剛剛，DeepSeek完成模型兩連發(fā)。
實驗版DeepSeek-V3.2-Exp發(fā)布兩個月后，正式版終于熬出來了↓
?DeepSeek-V3.2：兼顧推理能力和輸出長度的性能平衡版，適用于問答、通用Agent等場景。對標GPT-5，略低于Gemini3.0Pro。
?DeepSeek-V3.2-Speciale:長思考增強版，還有極強的數(shù)學能力，指令更順、數(shù)學證明和邏輯驗證能力強，性能對標Gemini3.0Pro，碾壓GPT5.0，參考圖1。
該版本主要有以下技術創(chuàng)新點↓
（以下基于最新技術報告整理）

1. 核心突破：既要馬兒跑，又讓馬吃草
為了解決長文本處理慢、算力消耗大的問題，團隊引入了DeepSeek 稀疏注意力 (DSA)。結果就是推理速度飆升，性能不下降，成本暴降。
關于DSA，我們以前做過解讀
導致DeepSeek價格暴降，「稀疏注意力機制」，到底是個啥？。

2. 變強秘籍：強化學習與合成數(shù)據(jù)
DeepSeek-V3.2之所以能變得更“聰明”，主要歸功于后訓練階段的策略升級↓
2.1 下血本搞強化學習：
建立了可擴展的強化學習框架，大幅增加了后訓練階段的算力投入（超過了預訓練成本的 10%）；
2.2 海量合成數(shù)據(jù)：
為了讓模型學會使用工具（比如寫代碼、搜網(wǎng)頁），團隊開發(fā)了一套流水線，自動生成了海量的訓練數(shù)據(jù)。例如，通過模擬GitHub 的問題修復來訓練代碼能力，通過構建虛擬的旅行計劃任務來訓練通用Agent能力。
在論文中，DeepSeek團隊也很誠實地列出了這一版的不足↓
知識廣度不夠： 因為訓練的總計算量不如那些閉源巨頭，所以在世界知識的覆蓋面上還有差距。
有點話癆：為了達到高水平的推理，模型往往需要生成很長的思考過程。好比為了做對一道題，它可能需要寫很長的草稿，推理成本相對較高（但已經(jīng)不錯了）。
復雜任務仍有差距：在解決極度復雜的任務時，相比最頂尖的閉源模型仍稍遜一籌。
總之，這一版更新，可謂誠意滿滿了，還不趕緊用起來？
（注：正式版已經(jīng)官網(wǎng)可用，Speciale版僅以臨時API提供，不知道第三方MaaS能不能快速上線呢？）