近期，人工智能領域開源模型與閉源模型的競爭愈發激烈，開源模型一度面臨被拉開差距的壓力。不過，一家名為DeepSeek的公司憑借新發布的兩款模型，為開源陣營注入強勁動力，引發行業高度關注。
此次發布的兩款模型分別為DeepSeek V3.2和DeepSeek-V3.2-Speciale。其中，DeepSeek V3.2展現出與GPT-5相當的實力，而高性能版DeepSeek-V3.2-Speciale更是表現亮眼，直接超越GPT系列，與被視為閉源模型天花板的Gemini系列打成平手。不僅如此，這兩款模型還在IMO 2025（國際數學奧林匹克）、CMO 2025（中國數學奧林匹克）等一系列權威賽事中斬獲金牌，成績斐然。
值得一提的是，這是DeepSeek今年第九次發布新模型，盡管備受期待的R2模型尚未現身，但此次發布的新模型已足夠令人驚喜。人們不禁好奇，DeepSeek究竟是如何憑借更小的數據量和更少的顯卡資源，打造出能與國際巨頭抗衡的模型？
深入探究發現，DeepSeek為達成這一目標，在技術層面進行了諸多創新。首先，他們將稀疏注意力（DSA）技術正式應用于主力模型。稀疏注意力并非首次出現，在之前的V3.2-EXP版本中，DeepSeek僅對其進行測試，驗證其對模型性能的影響，如今則將其全面融入主力模型。在日常使用大模型時，用戶常遇到這樣的問題：隨著對話內容增多，模型回答逐漸混亂，甚至直接拒絕繼續交流。這源于大模型原生注意力機制的缺陷，在該機制下，每個新生成的token都要與之前所有token進行計算，導致句子長度增加時，模型計算量呈平方級增長，例如句子長度翻倍，計算量增至四倍，長度變為三倍，計算量則變為九倍，嚴重影響模型處理長文本的能力。而稀疏注意力技術相當于為大模型添加了固定頁數的“目錄”，幫助模型篩選重點內容。此后，模型只需計算當前token與“目錄”的關系，如同閱讀時先看目錄，再根據興趣深入閱讀相應章節，從而顯著提升大模型處理長文本的能力。相關數據表明，隨著句子長度增加，傳統V3.1模型的推理成本不斷攀升，而采用稀疏注意力的V3.2模型推理成本則基本保持穩定，有效降低了計算資源消耗。
除了優化注意力機制，DeepSeek還高度重視開源模型的后訓練工作。大模型的訓練過程類似于人類的學習歷程，大規模預訓練如同從小學到高二的知識積累階段，無論是閉源模型還是開源模型，在此階段都需全面學習各類知識。然而，在高考沖刺階段，即模型的后訓練階段，閉源模型通常會投入大量資源，采用強化學習等方法進行針對性訓練，以提升模型在特定任務上的表現。相比之下，開源模型在此階段的投入相對較少，導致模型雖具備基礎能力，但在解決復雜問題時表現欠佳。為彌補這一短板，DeepSeek設計了一套全新的強化學習協議，在預訓練結束后，投入超過總訓練算力10%的資源對模型進行強化訓練，有效提升了模型應對復雜問題的能力。同時，DeepSeek還推出了擅長長時間思考的特殊版本——DeepSeek V3.2 Speciale。傳統大模型因上下文長度限制，在訓練過程中會對深度思考內容進行標注懲罰，思考內容過長則扣分。而DeepSeek V3.2 Speciale取消了這一限制，鼓勵模型自由思考，充分發揮其潛力，最終使其能夠與Gemini 3一較高下。
在智能體能力方面，DeepSeek同樣不遺余力。一方面，為提升模型基礎能力，DeepSeek構建虛擬環境，合成大量數據用于輔助訓練。具體而言，DeepSeek-V3.2使用了24667個真實代碼環境任務、50275個真實搜索任務、4417個合成通用agent場景以及5908個真實代碼解釋任務進行后訓練。另一方面，DeepSeek優化了模型調用工具的流程。此前幾代模型存在一個明顯問題：將思考與調用工具過程分離，模型調用外部工具后，需重新構建推理鏈，導致效率低下，即使是簡單查詢，如詢問日期，模型也需從頭開始推理。為解決這一問題，DeepSeek對模型架構進行改進，在工具調用過程中，模型的思考過程得以保留，工具調用記錄和結果也會像聊天記錄一樣保留在上下文中，僅在用戶提出新問題時重置推理鏈，大大提高了模型使用工具的效率。
盡管DeepSeek的新模型取得顯著進步，但仍存在一些不足。例如，在與Gemini 3 Pro的對比測試中，面對同一道復雜題目，Gemini 3 Pro僅需4972個Tokens即可給出答案，而DeepSeek V3.2 Speciale則需要8077個Tokens，消耗量高出近六成。不過，從成本角度看，DeepSeek具有明顯優勢。在該測試中，DeepSeek 8000多個Tokens僅花費0.0032美元，而Gemini 3 Pro不到5000個Tokens卻消耗0.06美元，成本高出約20倍。這一對比凸顯出DeepSeek在性價比方面的競爭力。
在開源模型與閉源模型差距逐漸擴大的背景下，DeepSeek憑借持續的技術創新和優化策略，不斷縮小這一差距。其一系列舉措，如從V2的MoE架構，到V3的多頭潛在注意力（MLA），再到如今DeepSeek Math V2的自驗證機制以及V3.2的稀疏注意力（DSA），都展現出其在算法研究方面的深厚實力。DeepSeek致力于在有限數據資源的基礎上，挖掘更多智能潛力，為人工智能領域的發展提供了新的思路和方向。人們不禁期待，DeepSeek未來還將帶來哪些驚喜，尤其是備受矚目的R2模型何時能夠亮相。
