DeepSeek V3.2技术报告：开源与闭源模型差距拉大，创新架构应对挑战

2024年，当DeepSeek、Qwen、GLM等开源模型相继发布时，整个社区弥漫着乐观情绪，许多人坚信开源正迅速逼近闭源水平。然而，进入2025年后，形势发生了显著变化。DeepSeek在其最新发布的V3.2技术报告中，罕见地直接指出：开源与闭源模型的性能差距不仅没有缩小，反而在持续扩大。这一基于大量实测数据的冷静判断，为业界敲响了警钟。

差距正在拉大，这是事实

DeepSeek在论文引言部分直言不讳地写道：“过去几个月出现了明显的分化。虽然开源社区持续进步，但闭源专有模型的性能提升速度显著更快。结果是，两者的差距非但没有缩小，反而在扩大，闭源系统在复杂任务上展现出越来越强的优势。”这一观察有着扎实的数据支撑。论文对比了DeepSeek V3.2与GPT-5、Gemini 3.0 Pro在多个基准测试上的表现。在MMLU-Pro（多学科知识测试）中，DeepSeek V3.2得分85.0，GPT-5为87.5，而Gemini 3.0 Pro达到了90.1。在GPQA Diamond（研究生级别科学问题）测试中，三者的得分分别是82.4、85.7和91.9。

更明显的差距体现在HLE（Human Last Exam，极难的文本推理测试）中。DeepSeek V3.2得分25.1，GPT-5为26.3，而Gemini 3.0 Pro高达37.7——这个差距已不能用“接近”来形容。值得注意的是，DeepSeek V3.2已是目前最强的开源模型，在大多数开源模型对比中处于领先位置。但即便如此，它与顶级闭源模型之间仍存在明显差距，尤其在需要深度推理和复杂任务处理的场景中。

差距为何在拉大？三个结构性问题

论文通过系统分析，识别出限制开源模型在复杂任务上能力的三个关键缺陷。这些并非表面问题，而是深层次的结构性困境。

第一个问题在于架构层面。开源模型普遍依赖传统的vanilla attention机制，该机制在处理长序列时效率极低。论文指出，这种架构上的依赖“严重限制了长序列的效率，对可扩展部署和有效的后训练构成了实质性障碍”。当闭源模型已开始探索更高效的注意力机制时，许多开源模型仍在使用五年前的技术架构，这本身就是一个巨大劣势。

第二个问题是资源投入的鸿沟，尤其体现在后训练阶段。后训练是让模型从“会说话”变成“会思考”的关键环节，通过强化学习让模型学会推理、工具使用和遵循复杂指令。论文透露，DeepSeek V3.2的后训练计算预算超过了预训练成本的10%。要知道，预训练本身投入巨大，而大部分开源模型的后训练预算可能连1%都不到。这种资源投入上的差距直接导致了性能上的代际差异。

第三个问题是AI Agent能力的滞后。在真实应用场景中，开源模型的泛化能力和指令理解能力明显落后。论文引用了三个关键的Agent测评基准：在MCP-Mark中，DeepSeek V3.2得分45.9，Gemini 3.0 Pro为51.0；在MCP-Universe中，前者为80.3，后者为87.9；在Tool-Decathlon中，差距更加明显。这些数字背后反映的是开源模型在复杂多轮交互、工具调用、长期规划等场景下的能力不足。论文总结道：“开源模型在泛化能力和指令跟随能力方面展现出明显滞后，这阻碍了它们在实际部署中的有效性。”这是一个诚实且残酷的判断。

DeepSeek的应对：技术路线的根本性改变

认识到问题后，DeepSeek没有简单地堆砌参数或增加数据量，而是在三个核心维度上进行了根本性的技术创新。

在架构层面，DeepSeek引入了DSA（DeepSeek Sparse Attention）机制。传统注意力机制的计算复杂度为O(L²)，序列长度翻倍计算量就要翻四倍。DSA通过“闪电索引器”（Lightning Indexer）快速计算每个token的重要性评分，然后只选择top-k个最重要的token参与注意力计算（论文中k=2048），将复杂度从O(L²)降至O(L×k)。这个改进不仅是理论上的优化。论文实测数据表明，在128K上下文长度下，DSA大幅降低了推理成本，而性能几乎没有损失。更令人意外的是，在AA-LCR（长文本推理基准）和Fiction.liveBench（小说理解测试）中，V3.2的表现甚至优于使用传统注意力机制的V3.1。这证明DSA不仅更快，在某些场景下质量还更高。

在资源投入层面，DeepSeek做出了超常规的决定。论文明确写道：“近几个月来，性能提升与扩展的RL训练预算持续相关，该预算已超过预训练成本的10%。”这个数字在开源界极为罕见。具体来说，DeepSeek为数学、编程、推理、Agent等六大领域分别训练了专家模型，每个都单独进行大规模强化学习训练。在持续预训练阶段，模型经历了943.7B tokens的训练（在128K上下文长度下），然后采用GRPO（Group Relative Policy Optimization）算法进行混合训练，整合推理、Agent和人类对齐三类任务。

在Agent能力强化方面，DeepSeek开发了系统化的任务合成流程。他们合成了超过1800个多样化环境和85000条复杂提示，涵盖各种真实场景。具体包括24667个代码Agent任务、50275个搜索Agent任务、4417个通用Agent任务和5908个代码解释器任务。这些合成数据并非随机生成，而是通过冷启动阶段学习推理与工具使用的统一模式，然后在规模化阶段系统性地生成高质量训练场景。效果是显著的。在Agent相关测试中，DeepSeek V3.2显著缩小了与闭源模型的差距，在MCP-Universe上达到80.3%的成功率，虽仍低于Gemini的87.9%，但已是开源模型中的最佳表现。论文总结说：“DeepSeek V3.2成为Agent场景中极具成本效益的选择，显著缩小了开源与前沿闭源模型之间的性能差距。”

论文最后写了一句耐人寻味的话：“如果Gemini 3.0证明了持续扩展预训练的潜力，DeepSeek V3.2-Speciale则证明了在大规模上下文环境中强化学习的可扩展性。”言下之意很明显：闭源巨头有资源堆预训练，但开源可以找到自己的路——通过更高效的架构和更科学的后训练，用更少的资源实现接近的效果。这或许是开源AI唯一的生存之道：不是硬碰硬拼资源，而是拼技术路线的创新。至少在这一次，DeepSeek证明了这条路是走得通的。

论文链接：https://arxiv.org/html/2512.02556v1#S5

整理：周华香