision：`85864749cd611b4353ce1decdb286193298f64c7`
>
> 预注册：`research/DEEPSEEK_V2_LITE_CHAT_SAMPLING_PROTOCOL.md`

## 0. 一句话结论

在固定官方 Chat checkpoint、固定四条 source、固定八格 prompt batch 与官方
`temperature=0.3 / top_p=0.95` 下：

```text
256 sampled outputs
├─ 251 natural EOS
├─   5 budget truncated（全部来自 English / system off）
├─ 242 个不同的完整 token trajectory hash
├─ Math：62 / 64 strict exact
├─ Code：63 / 64 official tests pass
└─ 新进程 R0/R1：64 / 64 全合同字段 exact
```

这说明在这份执行合同下：

1. sampling 确实产生了跨 seed 轨迹分叉；
2. 同 seed 可以在新进程精确复现；
3. 一条流畅、自然结束、可解析或可执行的回答仍然可能答错；
4. 四条 source 与八个 seed 仍远不足以估计 benchmark 能力或完整生成分布。

---

## 1. 为什么在 greedy 之后还要做这一轮

Round 05 的 512-token 实验固定 `do_sample=false`。它验证的是每一步都取最高概率 token
时的单条轨迹：

```text
同一 source + 同一 checkpoint + 不同输入边界
→ greedy token 轨迹会怎样分叉
```

greedy 不能回答：

- 换 seed 后，同一条件是否只会复述同一条轨迹；
- greedy 轨迹是否会出现在有限的 nucleus samples 里；
- 两个条件的八样本集合是否有 exact 重合；
- 完成与任务结果是否会随 seed 改变。

本轮只补这个证据缺口，不回头把 4 条 source 写成能力评测。

---

## 2. 冻结合同

### 2.1 四条 source

| domain | source ID | 角色 |
|---|---|---|
| English | `wikitext2/raw-validation/0443` | 长 continuation，最容易触及 512 上限 |
| Chinese | `tnews/test/4855` | 中文分类式输入 |
| Code | `HumanEval/31` | `is_prime`，可用官方 tests 执行 |
| Math | `gsm8k/test/1069` | 可抽取数值 gold |

它们是前序固定 source 排序中每域第 1 条，不是看到结果后重选。

### 2.2 八格输入

```text
system off/on × EOS / BOS / x / period
```

固定行顺序：

```text
s0_eos, s1_eos, s0_bos, s1_bos,
s0_x, s1_x, s0_period, s1_period
```

32 / 32 个 prompt token hash 与 Round 05 greedy 运行 exact。只有 EOS 是官方聊天序列；
BOS、`x` 与句点都是单 ID 反事实，不能称为官方有效 chat。

### 2.3 sampling 参数

checkpoint 自带的 `generation_config.json` 固定：

```text
do_sample   = true
temperature = 0.3
top_p       = 0.95
```

本轮另外显式传入：

```text
top_k          = 0
max_new_tokens = 512
use_cache      = true
```

`top_k=0` 很重要：否则 Transformers 的通用默认 top-k 可能在不显眼处继续截断候选集合。

### 2.4 八个 seed

八个 base seed 全部由协议字符串做 SHA-256 派生：

| replicate | base seed |
|---:|---:|
| R0 | 19,683,830 |
| R1 | 1,560,062,173 |
| R2 | 3,978,401,375 |
| R3 | 1,280,933,274 |
| R4 | 1,467,459,869 |
| R5 | 1,297,359,489 |
| R6 | 2,722,953,988 |
| R7 | 3,330,978,061 |

每个 source 再由 base seed 与 source ID 派生独立 run seed。每次 batch 前执行
`torch.manual_seed()` 与 `torch.cuda.manual_seed_all()`，并记录 CPU/CUDA RNG 的前后
state hash。

### 2.5 batch-seed aligned，不是 common random numbers

Transformers `4.41.2` 对 batch 调一次 `torch.multinomial`。八行共享 run seed 与调用
时序，但不同 row 消费不同 RNG 子流。因此：

- 可以比较相同 replicate label 的两格；
- 只能称为 batch-seed aligned；
- 不能当作逐行共享同一随机数的 paired causal design；
- 本轮不报告 paired p-value 或置信区间。

---

## 3. 执行闸门

### 3.1 16-token smoke

```text
4 sources × R0/R1 × 8 conditions = 64 short outputs
4 sources × R0 replay × 8 conditions = 32 replay outputs
```

结果：

| gate | 结果 |
|---|---:|
| prompt hash exact | 32 / 32 |
| R0 同进程重放全合同 exact | 32 / 32 |
| R0 vs R1 可比格 | 32 |
| R0 vs R1 分叉 | 18 |
| OOM / NaN / exception | 0 |

16-token smoke 的 64 条输出全部触顶，符合技术检查的预期；它们没有进入正式统计。

### 3.2 正式网格

```text
4 sources × 8 seeds × 8 conditions = 256 outputs
```

结构审计：

| 检查 | 结果 |
|---|---:|
| sources | 4 |
| runs / source | 8 |
| outputs / source | 64 |
| outputs / condition | 32 |
| total outputs | 256 |
| prompt hash exact | 32 / 32 |
| missing / duplicate grid cells | 0 |

生成耗时 `2,251.225s`，CUDA peak allocated `30,868,238,336 bytes`。这是 CPU-offloaded
eager 机制审计延迟，不是服务吞吐。

---

## 4. stopping 与轨迹多样性

### 4.1 总账

| 指标 | 结果 |
|---|---:|
| natural EOS | 251 / 256 |
| budget truncated | 5 / 256 |
| 全局 unique trajectory hashes | 242 / 256 |
| R0/R1 同格 trajectory 不同 | 31 / 32 |
| greedy trajectory 出现在八样本集合 | 9 / 32 source×condition sets |

`242/256 unique` 只说明完整 token ID 序列的 hash 不同，不说明有 242 种语义或思路。

### 4.2 每个 condition

| condition | EOS / 32 | mean tokens | 四个 source-set 的 unique 总数 / 32 | 8/8 unique sets / 4 | greedy included / 4 |
|---|---:|---:|---:|---:|---:|
| `s0_eos` | 29 | 290.1 | 31 | 3 | 1 |
| `s1_eos` | 32 | 241.4 | 32 | 4 | 2 |
| `s0_bos` | 32 | 265.4 | 30 | 3 | 1 |
| `s1_bos` | 32 | 221.2 | 32 | 4 | 1 |
| `s0_x` | 30 | 263.6 | 32 | 4 | 0 |
| `s1_x` | 32 | 146.8 | 30 | 3 | 2 |
| `s0_period` | 32 | 259.5 | 32 | 4 | 0 |
| `s1_period` | 32 | 121.7 | 26 | 3 | 2 |

32 个 source×condition set 中：

```text
28 sets：8 unique trajectories
 2 sets：6 unique trajectories
 1 set ：7 unique trajectories
 1 set ：2 unique trajectories
```

只有 `HumanEval/31 × s1_period` 收缩到 2 条完整轨迹；它不是“低创造力”的证明，只是该
source/condition/参数下八次抽样的 exact-sequence 重复。

### 4.3 五个截断

五格全部属于 `wikitext2/raw-validation/0443`：

| replicate | condition | tokens |
|---|---|---:|
| R0 | `s0_x` | 512 |
| R1 | `s0_eos` | 512 |
| R4 | `s0_eos` | 512 |
| R5 | `s0_x` | 512 |
| R6 | `s0_eos` | 512 |

所以“全局 251/256 EOS”不能简化成每条 source 都同样容易完成。

---

## 5. 十条 edge 的集合比较

每个 source×edge 同时计算：

1. 8 个相同 replicate label 对的 token similarity；
2. 左集合每条到右集合的最高 similarity；
3. 右集合每条到左集合的最高 similarity；
4. 两个方向 16 个最近邻值的平均；
5. 完整 trajectory hash-set 的 intersection / union。

四条 source 的描述性均值：

| edge | aligned similarity | symmetric nearest similarity | exact intersection / union |
|---|---:|---:|---:|
| system · EOS | .366 | .492 | 1 / 62 |
| system · BOS | .314 | .491 | 0 / 62 |
| system · x | .275 | .392 | 0 / 62 |
| system · period | .253 | .355 | 0 / 58 |
| BOS − EOS · S0 | .444 | .589 | 0 / 61 |
| BOS − EOS · S1 | .430 | .589 | 0 / 64 |
| x − EOS · S0 | .332 | .470 | 0 / 63 |
| x − EOS · S1 | .278 | .395 | 0 / 62 |
| period − EOS · S0 | .404 | .546 | 1 / 62 |
| period − EOS · S1 | .261 | .375 | 0 / 58 |

40 个 source-level edge set 中只有两个出现跨侧 exact trajectory 重合：

- `gsm8k/test/1069 × system_eos`；
- `gsm8k/test/1069 × period_at_s0`。

nearest-neighbor 总是高于相同 label 对并不奇怪：它从 8 条右侧样本里主动选择最接近的一条。
这不是无偏分布距离，也不能据此给 boundary effect 排名。

---

## 6. 任务账：完成、可评与正确分开

### 6.1 GSM8K

| 指标 | 结果 |
|---|---:|
| sampled outputs | 64 |
| numeric evaluator covered | 64 |
| strict-complete exact | 62 |
| answer `300` | 62 |
| answer `100` | 2 |
| unique absolute majority | `300` |
| gold | `300` |

两条失败分别位于：

- R4 / `s1_x`；
- R7 / `s1_eos`。

两条都不是抽取器误判。回答明确写出 boxed `100`，错误推理是：

```text
1/4 trucks failed
→ 错写成只有 1/4 trucks delivered
→ 5 trucks × 20 tons = 100
```

正确逻辑应保留 `3/4 × 20 = 15` 辆车，得到 `300`。这说明 natural EOS、明确 final
marker 与可抽取数值都不能保证 reasoning 正确。

这里的多数答案只是 1 条 GSM8K source 上的八条件×八 seed 描述，不是标准
self-consistency benchmark。

### 6.2 HumanEval

| 指标 | 结果 |
|---|---:|
| sampled outputs | 64 |
| Python AST parse | 64 |
| sandbox evaluated | 64 |
| official tests pass | 63 |
| assertion failure | 1 |
| unique candidate execution keys | 24 |
| exact duplicate cache hits | 40 |

唯一失败位于 R5 / `s0_period`。候选代码：

- 正确排除了 `n < 2`；
- 正确特判 `n == 2`；
- 只检查奇数除数；
- **没有先排除大于 2 的偶数**。

因此代码流畅、code fence 闭合、AST 合法、可以执行，却对偶数输入返回错误。这个案例直接
展示了四张账：

```text
NATURAL EOS
→ TASK TERMINAL
→ EVALUATOR COVERED
→ ASSERTION FAILED
```

每个唯一 candidate 的执行环境：

```text
python:3.11-alpine
@sha256:25976e9d34a0fab1f278cae931f34c8303d97bf0c0d7f85b6b4dcf641d7702a4

network none · read-only filesystem · no host mounts
user 65534:65534 · cap-drop ALL · no-new-privileges
256MiB memory/swap · pids 64 · cpus .5 · timeout 5s
```

cache 只复用完全相同的 candidate hash + task-test hash + harness hash；每格评测行仍保留。

---

## 7. 新进程复现

正式运行结束后重新启动 Python、重新加载 checkpoint，只执行 R0/R1：

```text
4 sources × 2 seeds × 8 conditions = 64 outputs
```

逐格结果：

| field | exact |
|---|---:|
| run seed | 64 / 64 |
| prompt hash | 64 / 64 |
| complete generated token IDs | 64 / 64 |
| decoded text | 64 / 64 |
| EOS state | 64 / 64 |
| truncation state | 64 / 64 |
| CPU RNG pre-state hash | 64 / 64 |
| CUDA RNG pre-state hash | 64 / 64 |
| all preregistered fields | **64 / 64** |

这只能写成“R0/R1 的 64 条轨迹在固定环境中独立复现”。R2–R7 没有新进程复跑，不能写
256 / 256。

---

## 8. artifact hash 链

| artifact | bytes | SHA-256 |
|---|---:|---|
| formal raw | 1,852,892 | `46c7edfce1409e798d6b0f06e905dd3a9d4ab6911acd8e42e2ec9d06d65345af` |
| independent eval | 316,800 | `078f486e021ffd0e4af8ad942d001a9f2429933b2fb0fb3523b7d1da5b24c4d8` |
| R0/R1 rerun raw | 537,669 | `72d050eace531bb38fb2592e39dc7f1b9c9003306c92c568dcd4acaaa691f6a0` |
| reproduction comparison | 29,938 | `4d59a775943459604ea2d9976bb3be01ff7b3b08d71eb0ca22c376122ef82d15` |
| website compact | 371,495 | `c014dc0ed6c27b19a61e7abb9b84a077b414e8472d40cc69d025693c25e1372e` |

compact builder 在写前端 JSON 前强制验证：

1. evaluator 声明的 sampling input SHA 与 formal raw 文件一致；
2. reproduction 声明的 formal/rerun SHA 与两份 raw 一致；
3. reproduction `all_preregistered_fields_exact == cells`。

任一失败都会中止构建。

---

## 9. 依赖与放置

| object | value |
|---|---|
| PyTorch | `2.11.0+cu128` |
| Transformers | `4.41.2` |
| dtype | BF16 |
| local GPU | RTX 5090 · 32,607 MiB |
| CUDA placement | embedding + layers 0–23 |
| CPU offload | layers 24–26 + final norm + LM head |
| max memory | GPU 28 GiB / CPU 80 GiB |
| allocator | `expandable_segments:True` |
| formal generation time | 2,251.225 s |
| peak CUDA allocated | 30,868,238,336 bytes |

官方模型卡写出的 40GB 单 GPU BF16 边界高于本机容量，所以这不是 single-GPU BF16
execution。

---

## 10. 一手来源

- [DeepSeek-V2-Lite-Chat model card](https://huggingface.co/deepseek-ai/DeepSeek-V2-Lite-Chat)
- [Pinned official generation_config.json](https://huggingface.co/deepseek-ai/DeepSeek-V2-Lite-Chat/blob/85864749cd611b4353ce1decdb286193298f64c7/generation_config.json)
- [Transformers 4.41.2 generation utils](https://github.com/huggingface/transformers/blob/v4.41.2/src/transformers/generation/utils.py)
- [The Curious Case of Neural Text Degeneration / nucleus sampling](https://arxiv.org/abs/1904.09751)
- [Self-Consistency Improves Chain of Thought Reasoning](https://arxiv.org/abs/2203.11171)
- [HumanEval repository](https://github.com/openai/human-eval)
- [GSM8K paper](https://arxiv.org/abs/2110.14168)

---

## 11. 可以说与不能说

可以说：

- 在固定四条 source 与官方 sampling 参数下，R0/R1 有 31/32 同格轨迹分叉；
- 256 条样本中 251 条自然 EOS，242 条完整 token trajectory hash 不同；
- 这 1 条 GSM8K 的 64 个样本中 62 个 strict exact；
- 这 1 条 HumanEval 的 64 个样本中 63 个通过官方 tests；
- 固定环境下 R0/R1 新进程复跑 64/64 全合同 exact。

不能说：

- 八个 seed 已恢复完整生成分布；
- 242 个 hash 表示 242 种语义；
- 4 条 source 是 benchmark；
- 62/64 与 63/64 可以横比标准 accuracy 或 pass@k；
- majority answer 是标准 self-consistency；
- batch-seed aligned 是 common random numbers；
- nearest-neighbor 是无偏分布距离；
- 某个 condition 更“有创造力”；
- BOS、`x`、句点是官方有效聊天格式；
- output 差异由某层 hidden state 或 router 因果中介；
- fixed-version exact replay 能跨 PyTorch、CUDA 或硬件保证。