DeepSeek逆勢破局：開源模型的反擊與Agent新賽道

哈嘍，大家好，桿哥這篇評論，主要來分析DeepSeek逆勢破局：開源模型的反擊與Agent新賽道

2025年末，Google Gemini 3 Pro橫空出世，讓開源模型陷入“是否已到極限”的質疑。就在此時，12月1日DeepSeek一舉發布V3.2和Speciale兩款模型，給開源陣營注入強心劑。

這不僅是一次常規更新，更是對閉源技術高地的正面回應，也拋出了行業新命題：后Scaling時代，開源模型的破局路在哪？

架構重塑：不堆算力的“反超”邏輯

DeepSeek-V3.2在推理類基準測試中全面對標GPT-5，僅略遜于Gemini 3 Pro，還刷新了國內開源模型推理紀錄。

關鍵突破在于自研的稀疏注意力機制（DSA），它把傳統

Transformer平方級的計算復雜度，降到了近線性。通過“閃電索引器”篩選核心token再精算，即便128K超長上下文也能保持效率。

團隊采用“密集預熱—稀疏過渡”策略，先讓索引器模仿原始分布，再逐步替換結構，既提效又保精度，長文本任務得分顯著上升。

押注Agent：從“插件”到核心引擎

V3.2最關鍵的轉向，是將Agent能力與推理能力并列作為核心指標。這并非跟風，而是瞄準了產業落地的關鍵。

企業已不再滿足于“聰明的聊天機器人”，而是愿意為自動寫報告、批量修代碼等“可執行”的Agent付費。DeepSeek為此搭建了1800多個智能體環境，生成8.5萬條高復雜度任務提示。

自研的GRPO強化學習策略解決了訓練穩定性問題，多維獎勵信號避免“災難性遺忘”，讓模型在多輪任務中保持邏輯連貫。

后訓練戰術：開源模型的“以巧勝拙”

DeepSeek坦言，開源模型在知識廣度等維度仍落后閉源，但他們用“后訓練三件套”實現了突圍。

先通過6類專家模型蒸餾出高質量樣本，再用超預訓練10%算力的強化學習優化，最后融合“工具中思考”機制。模型不再“思考完再調用工具”，而是邊調用邊思考，減少重復推理。

這種策略提升了“單位token智能密度”，在SWE-Verified等Agent基準上，V3.2解決率達73.1%，接近GPT-5的74.9%。

開源未到終局：兩種路線的博弈

Gemini 3 Pro代表閉源“更大更快更強”的路徑，而DeepSeek走出了“更輕更穩更聰明”的開源新方向。

當然差距仍存在，V3.2世界知識廣度不足，Speciale模型token開銷偏高。但它證明，規模紅利見頂后，架構創新和訓練策略優化能打開新空間。

這場反擊不僅讓開源陣營重拾信心，更指明了未來方向：AI競爭已從“參數多少”轉向“思維組織力”與“能效比”的較量。