DeepSeek V3.2是最強大的開源LLM嗎？

如果你一直關注開源邏輯模型（LLM）領域，你肯定知道它已經演變成一場激烈的競爭。每隔幾個月，就會有新的模型出現，聲稱突破了技術極限，而其中一些確實做到了。尤其是中國實驗室發展迅猛，推出了 GLM 4.6、Kimi K2 Thinking、Qwen 3 Next、ERNIE-4.5-VL 等模型。因此，當 DeepSeek 釋出 V3.2 版本時，人們最關心的問題並非“這是新的王者嗎？”，而是：

這次更新真的能推動開源邏輯模型的發展，還是僅僅是眾多模型中的又一個？

為了解答這個問題，讓我們一起來了解 V3.2 背後的故事，看看它有哪些變化，以及人們為何如此關注它。

什麼是DeepSeek V3.2？

DeepSeek V3.2 是 DeepSeek-V3.2-Exp 的升級版，後者於去年十月釋出。它旨在進一步提升推理能力、長上下文理解能力和智慧體工作流程，超越以往版本。與許多僅簡單地擴充套件引數的開源模型不同，V3.2 引入了架構變更和更強大的強化學習階段，旨在改進模型的思維方式，而不僅僅是其輸出結果。

DeepSeek 還發布了兩個變體：

• V3.2（標準版）：實用且易於部署的版本，適用於聊天、編碼、工具和日常工作負載。
• V3.2 特別版：高計算能力、推理能力最大化的版本，能夠生成更長的思維鏈，並在奧林匹克級別的數學和程式設計競賽中表現出色。

DeepSeek V3.2的效能和基準測試

DeepSeek V3.2 擁有我們所見過的開源模型中最強勁的基準測試結果。

• 在 AIME 2025 和 HMMT 2025 等數學密集型測試中，Speciale 版本分別取得了 96% 和 99.2% 的成績，與 GPT-5 High 和 Claude 4.5 等模型持平甚至超越。
• 其 Codeforces 評分為 2701，穩居競技程式設計師級別，而 Thinking 版本也取得了 2386 的優異成績。
• 在智慧體任務方面，DeepSeek 在 SWE Verified 和 τ² Bench 測試中分別取得了 73% 和 80% 的成績，表現不俗，儘管在某些類別中，一些頂級封閉模型略勝一籌。

Source: DeepSeek Technical Report

核心理念：更智慧的“略讀”

大多數強大的AI模型都面臨一個共同的問題：隨著文件長度的增加，模型執行速度會顯著降低，成本也會大幅上升。這是因為傳統模型會嘗試將每個單詞與其他所有單詞進行比較，以理解上下文。

DeepSeek-V3.2 透過引入一種名為 DeepSeek 稀疏注意力 (DSA) 的新方法來解決這個問題。您可以將其想象成一位在圖書館進行研究的研究人員：

• 傳統方法（密集註意力）：研究人員逐頁閱讀書架上的每一本書，只為回答一個問題。這種方法雖然全面，但速度極慢且極其耗費精力。
• 新方法（DeepSeek-V3.2）：研究人員使用數字目錄（Lightning Indexer）快速找到關鍵頁面，並只閱讀這些頁面。這種方法同樣準確，但速度卻快得多。

DeepSeek V3.2架構

Source: GitHub/DeepSeek

核心創新在於 DSA（DeepSeek 稀疏注意力機制），它包含兩個主要步驟：

1. Lightning Indexer (The Scout)

在 AI 嘗試理解文字之前，一個名為“Lightning Indexer”的輕量級超高速工具會掃描內容。它會給每條資訊賦予一個“相關性評分”。它會問：“這條資訊對我們當前的任務有用嗎？”

2. Top-k Selector (The Filter)

系統不會將所有資訊都輸入 AI 的大腦，而是隻選擇“Top-k”（得分最高）的資訊。AI 會忽略無關的冗餘資訊，並將計算能力嚴格集中在真正重要的資料上。

它真的有效嗎？

你可能會擔心“略讀”會導致 AI 的準確性下降。但根據資料，並非如此。

Source: GitHub/DeepSeek

• 智慧水平相同：DeepSeek-V3.2 在標準測試和人類偏好圖表（ChatbotArena）上的表現與其前代產品 (DeepSeek-V3.1-Terminus) 一樣出色。
• 更擅長處理長文件：令人驚訝的是，它在一些涉及超長文件的推理任務中得分更高。
• 訓練：它首先透過觀察舊版、速度較慢的模型執行（密集預熱）來學習，然後自主練習以選擇正確的資訊（稀疏訓練）。

這對使用者意味著什麼？

以下是“它能為使用者帶來什麼”的價值主張：

1. 速度大幅提升：由於模型無需處理無關詞語，因此執行速度顯著提升，尤其是在處理長文件（例如法律合同或書籍）時。
2. 成本更低：它只需更少的計算能力（GPU 小時）即可獲得相同的結果。這使得執行高階 AI 的成本更低。
3. 長上下文處理能力：使用者可以向系統輸入海量資料（高達 128,000 個令牌），系統執行速度不會驟降或崩潰，因此非常適合分析大型資料集或長篇故事。

工具使用中的思考

DeepSeek 現在在使用工具時能夠保留其內部推理上下文，而無需在每一步操作後重新開始思考，從而顯著提高完成複雜任務的速度和效率。

• 以前，AI 每次使用工具（例如執行程式碼）時，都會忘記之前的計劃，不得不從頭開始“重新思考”問題。這既緩慢又浪費資源。
• 現在，AI 在使用工具時能夠保持其思考過程的活躍狀態。它記住了執行任務的原因，無需在每一步操作後重新開始。
• 它只會在您傳送新訊息時清除其“思路”。在此之前，它會專注於當前任務。

結果：由於模型不會浪費能量重複思考同一件事，因此速度更快、成本更低。

注意：當系統將“工具輸出”與“使用者訊息”分開時，此功能效果最佳。如果您的軟體將工具結果視為使用者聊天，則此功能將無法正常工作。

Source: DeepSeek

您可以點選此處閱讀更多關於 DeepSeek V3.2 的資訊。讓我們看看該模型在以下部分的表現：

任務 1：建立遊戲

Create a cute and interactive UI for a “Guess the Word” game where the player knows a secret word and provides 3 short clues (max 10 letters each). The AI then has 3 attempts to guess the word. If the AI guesses correctly, it wins; otherwise, the player wins.

我的評價：

DeepSeek 建立了一個直觀的遊戲，並具備所有要求的功能。我認為這個實現非常出色，它提供了流暢且引人入勝的體驗，完美地滿足了所有要求。

任務 2：規劃

我需要規劃一次 11 月中旬前往日本京都的 7 天旅行。行程應以傳統文化為重點，包括寺廟、花園和茶道。尋找最佳賞楓時間，列出三座賞楓必去的寺廟，以及一家提供英語服務的、評價很高的傳統茶館。此外，在祇園地區尋找一家口碑不錯的日式旅館（ryokan）。將所有資訊整理成一份清晰的每日行程安排。

輸出：

點選此處檢視完整輸出。

我的看法：

對於想要清晰、可操作且節奏適宜的旅行計劃的旅行者來說，V3.2 的響應非常出色。其格式、邏輯清晰的地理佈局以及整合的實用建議使其幾乎可以開箱即用。它展現了將資訊有效整合為引人入勝的敘述的能力。

小結

DeepSeek V3.2 並非以規模取勝，而是以更智慧的思維取勝。憑藉稀疏注意力機制、更低的成本、更強的長上下文感知能力以及更優秀的工具使用推理能力，它展示了開源模型如何在無需鉅額硬體預算的情況下保持競爭力。它或許無法在所有基準測試中都拔得頭籌，但它確實顯著提升了使用者如今使用 AI 的方式。而這正是它在競爭激烈的市場中脫穎而出的原因。