# DeepSeek 正式任务理由复核

**复核身份：** 本文由写作助手逐轮阅读原始响应、对照固定车型和逐轮约束完成，属于助手复核；不是真人采访、独立专家评审或盲评。未改变原始记录、自动评分器或任何规则分数。

**正式批次：** `runs/DEEPSEEK_LIVE/20261109T133942732274Z`，DeepSeek 官方 Chat Completions API。请求及返回模型标识均为 `deepseek-flash`；参数为 `temperature=0.2`、`max_tokens=1600`、`thinking.type=disabled`。记录日期及本次复核日期为 2026 年 11 月 9 日。

**复核材料：** 九份 `DeepSeek_S?_?.json`，每份五轮，共45轮；45份 `roundN_response.json`、45份 `roundN_request.json`、`manifest.json`；`cars.json` 的 `teaching-cars-v1` 教学模拟数据及 `scenarios.json`。数据不是真实车型或市场报价。

## 一、方法与统计口径

逐轮核查候选、约束、最终选择、结构化对比参数及 `reason` 中的明确事实，重点关注预算口径、S2预算替换、S3无解、额外的优惠/保养/保值率/口碑断言与工具调用。

“理由有明确事实错误”指理由中的断言与本次固定数据或当前硬约束直接冲突。按**响应轮次**计数：一轮即使含多个相关错误，也只计一轮；按**任务**计数时，一任务任一轮出现上述错误即计一个任务。它们是本批次助手逐轮复核的描述统计，不是通用模型幻觉率，也不加入事先固定的规则分数。

## 二、关键发现

九个任务的自动规则分均为100分，结构化候选、约束状态、对比表和最终选择均符合题设。但 **S3第2次任务的第1、2、3、5轮理由错误地将远帆P5或其他插混车型称为“预算内”**。该场景预算始终为18.5万元，C03远帆P5的全款总支出为20.2万元，明显超过预算；其模拟裸车价18.8万元也没有低于18.5万元。

| 复核统计 | 结果 | 含义 |
| --- | ---: | --- |
| 已复核任务 | 9/9 | 每任务五轮 |
| 已复核响应 | 45/45 | 包含所有理由与相应结构化字段 |
| 含明确事实错误的理由轮次 | 4/45，约8.9% | 均出现在S3第2次任务 |
| 含上述错误的任务 | 1/9，约11.1% | 其余八任务未发现同类明确冲突 |
| 未发现明确事实错误的理由轮次 | 41/45 | 不等于普遍正确性的证明 |
| 自动规则完整成功 | 9/9 | 固定评分主要覆盖结构化候选、约束与参数表，不覆盖理由全部语义 |
| 参数表及决策受该文字错误影响 | 未观察到 | S3第2次仍正确返回空候选、空表和null最终选择 |

## 三、可引用的错误原文与证据

以下引文保留模型原文，不修正文案；完整上下文见[DeepSeek_S3_2.json](runs/DEEPSEEK_LIVE/20261109T133942732274Z/DeepSeek_S3_2.json)。

| 轮次 | 原文短摘 | 核验结果与解释 |
| --- | --- | --- |
| 第1轮，initial | “其余插混车型虽在预算内但仅5座” | 除两款七座插混外，固定库仅C03远帆P5属于插混；其总支出20.2万元，超过18.5万元，因此“在预算内”不成立。无解结论本身正确 |
| 第2轮，refine | “预算内的插混车型远帆P5仅5座” | “仅5座”正确，但“预算内”错误。该轮已明确保持18.5万元预算，没有用户授权提高预算 |
| 第3轮，refine | “预算内插混车型远帆P5总支出20.2万元也超预算且仅5座” | 20.2万元及5座数值正确，“预算内”与同句“也超预算”自相矛盾；属于理由语义错误，不能因参数数字正确而忽略 |
| 第5轮，final | “预算内插混车型远帆P5总支出20.2万元且仅5座” | 再次错误归类为预算内。最终ID仍为null，未把C03实际推荐为合规候选，但解释并非全部真实 |

第4轮已经正确写明远帆P5“仅5座且total_wan 20.2万元也超预算”，因此不把该轮计入错误轮次。以上错误并未显示为新车型或价格数字的捏造，而是**对预算是否满足的文字归类错误**。不能确定其来自模型内部何种机制；可能存在措辞延续等原因，但未经干预实验验证，只能列为假设。

对应单轮原始服务响应：

- [第1轮response](runs/DEEPSEEK_LIVE/20261109T133942732274Z/DeepSeek_S3_2_round1_response.json)。
- [第2轮response](runs/DEEPSEEK_LIVE/20261109T133942732274Z/DeepSeek_S3_2_round2_response.json)。
- [第3轮response](runs/DEEPSEEK_LIVE/20261109T133942732274Z/DeepSeek_S3_2_round3_response.json)。
- [第5轮response](runs/DEEPSEEK_LIVE/20261109T133942732274Z/DeepSeek_S3_2_round5_response.json)。

## 四、九任务逐项结果

每项均逐轮查看第1—5轮，包括候选和对比表。下表不重复自动评分权重，也不对错误任务事后改分。

| 任务 | 理由与关键约束核验 | 复核结论 | 原始任务证据 |
| --- | --- | --- | --- |
| S1第1次 | 首轮C01/C02合规；第二轮排除430km的C01；第三轮C02的4450mm和AEB合规；同时指出C07的24万元超预算、4900mm超限 | 五轮数值和明确事实有数据支撑，最终C02正确 | [DeepSeek_S1_1.json](runs/DEEPSEEK_LIVE/20261109T133942732274Z/DeepSeek_S1_1.json) |
| S1第2次 | 逐步新增续航、车长与AEB；C02的18.5万元、520km、4450mm、5座正确 | 五轮未发现明确事实冲突，最终C02正确 | [DeepSeek_S1_2.json](runs/DEEPSEEK_LIVE/20261109T133942732274Z/DeepSeek_S1_2.json) |
| S1第3次 | 排除C01续航不足和C07预算/尺寸超限；最终仅C02满足全部约束 | 五轮未发现明确事实冲突；“唯一”仅在固定教学库内成立 | [DeepSeek_S1_3.json](runs/DEEPSEEK_LIVE/20261109T133942732274Z/DeepSeek_S1_3.json) |
| S2第1次 | 初期C05/C06的23.0/25.5万元在26万元内；第三轮预算改23，C05保留、C06排除 | 五轮事实有支撑，处理预算更新及等号边界正确 | [DeepSeek_S2_1.json](runs/DEEPSEEK_LIVE/20261109T133942732274Z/DeepSeek_S2_1.json) |
| S2第2次 | 正确记录C05/C06的1050/1100km及AEB；降预算后C05为唯一合规候选 | 五轮未发现明确事实冲突，最终C05正确 | [DeepSeek_S2_2.json](runs/DEEPSEEK_LIVE/20261109T133942732274Z/DeepSeek_S2_2.json) |
| S2第3次 | 预算23万元替代26万元；C05总支出恰好为23万元；C06为25.5万元 | 五轮未发现明确事实冲突，明确接受等号边界且剔除旧候选 | [DeepSeek_S2_3.json](runs/DEEPSEEK_LIVE/20261109T133942732274Z/DeepSeek_S2_3.json) |
| S3第1次 | C05/C06超过18.5万元；C03仅5座且20.2万元也超预算；首轮建议今后调整需求，但未当作已确认变更 | 五轮理由有支撑；全程空候选、空表、null正确，未擅自放宽需求 | [DeepSeek_S3_1.json](runs/DEEPSEEK_LIVE/20261109T133942732274Z/DeepSeek_S3_1.json) |
| S3第2次 | 全程结构化无解结果正确，但第1/2/3/5轮理由将C03或其他插混误称预算内 | **四轮理由有明确事实错误**；第3轮还有句内自相矛盾，第4轮表述正确。保留原规则100分并单独报告语义缺陷 | [DeepSeek_S3_2.json](runs/DEEPSEEK_LIVE/20261109T133942732274Z/DeepSeek_S3_2.json) |
| S3第3次 | 始终说明七座插混C05/C06的23.0/25.5万元超预算；“预算内其他车型”未被误说为插混 | 五轮未发现明确事实冲突，全程无解正确 | [DeepSeek_S3_3.json](runs/DEEPSEEK_LIVE/20261109T133942732274Z/DeepSeek_S3_3.json) |

其余理由没有发现数据外的保养政策、保值率、优惠、补贴、故障率或品牌口碑断言。S3中建议今后提高预算或调整需求，是明确的条件修改建议；候选和最终选择仍为空，没有把建议冒充原约束已经满足。

## 五、工具与服务完成情况

检查45份请求：未提供 `tools` 或 `functions`。检查45份服务响应：没有非空 `tool_calls` 或 `function_call`，45轮结束原因为 `stop`；任务级 `tool_used` 均为 `false`。没有观察到额外模型工具调用污染。该结论基于保存的请求与响应，不声称能够观察平台内部全部实现。

请求及返回均记为 `deepseek-flash`，该标识不是独立核验的固定后端权重快照。正式API调用与GPT的Codex框架、外显历史重放方式和可配置参数不同，不能把双方token或端到端耗时直接解释为纯模型效率差异。

## 六、对博客结论的意义

本批次说明，**自动规则满分与正确最终决策仍可能伴随理由中的事实错误**。应在博客中分别报告结构化任务成功与理由复核结果，保留S3第2次的原始错误作为实际案例，不重写原文或事后更改权重来迎合结论。

工程改进可以让程序先为候选及被排除车型生成“总支出是否≤预算”等确定性事实，再要求模型引用这些事实解释，并另行检查解释是否与事实表一致。该方案尚未通过新的对照实验验证，不能预填效果提升。当前每场景仅三次、数据仅八条；4/45与1/9只描述本批次，不能当作模型总体错误率。