DeepSeek-V3.2 在推理任務中的表現優于 GPT-5

作者 | Anthony Alford

譯者 | 平川

DeepSeek 發布 DeepSeek-V3.2，這是一個開源的推理和代理 AI 模型家族。在多項推理基準測試中，其高性能計算版本 DeepSeek-V3.2-Speciale 表現優于 GPT-5，與 Gemini-3.0-Pro 相當。

DeepSeek 在開發 DeepSeek-V3.2 時應用了三項新技術。首先，他們使用了一種更高效的注意力機制，稱為 DeepSeek 稀疏注意力（DSA），這降低了模型的計算復雜性。他們還擴展了強化學習階段，使其消耗的計算資源超過了預訓練。最后，為了改進模型使用工具的能力，他們開發了一個代理任務合成管道。最終，該模型在一系列編碼、推理和代理基準測試中的表現超過了其他大多數開源模型，并且與 GPT-5 和 Gemini-3.0-Pro 等前沿閉源模型持平或更好。不過，DeepSeek 團隊指出：

盡管取得了這些成果，我們承認，DeepSeek 與前沿封閉源模型相比還存在某些局限性……首先，由于訓練過程的 FLOP 總數較少，DeepSeek-V3.2 在世界知識的廣度方面仍然落后于領先的專有模型。在未來的迭代中，我們計劃通過擴大預訓練的計算量來解決這一知識差距問題。其次，令牌效率仍然是一個挑戰……未來的工作將專注于優化模型推理鏈的智能密度以提高效率。第三，解決復雜任務的能力仍然不如前沿模型，這激勵我們進一步完善我們的基礎模型和后訓練方法。

InfoQ 報道過 DeepSeek 之前的幾個版本，包括最初的 DeepSeek-V3 以及他們的第一個推理模型 DeepSeek-R1。這兩個版本都是在 2025 年初發布的。2025 年晚些時候，InfoQ 報道了 DeepSeek-V3.1，這是一個混合推理模型，在單一系統中融合了思考模式與非思考模式。

DeepSeek-V3.2 基準測試性能（圖片來源：DeepSeek 技術報告）

DeepSeek-V3.2 使用的架構與 DeepSeek-V3.1 相同，只是使用了新的 DSA 注意力機制。團隊從 DeepSeek-V3.1 的一個檢查點入手，在繼續預訓練并生成 DeepSeek-V3.2 之前，將上下文長度擴展到了 128K。新的注意力機制將計算復雜性從 O(L^2) 降低到了 O(Lk)，其中 L 是上下文長度，k<

對于后訓練，團隊使用了專家蒸餾（specialist distillation）技術。他們訓練了一組專門針對特定領域的專家模型：編碼、數學運算和幾個代理任務。然后，這些專家模型生成合成訓練數據，用于微調主模型。

在 Hacker News 上關于 DeepSeek-V3.2 的討論中，部分用戶指出了高性能開源模型的優勢。一位用戶寫道：

如果你試圖構建基于 AI 的應用程序，你應該比較基于供應商的解決方案和使用自己的硬件托管開源模型之間的成本……然后將其與 GPT-5 的成本進行比較，這比較簡單，因為每（百萬）令牌的成本可以從網站上獲取。運行 DeepSeek（或更成熟的 Qwen3）這類系統能為你節省的云服務開支，絕對超乎想象……DeepSeek 和 Qwen 能在廉價 GPU 上流暢運行，而其他模型會直接卡死。

DeepSeek-V3.2 模型文件可以從 Huggingface 上下載，但高計算資源版本 DeepSeek-V3.2-Speciale 目前僅通過 DeepSeek 的 API 提供。

https://www.infoq.com/news/2026/01/deepseek-v32/

聲明：本文為 InfoQ 翻譯，未經許可禁止轉載。