近日，DeepSeek公司发布了其v3.2系列的两个新模型：DeepSeek-V3.2和DeepSeek-V3.2-Speciale，引发了业界的广泛关注。此次更新不仅带来了模型性能的显著提升，更在底层技术架构和应用能力上实现了重要突破。
本次更新推出了两个定位不同的模型。DeepSeek-V3.2作为标准版，旨在平衡推理能力与运行效率，适合问答、通用智能体（Agent）任务等日常应用场景。据官方介绍，其在公开推理基准测试中的表现已达到一个非常高的水平，同时相比部分同类模型，V3.2的输出长度大幅降低，减少了用户的等待时间和计算开销。而DeepSeek-V3.2-Speciale则是一个“特长版”，作为长思考增强版本，专攻高难度任务。它结合了DeepSeek-Math-V2的定理证明能力，在数学证明、复杂逻辑验证和编程竞赛等领域表现突出，甚至在多项国际竞赛的模拟测试中斩获金牌。不过，Speciale版本在处理复杂任务时消耗的Tokens更多，成本也更高，目前主要以临时API形式开放给社区进行评测和研究，且暂不支持工具调用。
此次更新最大的技术亮点之一，是正式应用了自研的DeepSeek稀疏注意力机制（DeepSeek Sparse Attention, DSA）。传统注意力机制在处理长文本时，计算复杂度会随文本长度呈平方级增长，导致成本高、效率低。DSA通过引入细粒度的稀疏注意力，有效解决了这一瓶颈，可以将计算复杂度显著降低。这项技术在实验性版本中得到了验证，它能在几乎不影响模型性能的前提下，大幅提升长文本的训练和推理效率。这一架构层面的优化，直接促成了官方API价格超过50%的大幅下调，让大模型在长文本场景下的规模化应用变得更具可行性。
在模型能力方面，最核心的突破是实现了“思考融入工具调用”。以往的模型在思考和行动（调用工具）之间往往是割裂的，通常是先完成一系列思考规划，再执行工具调用。而DeepSeek-V3.2则实现了“边想边用”，模型可以在推理过程中动态调用工具（如搜索引擎、代码解释器），获取外部信息后继续思考和规划。这种模式更接近人类解决复杂问题的思维闭环，极大地增强了模型的Agent能力。为了实现这一能力，DeepSeek设计了一套大规模Agent训练数据合成方法，构造了超过1800个环境和85000多条复杂指令的强化学习任务，有效提升了模型在真实应用场景中的泛化能力。
此外，DeepSeek在后训练阶段的投入也值得关注。技术报告显示，其在强化学习（RL）上的计算投入超过了预训练成本的10%，这在开源模型中较为罕见。通过对GRPO（Group Relative Policy Optimization）等算法的改进，模型的高级推理能力得到了充分释放。
在开放生态方面，DeepSeek不仅开源了模型权重，还开源了研发过程中设计的GPU算子，包括TileLang和CUDA两种版本，并建议社区使用更易于调试的TileLang版本进行研究。同时，新模型也快速获得了华为昇腾、寒武纪等国产算力平台的支持与适配。
尽管取得了显著进展，DeepSeek也在技术报告中坦诚地指出了当前模型的局限性，例如由于总训练计算量相对较少，世界知识的广度仍有待提升；同时，模型的“Token效率”仍有优化空间，有时需要更长的思考链才能达到顶级闭源模型的效果。这些都将是其未来迭代的方向。
