要搞清楚一个大语言模型到底”知道”什么、是怎么被训练出来的，常规思路是翻论文、扒权重、读配置文件。科技博主 manish.sh 在”Inside LLMs”系列里换了一种更轻巧的办法：直接跟模型对话，让它自己描述自己的结构与能力，再把回答和公开论文逐条比对。最新一期，他”访谈”的对象是 DeepSeek。

把回答拆成观察、推断与猜测

在提问”你到底知道什么”时，DeepSeek 的回复方式出乎作者意料：它没有一股脑给结论，而是主动把内容分成”观察””推断”和”猜测”三档。这种自我分层，让作者得以分辨哪些是模型确有依据的陈述，哪些只是基于训练分布的合理推测。

DeepSeek 在对话中自报了若干关键身份信息：它是当前最新版本，知识截止于 2025 年 5 月，并未被标注为推理模型，并提到一次 2026 年 7 月 21 日的导出。它还主动列出了一组结构参数——256 个专家、6710 亿/370 亿的参数量，以及多头潜在注意力（MLA）、混合专家（MoE）、监督微调（SFT）、基于人类反馈的强化学习（RLHF）等技术创新。

模型的认知边界在哪里

这篇”访谈”最有价值的部分，是厘清了模型的盲区。DeepSeek 明确承认：它看不到自己的权重、专家路由、注意力图，也看不到输出的逻辑值（logits）。换句话说，它对自己内部机制的解释，本质是”生成的文字”，而非对真实权重的直接观测。作者据此提醒读者：聊天输出不能当作证据。要核实架构数字，仍须回到 arXiv 上的论文；聊天窗口更适合用来建立对模型行为与提示词直觉的理解。

一套可复用的探查方法

作者把整个流程做成固定模板：提问、模型短答、作者即时点评、结构图示、要点总结，再抛出一个钩子引导读者思考。同一套方法此前已用于 Qwen 3.8-Max-Preview 与 Kimi K2.6——先让模型自述记忆、工具、上下文与幻觉处理方式，再拿已发表研究交叉验证。

对普通使用者而言，这种”自我访谈”思路也有启发：当模型说出”我是怎么想的”时，把它当作一位知识丰富但看不见自己大脑的受访者，而不是一份权威说明书。真正可信的数字，永远写在论文和权重里，而不是对话气泡中。

来源：manish.sh（”Inside LLMs”系列，作者 manish.sh）