量子位
·
DeepSeek-V3.2系列开源，性能直接对标Gemini-3.0-Pro
💡
原文中文，约3900字，阅读约需10分钟。
📝
内容提要
DeepSeek-V3.2系列模型发布，性能接近Gemini-3.0-Pro，适合日常问答和复杂任务。引入稀疏注意力机制DSA，显著降低计算复杂度。模型在Agent任务上表现优异，支持思考与工具调用。尽管存在知识广度和Token效率的局限，团队计划在未来版本中进行改进。
🎯
关键要点
- DeepSeek-V3.2系列模型发布，性能接近Gemini-3.0-Pro，适合日常问答和复杂任务。
- 引入稀疏注意力机制DSA，显著降低计算复杂度，推理能力比肩GPT-5。
- DeepSeek-V3.2支持思考与工具调用，泛化能力强，适用于多种Agent任务。
- DeepSeek-V3.2-Speciale版本专注于复杂任务，具备数学证明能力，但不支持工具调用。
- DSA机制将计算复杂度降低到O(L·k)，显著加速长文本推理。
- 强化学习训练的计算预算超过预训练成本的10%，提升模型性能。
- 新模型在Agent任务上表现优异，支持推理和工具使用，优化了上下文管理。
- 评测结果显示DeepSeek-V3.2在多个基准测试中超越现有开源模型。
- 模型存在知识广度和Token效率的局限，未来版本将进行改进。
❓
延伸问答
DeepSeek-V3.2模型的主要特点是什么？
DeepSeek-V3.2模型性能接近Gemini-3.0-Pro，适合日常问答和复杂任务，支持思考与工具调用。
什么是稀疏注意力机制DSA，它的优势是什么？
稀疏注意力机制DSA将计算复杂度降低到O(L·k)，显著加速长文本推理，提升模型效率。
DeepSeek-V3.2-Speciale版本与标准版本有什么不同？
DeepSeek-V3.2-Speciale专注于复杂任务，具备数学证明能力，但不支持工具调用，消耗更多Tokens。
DeepSeek-V3.2在Agent任务上的表现如何？
DeepSeek-V3.2在Agent任务上表现优异，支持推理和工具使用，优化了上下文管理。
DeepSeek团队在强化学习方面做了哪些改进？
团队在强化学习中投入超过预训练成本的10%，开发了稳定的RL协议，提升模型性能。
DeepSeek-V3.2模型存在哪些局限性？
模型的知识广度和Token效率存在局限，未来版本计划进行改进。
➡️
