DeepSeek新模型以小数据少算力追赶国际巨头，R2亮相在即

近年来，人工智能领域开源模型与闭源模型的竞争日益白热化。面对闭源阵营的强势发展，开源模型一度承受着被拉开差距的压力。然而，一家名为 DeepSeek 的公司通过两款新发布的模型为开源阵营注入了强劲动力，迅速引发了行业高度关注。

免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈

本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 相媲美的实力，而高性能版本 DeepSeek-V3-2-Speciale 表现更为抢眼——不仅直接超越了 GPT 系列，更与被视为闭源模型标杆的 Gemini 系列打得难分难解。更令人瞩目的是，这两款模型在 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连夺金牌，成绩斐然。

值得一提的是，这是 DeepSeek 今年第九次发布新模型。虽然备受期待的 R2 模型尚未亮相，但这次发布的新型号已足够让人惊喜。人们不禁好奇：DeepSeek 究竟是如何凭借更少的数据量和有限的显卡资源，打造出能与国际巨头抗衡的模型？

深入研究后发现，为实现这一目标，DeepSeek 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 仅对其进行了验证性测试，考察其对模型性能的影响；而现在，这项技术已被全面整合进核心架构中。在日常使用大模型时，用户常常会遇到这样的困扰：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先天不足——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，严重制约了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，在此阶段都需要全面学习各类知识。然而，在高考冲刺阶段，即模型的后训练环节，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 构建了虚拟环境，合成大量数据用于辅助训练。具体而言，DeepSeek-V3.2 使用了 24,667 个真实代码环境任务、50,275 个真实搜索任务、4,417 个合成通用 agent 场景以及 5,908 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，导致模型调用外部工具后，需要重新构建推理链，造成效率低下。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 对模型架构进行了改进，使工具调用过程中，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存在上下文中，仅在用户提出新问题时重置推理链，大幅提高了模型使用工具的效率。

尽管 DeepSeek 的新模型取得了显著进步，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 4,972 个 Tokens 即可给出答案，而 DeepSeek-V3.2-Speciale 则需要 8,077 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 的 8,000 多个 Tokens 仅花费 0.0032 美元，而 Gemini 3 Pro 不到 5,000 个 Tokens 却消耗 0.06 美元，成本高出约 20 倍。这一对比突显了 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。其一如既往的技术突破——从 V2 的 MoE 架构，到 V3 的多头潜在注意力（MLA），再到如 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积累。DeepSeek 致力于在有限数据资源的基础上，深度挖掘智能潜能，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。