近期，人工智能领域开源模型与闭源模型的竞争愈发激烈，开源模型一度面临被拉开差距的压力。不过，一家名为DeepSeek的公司凭借新发布的两款模型，为开源阵营注入强劲动力，引发行业高度关注。
此次发布的两款模型分别为DeepSeek V3.2和DeepSeek-V3.2-Speciale。其中，DeepSeek V3.2展现出与GPT-5相当的实力，而高性能版DeepSeek-V3.2-Speciale更是表现亮眼，直接超越GPT系列，与被视为闭源模型天花板的Gemini系列打成平手。不仅如此，这两款模型还在IMO 2025（国际数学奥林匹克）、CMO 2025（中国数学奥林匹克）等一系列权威赛事中斩获金牌，成绩斐然。
值得一提的是，这是DeepSeek今年第九次发布新模型，尽管备受期待的R2模型尚未现身，但此次发布的新模型已足够令人惊喜。人们不禁好奇，DeepSeek究竟是如何凭借更小的数据量和更少的显卡资源，打造出能与国际巨头抗衡的模型？
深入探究发现，DeepSeek为达成这一目标，在技术层面进行了诸多创新。首先，他们将稀疏注意力（DSA）技术正式应用于主力模型。稀疏注意力并非首次出现，在之前的V3.2-EXP版本中，DeepSeek仅对其进行测试，验证其对模型性能的影响，如今则将其全面融入主力模型。在日常使用大模型时，用户常遇到这样的问题：随着对话内容增多，模型回答逐渐混乱，甚至直接拒绝继续交流。这源于大模型原生注意力机制的缺陷，在该机制下，每个新生成的token都要与之前所有token进行计算，导致句子长度增加时，模型计算量呈平方级增长，例如句子长度翻倍，计算量增至四倍，长度变为三倍，计算量则变为九倍，严重影响模型处理长文本的能力。而稀疏注意力技术相当于为大模型添加了固定页数的“目录”，帮助模型筛选重点内容。此后，模型只需计算当前token与“目录”的关系，如同阅读时先看目录，再根据兴趣深入阅读相应章节，从而显著提升大模型处理长文本的能力。相关数据表明，随着句子长度增加，传统V3.1模型的推理成本不断攀升，而采用稀疏注意力的V3.2模型推理成本则基本保持稳定，有效降低了计算资源消耗。
除了优化注意力机制，DeepSeek还高度重视开源模型的后训练工作。大模型的训练过程类似于人类的学习历程，大规模预训练如同从小学到高二的知识积累阶段，无论是闭源模型还是开源模型，在此阶段都需全面学习各类知识。然而，在高考冲刺阶段，即模型的后训练阶段，闭源模型通常会投入大量资源，采用强化学习等方法进行针对性训练，以提升模型在特定任务上的表现。相比之下，开源模型在此阶段的投入相对较少，导致模型虽具备基础能力，但在解决复杂问题时表现欠佳。为弥补这一短板，DeepSeek设计了一套全新的强化学习协议，在预训练结束后，投入超过总训练算力10%的资源对模型进行强化训练，有效提升了模型应对复杂问题的能力。同时，DeepSeek还推出了擅长长时间思考的特殊版本——DeepSeek V3.2 Speciale。传统大模型因上下文长度限制，在训练过程中会对深度思考内容进行标注惩罚，思考内容过长则扣分。而DeepSeek V3.2 Speciale取消了这一限制，鼓励模型自由思考，充分发挥其潜力，最终使其能够与Gemini 3一较高下。
在智能体能力方面，DeepSeek同样不遗余力。一方面，为提升模型基础能力，DeepSeek构建虚拟环境，合成大量数据用于辅助训练。具体而言，DeepSeek-V3.2使用了24667个真实代码环境任务、50275个真实搜索任务、4417个合成通用agent场景以及5908个真实代码解释任务进行后训练。另一方面，DeepSeek优化了模型调用工具的流程。此前几代模型存在一个明显问题：将思考与调用工具过程分离，模型调用外部工具后，需重新构建推理链，导致效率低下，即使是简单查询，如询问日期，模型也需从头开始推理。为解决这一问题，DeepSeek对模型架构进行改进，在工具调用过程中，模型的思考过程得以保留，工具调用记录和结果也会像聊天记录一样保留在上下文中，仅在用户提出新问题时重置推理链，大大提高了模型使用工具的效率。
尽管DeepSeek的新模型取得显著进步，但仍存在一些不足。例如，在与Gemini 3 Pro的对比测试中，面对同一道复杂题目，Gemini 3 Pro仅需4972个Tokens即可给出答案，而DeepSeek V3.2 Speciale则需要8077个Tokens，消耗量高出近六成。不过，从成本角度看，DeepSeek具有明显优势。在该测试中，DeepSeek 8000多个Tokens仅花费0.0032美元，而Gemini 3 Pro不到5000个Tokens却消耗0.06美元，成本高出约20倍。这一对比凸显出DeepSeek在性价比方面的竞争力。
在开源模型与闭源模型差距逐渐扩大的背景下，DeepSeek凭借持续的技术创新和优化策略，不断缩小这一差距。其一系列举措，如从V2的MoE架构，到V3的多头潜在注意力（MLA），再到如今DeepSeek Math V2的自验证机制以及V3.2的稀疏注意力（DSA），都展现出其在算法研究方面的深厚实力。DeepSeek致力于在有限数据资源的基础上，挖掘更多智能潜力，为人工智能领域的发展提供了新的思路和方向。人们不禁期待，DeepSeek未来还将带来哪些惊喜，尤其是备受瞩目的R2模型何时能够亮相。
