近期，人工智能領(lǐng)域開源模型與閉源模型的競爭愈發(fā)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(fā)布的兩款模型，為開源陣營注入強(qiáng)勁動力，引發(fā)行業(yè)高度關(guān)注。

此次發(fā)布的兩款模型分別為DeepSeek V3.2和DeepSeek-V3.2-Speciale。其中，DeepSeek V3.2展現(xiàn)出與GPT-5相當(dāng)?shù)膶?shí)力，而高性能版DeepSeek-V3.2-Speciale更是表現(xiàn)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(shù)學(xué)奧林匹克）、CMO 2025（中國數(shù)學(xué)奧林匹克）等一系列權(quán)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(fā)布新模型，盡管備受期待的R2模型尚未現(xiàn)身，但此次發(fā)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(shù)據(jù)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(fā)現(xiàn)，DeepSeek為達(dá)成這一目標(biāo)，在技術(shù)層面進(jìn)行了諸多創(chuàng)新。首先，他們將稀疏注意力（DSA）技術(shù)正式應(yīng)用于主力模型。稀疏注意力并非首次出現(xiàn)，在之前的V3.2-EXP版本中，DeepSeek僅對其進(jìn)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(nèi)容增多，模型回答逐漸混亂，甚至直接拒絕繼續(xù)交流。這源于大模型原生注意力機(jī)制的缺陷，在該機(jī)制下，每個新生成的token都要與之前所有token進(jìn)行計算，導(dǎo)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?yōu)槿叮嬎懔縿t變?yōu)榫疟叮瑖?yán)重影響模型處理長文本的能力。而稀疏注意力技術(shù)相當(dāng)于為大模型添加了固定頁數(shù)的“目錄”，幫助模型篩選重點(diǎn)內(nèi)容。此后，模型只需計算當(dāng)前token與“目錄”的關(guān)系，如同閱讀時先看目錄，再根據(jù)興趣深入閱讀相應(yīng)章節(jié)，從而顯著提升大模型處理長文本的能力。相關(guān)數(shù)據(jù)表明，隨著句子長度增加，傳統(tǒng)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(wěn)定，有效降低了計算資源消耗。

除了優(yōu)化注意力機(jī)制，DeepSeek還高度重視開源模型的后訓(xùn)練工作。大模型的訓(xùn)練過程類似于人類的學(xué)習(xí)歷程，大規(guī)模預(yù)訓(xùn)練如同從小學(xué)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(xué)習(xí)各類知識。然而，在高考沖刺階段，即模型的后訓(xùn)練階段，閉源模型通常會投入大量資源，采用強(qiáng)化學(xué)習(xí)等方法進(jìn)行針對性訓(xùn)練，以提升模型在特定任務(wù)上的表現(xiàn)。相比之下，開源模型在此階段的投入相對較少，導(dǎo)致模型雖具備基礎(chǔ)能力，但在解決復(fù)雜問題時表現(xiàn)欠佳。為彌補(bǔ)這一短板，DeepSeek設(shè)計了一套全新的強(qiáng)化學(xué)習(xí)協(xié)議，在預(yù)訓(xùn)練結(jié)束后，投入超過總訓(xùn)練算力10%的資源對模型進(jìn)行強(qiáng)化訓(xùn)練，有效提升了模型應(yīng)對復(fù)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(tǒng)大模型因上下文長度限制，在訓(xùn)練過程中會對深度思考內(nèi)容進(jìn)行標(biāo)注懲罰，思考內(nèi)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(fā)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(chǔ)能力，DeepSeek構(gòu)建虛擬環(huán)境，合成大量數(shù)據(jù)用于輔助訓(xùn)練。具體而言，DeepSeek-V3.2使用了24667個真實(shí)代碼環(huán)境任務(wù)、50275個真實(shí)搜索任務(wù)、4417個合成通用agent場景以及5908個真實(shí)代碼解釋任務(wù)進(jìn)行后訓(xùn)練。另一方面，DeepSeek優(yōu)化了模型調(diào)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(diào)用工具過程分離，模型調(diào)用外部工具后，需重新構(gòu)建推理鏈，導(dǎo)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(gòu)進(jìn)行改進(jìn)，在工具調(diào)用過程中，模型的思考過程得以保留，工具調(diào)用記錄和結(jié)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(jìn)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(fù)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(yōu)勢。在該測試中，DeepSeek 8000多個Tokens僅花費(fèi)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(kuò)大的背景下，DeepSeek憑借持續(xù)的技術(shù)創(chuàng)新和優(yōu)化策略，不斷縮小這一差距。其一系列舉措，如從V2的MoE架構(gòu)，到V3的多頭潛在注意力（MLA），再到如今DeepSeek Math V2的自驗證機(jī)制以及V3.2的稀疏注意力（DSA），都展現(xiàn)出其在算法研究方面的深厚實(shí)力。DeepSeek致力于在有限數(shù)據(jù)資源的基礎(chǔ)上，挖掘更多智能潛力，為人工智能領(lǐng)域的發(fā)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。