1

大家好，這里是小銳的科技觀察專欄。今天我們要剖析的是2025年底大模型賽道上演的一場驚天逆轉(zhuǎn)——當(dāng)所有人都以為閉源時(shí)代將徹底封王之際，Google Gemini 3 Pro強(qiáng)勢登場，掀起“開源已至天花板”的輿論風(fēng)暴，仿佛開源陣營只能淪為技術(shù)演進(jìn)中的配角。

2

就在這一片唱衰聲中，DeepSeek于12月1日突然亮劍：其V3.2版本推理能力直逼GPT-5水準(zhǔn)，而Speciale分支更是在國際數(shù)學(xué)奧林匹克競賽中斬獲金牌，得分高達(dá)35分。令人震驚的是，其所依賴的算力資源遠(yuǎn)遜于科技巨頭，這場逆襲究竟是偶然爆發(fā)，還是揭示了開源突破閉源壁壘的深層密碼？

3

從“極限論”到“并跑證明”

4

回顧2025年的大模型格局，堪稱閉源體系的巔峰之年。隨著Gemini 3 Pro橫空出世，在多項(xiàng)權(quán)威基準(zhǔn)測試中全面壓制開源對(duì)手，原本關(guān)于“Scaling Law是否觸頂”的學(xué)術(shù)探討，迅速演變?yōu)樾袠I(yè)對(duì)“開源生存空間”的集體憂慮。

5

當(dāng)時(shí)近三成研究機(jī)構(gòu)對(duì)開源前景表示悲觀，有觀點(diǎn)甚至斷言：“開源只能承接閉源不愿深耕的邊緣場景?！闭窃谶@種壓抑氛圍下，DeepSeek的發(fā)布如同一道閃電劃破陰霾，重新點(diǎn)燃了整個(gè)生態(tài)的信心。

6

發(fā)布當(dāng)日，DeepSeek一口氣推出兩款核心模型：V3.2在復(fù)雜推理任務(wù)中與GPT-5比肩，雖稍弱于Gemini 3 Pro，但已穩(wěn)超Kimi K2 Thinking，創(chuàng)下國產(chǎn)開源模型的新高紀(jì)錄；

7

而Speciale則在數(shù)學(xué)證明、邏輯推導(dǎo)及多輪工具協(xié)同方面表現(xiàn)驚艷，IMO測試中以35分摘得金牌，這組硬核數(shù)據(jù)直接擊碎了“開源已達(dá)性能天花板”的迷思。

8

在算力投入明顯不占優(yōu)勢的前提下，竟能與頂級(jí)閉源模型同臺(tái)競技，意義遠(yuǎn)超單一性能突破。更重要的是，它向世界宣告：開源并非注定追隨，而是具備獨(dú)立進(jìn)化的可能性。

9

過去普遍認(rèn)為，開源唯有通過復(fù)制閉源路徑才能追趕，但DeepSeek用實(shí)證說明：無需盲目堆疊參數(shù)和計(jì)算資源，也能實(shí)現(xiàn)跨越式創(chuàng)新。而這背后所蘊(yùn)藏的，正是打破閉源壟斷的關(guān)鍵鑰匙。

10

架構(gòu)革新讓算力“花在刀刃上”

11

DeepSeek之所以能夠逆襲，根本原因不在規(guī)模擴(kuò)張，而在算力使用效率的革命性提升，這一點(diǎn)在其自研的稀疏注意力機(jī)制DSA（Dynamic Sparse Attention）中體現(xiàn)得淋漓盡致。

12

行業(yè)熟知的事實(shí)是，傳統(tǒng)Transformer架構(gòu)存在一個(gè)致命瓶頸：注意力運(yùn)算復(fù)雜度隨序列長度呈平方增長，處理長文本時(shí)極易引發(fā)算力崩塌，尤其是面對(duì)128K級(jí)別的上下文，成本急劇飆升。

13

DeepSeek的DSA架構(gòu)則引入了一種“智能篩選引擎”——即閃電索引器。該模塊采用FP8低精度運(yùn)行多個(gè)輕量級(jí)索引頭，快速識(shí)別輸入中最關(guān)鍵的token關(guān)聯(lián)對(duì)，僅對(duì)這些核心片段進(jìn)行高精度精算，其余部分則跳過冗余計(jì)算。

14

經(jīng)此優(yōu)化，注意力機(jī)制的計(jì)算負(fù)擔(dān)由O(n2)降至接近線性O(shè)(n log n)，即便處理超長文檔，系統(tǒng)負(fù)載依然保持平穩(wěn)，極大釋放了長上下文的應(yīng)用潛力。

15

更為巧妙的是，DeepSeek并未貿(mào)然切換底層結(jié)構(gòu)，而是設(shè)計(jì)了“密集預(yù)熱—稀疏過渡”雙階段訓(xùn)練流程：初期保留完整注意力模式，專注于訓(xùn)練索引器模擬原始行為；

16

待收斂后再逐步啟用稀疏連接，實(shí)現(xiàn)架構(gòu)遷移的無縫銜接。這種漸進(jìn)式策略既保障了模型穩(wěn)定性，又顯著提升了推理效率，在Fiction.liveBench等長文本測評(píng)中，V3.2的信息召回率與上下文連貫性均有明顯躍升。

17

除了架構(gòu)層面的突破，任務(wù)執(zhí)行邏輯的重構(gòu)也帶來了能效倍增。以往模型調(diào)用外部工具遵循“思考→調(diào)用→終止”的單向鏈條，每次交互都需重啟推理過程，造成大量token浪費(fèi)。

18

DeepSeek提出的“Thinking in Tool-Use”新范式，則構(gòu)建起“思考→調(diào)用→再思考→再調(diào)用”的閉環(huán)流程，將歷史推理軌跡持續(xù)保留在上下文中，工具返回新信息后可直接延續(xù)原有思維路徑。

19

實(shí)測數(shù)據(jù)顯示，企業(yè)利用V3.2批量處理工單時(shí)，重復(fù)推理產(chǎn)生的token消耗下降約30%，因狀態(tài)丟失導(dǎo)致的邏輯中斷頻率也大幅降低。

20

正是這種“架構(gòu)+邏輯”的雙重升級(jí)，徹底重塑了大模型的競爭維度：過去拼的是“誰更大”，如今比的是“誰更高效”與“誰更會(huì)思考”。DeepSeek已然成為這場效率革命的領(lǐng)航者。

21

Agent成為能力躍遷的核心引擎

22

如果說DSA架構(gòu)是支撐性能飛躍的“硬件底座”，那么將Agent從輔助功能升維為核心執(zhí)行中樞，則是DeepSeek最具戰(zhàn)略遠(yuǎn)見的布局，這一步不僅契合市場需求，更精準(zhǔn)踩中了開源落地的關(guān)鍵節(jié)點(diǎn)。

23

許多人尚未察覺，2025年的產(chǎn)業(yè)風(fēng)向已經(jīng)發(fā)生根本轉(zhuǎn)變：企業(yè)不再為“能聊天”的對(duì)話機(jī)器人買單，轉(zhuǎn)而青睞那些真正“能辦事”的智能體。

24

自動(dòng)生成報(bào)告、批量修復(fù)代碼缺陷、自動(dòng)化處理客戶服務(wù)請(qǐng)求——這些具備實(shí)際執(zhí)行力的功能，正成為AI商業(yè)變現(xiàn)的核心支柱。相關(guān)統(tǒng)計(jì)顯示，當(dāng)年企業(yè)對(duì)Agent類產(chǎn)品的付費(fèi)意愿同比增長達(dá)120%，遠(yuǎn)遠(yuǎn)甩開傳統(tǒng)對(duì)話模型的增長曲線。

25

DeepSeek早已洞察趨勢，在V3.2的研發(fā)中傾注大量資源打造Agent能力體系：構(gòu)建了1800個(gè)多樣化智能體仿真環(huán)境，生成85000條高難度任務(wù)指令，且全部由自動(dòng)化環(huán)境生成器與評(píng)分系統(tǒng)完成標(biāo)注，再結(jié)合強(qiáng)化學(xué)習(xí)形成反饋閉環(huán)。

26

相較于依賴人工對(duì)話語料的傳統(tǒng)訓(xùn)練方式，這套方法更能錘煉真實(shí)場景下的任務(wù)完成能力，最終使Agent成功率相較同類開源模型高出25%以上。

27

為了進(jìn)一步提升穩(wěn)定性，團(tuán)隊(duì)自主研發(fā)GRPO（Generalized Reward Policy Optimization）強(qiáng)化學(xué)習(xí)算法，將推理一致性、語言準(zhǔn)確性和任務(wù)達(dá)成度統(tǒng)一量化為綜合獎(jiǎng)勵(lì)信號(hào)，有效防止訓(xùn)練過程中出現(xiàn)能力退化或邏輯漂移。

28

另一大關(guān)鍵設(shè)計(jì)是上下文狀態(tài)持久化機(jī)制：只有當(dāng)用戶發(fā)送全新請(qǐng)求時(shí)才會(huì)重置思維鏈路，而在工具調(diào)用過程中，所有中間推理結(jié)果均被完整保留。例如在跨部門財(cái)務(wù)報(bào)表整合任務(wù)中，模型無需反復(fù)重建分析框架，效率自然大幅提升。

29

從系統(tǒng)架構(gòu)來看，DeepSeek已將Agent視為“模型操作系統(tǒng)”的核心組件：主模型作為內(nèi)核，Agent承擔(dān)進(jìn)程調(diào)度角色，工具則是可插拔的功能模塊。誰能率先確立Agent的技術(shù)標(biāo)準(zhǔn)，誰就有可能掌握下一代AI平臺(tái)的話語權(quán)。這一戰(zhàn)略布局的價(jià)值，遠(yuǎn)超短期性能指標(biāo)的提升。

30

后訓(xùn)練讓開源“以弱勝強(qiáng)”

31

當(dāng)然，DeepSeek并未回避自身短板：V3.2在常識(shí)覆蓋廣度上仍不及最新閉源模型，Speciale版本因推理深度過高導(dǎo)致token開銷過大，難以普及至日常應(yīng)用場景。

32

但它所提供的應(yīng)對(duì)方案，恰恰體現(xiàn)了開源陣營“以巧破力”的智慧路徑：既然無法在資源上抗衡，那就把訓(xùn)練做得更深、更精、更聚焦。這套被稱為“后訓(xùn)練三件套”的方法論，堪稱開源提效的教科書級(jí)實(shí)踐。

33

第一式為專家蒸餾法：針對(duì)V3.2定制開發(fā)數(shù)學(xué)、編程、邏輯推理等六大領(lǐng)域?qū)佟皩＜夷Ｐ汀?，每個(gè)子模型都在特定任務(wù)上訓(xùn)練至極致水平，隨后將其輸出的高質(zhì)量推理軌跡反哺主模型。

34

這種做法既規(guī)避了多任務(wù)混合訓(xùn)練帶來的能力稀釋問題，又通過共享隱層表征維持了跨領(lǐng)域的知識(shí)遷移能力，效果遠(yuǎn)優(yōu)于通用語料混訓(xùn)。

35

第二式為多軌強(qiáng)化學(xué)習(xí)：將相當(dāng)于預(yù)訓(xùn)練10%的算力投入到后訓(xùn)練階段，這在開源項(xiàng)目中極為罕見。整個(gè)過程無需人工干預(yù)，依靠任務(wù)環(huán)境自動(dòng)反饋打分，形成“設(shè)定目標(biāo)→執(zhí)行→評(píng)估→優(yōu)化”的自主進(jìn)化循環(huán)。

36

這類基于結(jié)構(gòu)化任務(wù)的訓(xùn)練樣本稀缺且實(shí)用性強(qiáng)，所培養(yǎng)出的能力更具實(shí)戰(zhàn)價(jià)值，遠(yuǎn)非閑聊式對(duì)話所能比擬。

37

第三式為工具與思維鏈深度融合：為解決模型“不懂何時(shí)調(diào)用工具”的難題，DeepSeek設(shè)計(jì)了冷啟動(dòng)提示模板，在初始推理流中嵌入典型工具使用案例，引導(dǎo)模型逐步習(xí)得“邊思考邊調(diào)用”的習(xí)慣。

38

再配合“工具調(diào)用不重置狀態(tài)”的機(jī)制設(shè)計(jì)，避免每次交互都從零開始，實(shí)測中token冗余率下降超過40%。這些看似細(xì)微的工程調(diào)整，實(shí)則共同指向一個(gè)終極目標(biāo)：最大化單位token的智能產(chǎn)出密度，將有限資源集中于最關(guān)鍵的認(rèn)知環(huán)節(jié)。

39

歸根結(jié)底，Gemini 3 Pro代表的是“更大、更快、更強(qiáng)”的規(guī)模驅(qū)動(dòng)路線，而DeepSeek開辟的是一條“更輕、更穩(wěn)、更聰明”的效率優(yōu)先路徑。

40

2025年末的這場技術(shù)反轉(zhuǎn)充分證明：開源模型不必在資源消耗上與閉源硬碰硬，只要在架構(gòu)設(shè)計(jì)、戰(zhàn)略定位和訓(xùn)練工藝上持續(xù)深耕，完全有能力撕裂封閉系統(tǒng)的護(hù)城河。對(duì)于整個(gè)AI生態(tài)而言，這種“以智取勝”的發(fā)展模式，或許才是真正可持續(xù)的未來方向。