DeepSeek-V3.2: Pushing the Frontier of Open Large Language Models：开源模型首次在推理与智能体任务上超越GPT-5
2025年12月，DeepSeek发布V3.2模型，提出DeepSeek Sparse Attention (DSA)机制降低长上下文计算复杂度，并采用可扩展强化学习框架进行后训练。其高计算变体DeepSeek-V3.2-Speciale在2025年国际数学奥林匹克（IMO）和国际信息学奥林匹克（IOI）中获得金牌，性能超越GPT-5并与Gemini-3.0-Pro持平。此外，论文描述了一个大规模智能体任务合成流水线，用于生成工具使用场景的训练数据。
发展脉络
- 首次出现DeepSeek-V3.2: Pushing the Frontier of Open Large Language Models：开源模型首次在推理与智能体任务上超越GPT-5arXiv cs.AI
- 当前判断DeepSeek-V3.2的发布将重塑大模型行业格局。作为开源模型，其超越GPT-5的性能意味着企业可以以更低成本获得顶尖AI能力，可能加速闭源模型的降价或开放。在智能体领域，其大规模任务合成流水线为开发自主AI助手提供了可复现的方法，有望推动金融、医疗、编程等行业的自动化应用。同时，稀疏注意力机制DSA可能成为长上下文应用的标准组件，影响云服务商的算力需求。Agent Pulse · 分析
DeepSeek-V3.2是首个在推理和智能体任务上全面超越GPT-5的开源模型，标志着开源大模型在核心能力上首次达到闭源顶尖水平。其关键创新包括稀疏注意力机制DSA和可扩展强化学习框架，使得模型在长上下文和复杂推理场景中效率与性能兼得。同时，大规模智能体任务合成流水线解决了工具使用场景的数据瓶颈，为自主智能体应用铺平道路。这一成果将加速开源生态的竞争格局，并可能改变企业AI部署的成本结构。
DeepSeek-V3.2的核心技术突破包括三方面：第一，DeepSeek Sparse Attention (DSA)通过选择性计算注意力权重，在长上下文场景中大幅降低计算复杂度，同时保持模型性能，这解决了Transformer模型在长序列推理中的效率瓶颈。第二，可扩展强化学习框架通过稳健的RL协议和扩展后训练计算量，使模型在数学推理（IMO）和编程竞赛（IOI）中达到金牌水平，表明RL后训练是提升推理能力的关键路径。第三，大规模智能体任务合成流水线利用系统化方法生成工具使用训练数据，实现了可扩展的智能体后训练，显著提升了模型在复杂交互环境中的泛化能力和指令遵循鲁棒性。评估显示，高计算变体Speciale在多个基准上超越GPT-5和Gemini-3.0-Pro，但论文未提供完整消融实验或计算成本细节。
DeepSeek-V3.2的发布将重塑大模型行业格局。作为开源模型，其超越GPT-5的性能意味着企业可以以更低成本获得顶尖AI能力，可能加速闭源模型的降价或开放。在智能体领域，其大规模任务合成流水线为开发自主AI助手提供了可复现的方法，有望推动金融、医疗、编程等行业的自动化应用。同时，稀疏注意力机制DSA可能成为长上下文应用的标准组件，影响云服务商的算力需求。
建议企业AI团队在客服、代码和数据分析场景评估DeepSeek-V3.2的长上下文与工具能力，并把自托管算力、并发、运维和失败重试纳入总成本；只有质量与成本同时达标时再替换现有API。
需关注DeepSeek-V3.2的模型权重和训练代码是否完全开源，以及社区能否复现其核心结果。DSA机制的实际推理速度提升和硬件适配性（如GPU/TPU）将是部署关键。此外，其智能体合成流水线的数据质量和多样性将决定模型在真实场景中的泛化能力。安全方面，需评估模型在敏感任务中的对齐和偏见风险。