深度求索V3.2：开源模型如何再次定义“SOTA”，挑战GPT-5的秘密

引言/导读

科技界期待已久的“巨鲸”（The Whale）再次归来，DeepSeek（深度求索）发布了DeepSeek V3.2及其增强版DeepSeek V3.2 Special两款模型，迅速震动了AI社区。此次发布的核心价值，不仅在于其在关键基准测试中超越了Gemini Pro和GPT-5等前沿闭源模型，更在于它揭示了在算力相对受限的背景下，中国厂商如何通过软件栈优化与训练范式创新实现算法突围的路径。

V3.2的发布标志着开源模型在专业推理领域迈出了关键一步，尤其是Special版本，通过聚焦数学、代码和逻辑，达到了令人震惊的推理峰值。本文将深入剖析DeepSeek V3.2背后的三大核心技术创新，探讨其在效率、推理和工程上的平衡与取舍，以及这对于整个AI生态意味着什么。

---

性能概览与双版本策略

DeepSeek V3.2系列模型带来了双重冲击。首先，在开源模型界，它再次确立了SOTA（State-of-the-Art）地位。更具爆炸性的是，在多项关键基准上，它与GPT-5和Gemini Pro等闭源巨头旗鼓相当，甚至有所超越。

DeepSeek Speciale：推理能力的金牌得主

此次发布的DeepSeek V3.2系列并非通用模型的一次简单迭代，而是采用了清晰的差异化定位。

• DeepSeek V3.2：主要关注效率。
• DeepSeek V3.2 Special：专注于推理峰值能力。

Special版本通过将超过20%的总算力投入到后训练阶段的强化学习（RL）组件中，专门针对数学、代码和逻辑进行优化，而非通用知识。这种专精策略取得了惊人的成果：该模型在多个难度极高的挑战赛和竞赛中获得了三枚金牌，包括国际数学奥林匹克竞赛（IMO），这是首个实现这一成就的开源模型。

DeepSeek声称，Special版本在数学和代码方面的推理水平已有效达到GPT-5级别，甚至早于GPT-5的公开发布。

---

算力受限下的算法突围：三大核心技术支柱

DeepSeek面临着计算资源的限制。因此，他们将重点放在了软件栈的优化和训练范式的创新上，成功将模型创新划分为三个核心支柱。

支柱一：DeepSeek 稀疏注意力（DSA