바이트댄스와 프린스턴대학교, 스탠퍼드대학교, UC 버클리 연구진은 딥시크 계열 모델의 긴 문맥 처리 방식에서 위치별 성능 저하를 보고했다. 대상은 딥시크-V4, V4.1과 같은 모델과 압축 기술을 적용해 사전 학습한 자체 모델들이다. 연구는 긴 입력을 다룰 때 메모리와 연산 비용을 줄이기 위해 연속 토큰을 묶어 저장하는 청크형 KV 캐시 압축을 살폈다. 이 과정에서 같은 내용도 압축 구간의 경계 안에서 놓인 위치가 달라지면 이후 검색 결과가 달라질 수 있다고 설명했다.
연구진은 이런 현상을 위상 민감도라고 정의했다. 12만8000토큰 입력 실험에서 딥시크 V4 계열은 정보 위치만 바꿔도 검색 정확도 차이가 크게 벌어졌다. 기본 모델은 V4 플래시 40.2%포인트, V4 프로 34.8%포인트 차이를 보였고, 추가 학습 뒤에도 격차가 남았다. 코드 자동 완성에서도 독스트링 길이에 따라 다음 토큰 예측이 주기적으로 바뀌는 사례가 확인됐다. 반면 전체 어텐션 비교 모델에는 같은 패턴이 없었다. 연구는 평균 벤치마크만으로는 실제 약점을 놓칠 수 있어, 위치를 바꿔가며 성능을 따로 봐야 한다는 점을 보여준다.