廣東
ChatGPT 誕生三周年之際，DeepSeek 送上「慶生禮物」。
：DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale。這兩個模型不僅在推理能力上直逼 GPT-5 和 Gemini-3.0-Pro，更重要的是，它們解決了一個困擾開源模型很久的問題：
怎么讓 AI 既會深度思考，又會熟練使用工具?
新模型省流版如下
DeepSeek-V3.2（標準版）：主打性價比與日常使用，推理能力達到 GPT-5 水平，比 Kimi-K2-Thinking 輸出更短、更快且更省成本，并首次實現(xiàn)「邊思考邊用工具」。官網(wǎng)、APP、API 均已升級到該版本，適用于日常問答、寫作和 Agent 任務。
DeepSeek-V3.2-Speciale（終極增強版）：面向 AI 能力上限探索，性能媲美 Gemini-3.0-Pro，在 2025 IMO、IOI、ICPC 中均獲金牌（IOI 排人類第 10，ICPC 排第 2）。僅提供臨時 API，思考鏈長、Token 消耗大、成本高，不支持工具調(diào)用，也未優(yōu)化日常對話，服務至 2025 年 12 月 15 日截止。
兩個模型的權(quán)重都已經(jīng)在 HuggingFace 和 ModelScope 上開源，你可以下載到本地部署。
慢、笨、呆？DeepSeek V3.2 上新黑科技
過去幾個月，AI 圈出現(xiàn)了一個明顯的趨勢：閉源模型越跑越快，開源模型卻有點跟不上節(jié)奏了。DeepSeek 團隊分析后發(fā)現(xiàn)，開源模型在處理復雜任務時有三個核心瓶頸：架構(gòu)問題、資源分配以及智能體能力。
針對這三個問題，DeepSeek 這次拿出了三個大招。
如果你用過一些 AI 模型處理超長文檔，可能會發(fā)現(xiàn)速度越來越慢，甚至直接卡死。這就是傳統(tǒng)注意力機制的鍋。
傳統(tǒng)注意力機制的邏輯是：每個字都要和之前所有的字計算相關(guān)性。文檔越長，計算量就越大。就像你在一個有 1000 人的微信群里找人聊天，每次說話前都要挨個確認這 1000 個人是不是你要找的那個，這顯然是一件十分費勁的事情。
DeepSeek 這次引入的 DSA(稀疏注意力機制)換了個思路：不需要關(guān)注每一個字，只關(guān)注那些真正重要的部分。
它的核心是一個叫「閃電索引器」的東西。
這個索引器會快速給每個字打個分，然后只挑出分數(shù)最高的那些字來計算注意力。就像你在 1000 人的群里，先用搜索功能篩出名字里帶「張」的，然后再從這 50 個人里找你要的那個張三，效率立馬上去了。
更聰明的是，閃電索引器使用的計算資源很少，而且支持 FP8 精度計算 (一種低精度但高效的計算方式)，所以它本身不會成為新的性能瓶頸。
實際效果呢?V3.2 支持 128K 上下文長度，相當于一本中篇小說的長度，但處理速度和效率都大幅提升。而且根據(jù)官方在各種場景下的測試，DSA 版本的表現(xiàn)完全不輸傳統(tǒng)注意力機制，有些場景甚至更好。
V3.2 是在上一版 V3.1-Terminus 的基礎(chǔ)上，通過持續(xù)訓練引入 DSA 的。整個過程分兩個階段，都用了和 V3.1-Terminus 擴展到 128K 時一模一樣的數(shù)據(jù)分布，保證了模型能力的平滑過渡。
此外，光有好架構(gòu)還不夠，訓練也得跟上。
開源模型和閉源模型之間的另一道鴻溝在于：開源模型在訓練后期投入的計算資源太少了。就像蓋房子，預算花完了，裝修就隨便搞搞，最后住進去發(fā)現(xiàn)到處是問題。
技術(shù)報告顯示，DeepSeek 在后訓練階段投入的計算預算超過了預訓練成本的 10%。但砸錢也是門技術(shù)活。DeepSeek 構(gòu)建了一個「穩(wěn)定且可擴展的強化學習訓練框架」，這個框架有兩個特點。
一是穩(wěn)定。強化學習訓練本身就不太穩(wěn)定，容易出現(xiàn)訓練崩潰、性能波動等問題。DeepSeek 的框架能在大規(guī)模計算下保持訓練穩(wěn)定，這本身就是技術(shù)突破。
二是可擴展。這個框架允許后訓練階段的計算預算大幅超過傳統(tǒng)做法，從而釋放出模型的高級能力。
具體訓練流程分兩步走。
第一步是「專家蒸餾」。他們在數(shù)學、編程、邏輯推理、智能體任務等六大專業(yè)領(lǐng)域，分別訓練出專用的專家模型。每個專家模型都在大規(guī)模強化學習計算下訓練完成，而且分別針對「思維模式」(長鏈式思考) 和「非思維模式」(直接回答) 生成訓練數(shù)據(jù)。
專家模型訓練好后，就用它們來生成最終模型的訓練數(shù)據(jù)。實驗結(jié)果顯示，用這些專家蒸餾數(shù)據(jù)訓練出的模型，性能只是略低于對應的專家模型，而且這點差距在后續(xù)的強化學習訓練中可以被抹平。
第二步是「混合強化學習訓練」。DeepSeek 繼續(xù)使用 GRPO(Group Relative Policy Optimization) 作為主要訓練算法，把推理任務、智能體任務和人類偏好對齊任務統(tǒng)一整合到一個強化學習階段。
這種統(tǒng)一訓練的好處是既能提升不同任務領(lǐng)域的性能，又能避免傳統(tǒng)多階段訓練中常見的「災難性遺忘」問題。你可以把它理解為：AI 在學新技能的同時，不會把舊技能忘掉。
在推理和智能體任務中，他們用基于規(guī)則的結(jié)果獎勵、輸出長度懲罰、語言一致性獎勵來引導模型學習。而在通用任務中，則用生成式獎勵模型，根據(jù)每個提示分別定義評價標準。
V3.2 就是在這種混合強化學習下，經(jīng)過上千步訓練得到的穩(wěn)定版本。而 Speciale 版本則更激進，它只在推理任務數(shù)據(jù)上訓練，降低了輸出長度懲罰，還引入了 DeepSeekMath-V2 的數(shù)據(jù)集和獎勵機制，進一步增強數(shù)學證明能力。
結(jié)果就是：V3.2 的推理能力直接追上了 GPT-5，而 Speciale 版本因為放開了思考長度限制，性能更是逼近 Gemini-3.0-Pro。
思考+工具調(diào)用：AI 學會「邊想邊做」了
以前的 DeepSeek 模型有個尷尬的問題：進入「思考模式」后，就不能調(diào)用搜索、代碼執(zhí)行等工具了。就像一個人陷入沉思后，手就不會動了。這顯然不符合我們解決復雜問題的方式。
現(xiàn)實中我們遇到難題時，往往是邊想邊查資料，邊分析邊驗證，思考和行動是交織在一起的。AI 也應該如此。
DeepSeek 團隊發(fā)現(xiàn)，如果直接復刻 DeepSeek-R1 的策略 (收到第二輪消息后丟棄此前的推理內(nèi)容)，會嚴重降低 Token 使用效率。這種方法會迫使模型在每次調(diào)用工具時都要從頭開始重復推理整個問題，造成資源浪費。
他們專門為工具調(diào)用場景設計了一套「思考上下文管理機制」。
核心邏輯是：只有在用戶發(fā)出新消息時，歷史推理內(nèi)容才會被清除。如果只是追加了工具相關(guān)的信息 (比如工具輸出結(jié)果)，則保留此前的推理內(nèi)容，讓推理過程可以持續(xù)。
同時，當推理內(nèi)容被移除時，工具調(diào)用歷史和工具返回的結(jié)果仍會保留在上下文中，確保模型在后續(xù)推理中仍能基于已有信息進行判斷。
這樣一來，AI 就可以：先思考一會兒，調(diào)用工具 (比如搜索、運行代碼)，看到結(jié)果后繼續(xù)思考，再調(diào)用工具，如此往復。而且歷史推理內(nèi)容會保留，不需要每次調(diào)工具后都從頭重新思考。
官方給的例子很生動：規(guī)劃一個復雜的三天旅行，要滿足各種預算約束、評分要求、不重復原則。比如第二天，如果訂了豪華酒店 (800 元以上)，那午餐晚餐總費用不能超過 350 元，餐廳評分都要 4.0 分以上，下午景點門票要低于 120 元。如果是中高檔酒店 (500 到 800 元)，至少一家餐廳評分要達到 4.0 分，景點門票要低于 180 元。
這種任務需要 AI 反復查詢酒店、餐廳、景點信息，同時進行邏輯推理和約束檢查。V3.2 可以邊搜索邊思考，最終給出完美答案。
不過要注意一點：有些智能體框架 (比如 Roo Code 或 Terminus) 是通過用戶消息來模擬工具交互的。這種架構(gòu)由于其上下文管理方式，可能無法充分利用推理內(nèi)容保留機制的優(yōu)勢。對于這類系統(tǒng)，官方建議優(yōu)先使用「非思維模式」。
V3.2 的思考模式已經(jīng)支持 Claude Code，可以在命令行工具中使用。但 Cline、RooCode 等使用非標準工具調(diào)用的組件還不太適配，使用時要注意。
在實現(xiàn)「思考+工具調(diào)用」的過程中，DeepSeek 還做了一個巧妙的設計叫「冷啟動」?？紤]到手頭已有兩類數(shù)據(jù) (一種是帶推理過程的非智能體數(shù)據(jù)，另一種是沒有推理過程的智能體任務數(shù)據(jù))，他們通過精心設計提示詞把兩者結(jié)合起來。
他們認為，模型已經(jīng)具備了較強的指令理解能力，只需通過明確的指令，就能讓模型在推理過程中自然地整合工具的執(zhí)行。這使得「工具使用」可以無縫融入到「推理過程」之中，實現(xiàn)冷啟動階段的能力融合。
大規(guī)模智能體任務：讓 AI 自己訓練自己
在提升大模型能力這件事上，DeepSeek 走了一條不太一樣的路——不是人類教 AI，而是讓 AI 自己訓練自己。
他們搭建了一條大規(guī)模的智能體任務流水線，創(chuàng)造了超過 1800 個虛擬環(huán)境和 8 萬多條任務。這些任務有個共同特點：難解答，但容易驗證。什么意思？就是題目很復雜，但答案對不對，一查就知道。這樣一來，AI 就可以無限制地刷題、改題、復盤，不斷強化自己的推理能力。
在這條流水線上，不同智能體扮演著不同角色：有的負責從互聯(lián)網(wǎng)挖掘知識、提出問題；有的負責生成各種答案；還有的負責驗證答案是否正確。只有通過驗證的數(shù)據(jù)，才會進入訓練集。這讓模型越訓越聰明，而且不會學偏。
更硬核的是代碼領(lǐng)域。DeepSeek 直接從 GitHub 上抓取真實的 Issue 和修復補丁，讓智能體搭建測試環(huán)境、安裝依賴、運行測試用例，確保修 bug 真的有效、沒有引入新問題。經(jīng)過這一輪又一輪的自動化淬火，模型在多種編程語言里獲得了可實戰(zhàn)的能力。
最后，是最令人驚嘆的部分——通用智能體。它不僅能解題，還能自動生成任務、工具和驗證邏輯。給它一個任務類型，比如旅行規(guī)劃，它會自己搜集數(shù)據(jù)、生成工具、提升難度、迭代解法，直到形成完整的任務體系。最終，它創(chuàng)造出上千個環(huán)境和任務，真正實現(xiàn)了 AI 生成訓練 AI 的世界。
一句話總結(jié)：DeepSeek 把訓練過程從「人喂數(shù)據(jù)」變成了「AI 創(chuàng)造數(shù)據(jù)、驗證數(shù)據(jù)、用數(shù)據(jù)變強」。這不僅提升了模型的邏輯能力，也讓 AI 開始具備一種以前不存在的特征——自我進化。
測試結(jié)果有多炸裂?
在推理能力測試上，V3.2 在 MMLU-Pro、GPQA Diamond、LiveCodeBench 等多個基準測試中的表現(xiàn)可與 GPT-5 和 Kimi-k2-thinking 媲美。而 Speciale 版本在這些測試中的得分則接近甚至超過 Gemini-3.0-Pro。
在智能體能力測試上，V3.2 在開源模型中達到了最高水平，大幅縮小了與閉源模型的差距。在 τ2-Bench 測試中，V3.2 讓模型本身充當用戶智能體，在航空類別得了 63.8 分，零售類別 81.1 分，電信類別 96.2 分。
對于 MCP 基準測試，他們使用函數(shù)調(diào)用格式。
測試過程中發(fā)現(xiàn) V3.2 經(jīng)常進行冗余的自我驗證操作，導致生成的操作軌跡過長。這種行為在 MCP-Mark GitHub 和 Playwright 評估等任務中，容易使上下文長度超出 128K 的限制，從而影響最終性能表現(xiàn)。
不過通過引入上下文管理策略，可以進一步提升模型表現(xiàn)。
即便存在這個問題，V3.2 的整體表現(xiàn)仍顯著優(yōu)于當前所有開源模型。而且這些基準測試中使用的環(huán)境和工具集，并未出現(xiàn)在模型的強化學習訓練階段，說明 V3.2 具備將推理策略泛化到「領(lǐng)域外智能體任務」的能力。
Speciale 版本的表現(xiàn)更是驚人。它通過支持更多推理 Token，取得了超越 Gemini-3.0-Pro 的性能。在未進行任何專項訓練的前提下，就在 2025 年 IOI、ICPC 世界總決賽拿到金牌水平的成績。
在 ICPC 世界總決賽中，Speciale 排名第 2；在 IOI 中排名第 10。而且結(jié)合 DeepSeekMath-V2 的方法后，Speciale 在復雜數(shù)學證明任務中的表現(xiàn)也非常出色，在 2025 年 IMO 和 CMO 也達到金牌門檻。
官方評估的是 CMO 2025 的英文版本。IMO 2025 與 CMO 2025 的題目及模型推理代碼已經(jīng)在 GitHub 上開源。
不過 Speciale 的 Token 使用效率顯著低于 Gemini-3.0-Pro。在訓練官方版本 V3.2 時，他們引入了更嚴格的 Token 限制，以降低部署成本與響應延遲，在性能與效率之間找到最優(yōu)平衡。
為驗證「AI 訓練 AI」到底有沒有用，他們做了兩組實驗。
第一組從合成的智能體任務里隨機抽了 50 個實例，讓各種前沿模型去做題，結(jié)果 V3.2-Exp 只答對了 12%，閉源最強也只有 62%，這說明這些任務不是「拼字游戲」，是真的難。
第二組實驗更狠，他們把 V3.2 的基礎(chǔ)模型放進去，只用合成任務做強化學習，不引入鏈式思考或其他訓練數(shù)據(jù)。最后結(jié)果顯示：基于合成數(shù)據(jù)的大規(guī)模強化學習顯著提升了模型在泛化任務上的表現(xiàn)。
那么 DeepSeek V3.2 還有改進空間嗎?
有的。
官方承認，V3.2 與頂級閉源模型 (比如 Gemini-3.0-Pro) 仍存在一定差距。
訓練總浮點運算量更少，導致 V3.2 在世界知識覆蓋廣度方面仍略顯不足。他們計劃在未來版本中通過擴大預訓練階段的計算資源投入，來逐步彌補這個短板。
Token 效率也是一個挑戰(zhàn)。和 Gemini-3.0-Pro 等模型相比，V3.2 往往需要更長的生成路徑 (也就是更多的 Token) 才能達到相似的輸出質(zhì)量。未來的工作重點之一，是優(yōu)化模型推理鏈中的「智能密度」，提升效率。
在解決復雜任務方面，V3.2 仍然不及最前沿模型，這也促使他們進一步優(yōu)化底層基礎(chǔ)模型與后訓練方法。（所以這是不是在暗示 V4？ ）
但考慮到這是開源模型，V3.2 的表現(xiàn)已經(jīng)相當炸裂了。
從 R1 到現(xiàn)在的 V3.2，DeepSeek 一直在證明一件事：開源模型不是閉源的廉價替代品，而是可以真正接近甚至超越閉源模型的存在。
這次 V3.2 的發(fā)布，不僅在推理能力上追平了 GPT-5，還實現(xiàn)了「思考+工具調(diào)用」的完美融合，同時在世界級競賽中拿到金牌。
更重要的是，這一切都是開源的。
任何人都可以部署到自己的服務器上，研究它的架構(gòu)，甚至基于它做二次開發(fā)。AI 的未來，可能真的屬于開源。
技術(shù)報告已發(fā)布，感興趣的讀者可以在 DeepSeek 官網(wǎng)或 HuggingFace 查看完整論文：
DeepSeek-V3.2：https://huggingface.co/deepseek-ai/DeepSeek-V3.2
DeepSeek-V3.2-Speciale：https://huggingface.co/deepseek-ai/DeepSeek-V3.2-Speciale
技術(shù)報告：https://modelscope.cn/models/deepseek-ai/DeepSeek-V3.2/resolve/master/assets/paper.pdf
歡迎加入 APPSO AI 社群，一起暢聊 AI 產(chǎn)品，獲取，解鎖更多 AI 新知
我們正在招募伙伴
簡歷投遞郵箱hr@ifanr.com
?? 郵件標題「姓名+崗位名稱」（請隨簡歷附上項目/作品或相關(guān)鏈接）
特別聲明：以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
