V3.2逼近Gemini 3，DeepSeek硬气喊话：接下来我要堆算力了

本文由 硅星人Pro 撰写/授权提供，转载请注明原出处。

以下文章来源于：硅星人Pro

作者：周一笑

就在上周，OpenAI 前首席科学家、现 SSI CEO Ilya Sutskever 在最新播客访谈中抛出一个磅观点，过去五年的“age of scaling”正在走到头，预训练数据是有限的，单纯用更多GPU堆更大模型，哪怕再放大100 倍，也未必能带来质变。所以我们又回到了以研究为核心的时代，只不过这次有了巨大的算力”，这一表态被视作对 Scaling Law 撞墙论的强力佐证。

然而仅过了几天，12 月 1 日，DeepSeek 用 V3.2 和 V3.2-Speciale 的发布，给出了一个不同的答案。

模型发布后，DeepSeek 研究员 Zhibin Gou 在 X 上发文：

“如果 Gemini-3 证明了持续扩展预训练的可能性，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。我们花了一年时间将 DeepSeek-V3 推向极限，得出的经验是：训练后的瓶颈需通过优化方法和数据来解决，而非仅等待更好的基础模型。”

他还补了一句：

“持续扩大模型规模、数据量、上下文和强化学习。别让那些'遭遇瓶颈'的杂音阻挡你前进。”

这是 DeepSeek 团队少有的发声，而这一幕颇有意味，当行业在讨论 Scaling Law 是否撞墙时，DeepSeek 用实打实的模型喊话，想证明Scaling没死，只是换了战场。

虽然行业普遍认同后训练的重要性，但敢把相当于预训练成本 10% 以上的算力预算砸在RL上的企业仍属少数。DeepSeek 是真正把这条路线工程化、规模化的代表。

这次发布的两个模型正是这条路线的产物，V3.2 定位日常主力，对标 GPT-5；Speciale 定位极限推理，对标 Gemini 3.0 Pro，并拿下四枚国际竞赛金牌。

技术报告 Introduction 部分有句话值得注意，“过去几个月，开源社区虽然在持续进步，但闭源模型的性能轨迹正在以更陡峭的速度加速。差距不是在收窄，而是在扩大。”同时点出了当前开源模型的三个核心短板：

过度依赖普通注意力机制导致长序列效率低下、后训练算力投入不足、Agent 场景下的泛化能力差。但 DeepSeek 的态度很明确，问题有解，而 V3.2 就是他们给出的答案。

V3.2 是 9 月发布的实验版 V3.2-Exp 的正式继任者，目标是平衡推理能力与输出成本。

在推理类 Benchmark 测试中，V3.2 达到了 GPT-5 水平：AIME 2025 数学竞赛 93.1%（GPT-5 为 94.6%），HMMT 2025 二月赛 92.5%（GPT-5 为 88.3%），LiveCodeBench 代码评测83.3%（GPT-5为 84.5%）。相比 Kimi-K2-Thinking，V3.2 在保持相近性能的同时，输出 Token 量大幅降低——严格的 Token 约束和长度惩罚让它更省、更快、更便宜。

V3.2 在架构上的核心改动是引入了 DeepSeek Sparse Attention（DSA）。这项技术在 9 月的 V3.2-Exp 中首次亮相，用稀疏注意力替代传统的全量注意力，将计算复杂度从 O(L²)降到O(Lk)。

V3.2-Exp 上线两个月后，DeepSeek 通过多个维度确认了 DSA 的有效性：标准 Benchmark 与 V3.1-Terminus 基本持平，ChatbotArena 的 Elo 评分接近，第三方长上下文评测反而高出 4 分。这意味着 DeepSeek 在底层架构创新上走对了路，稀疏注意力可以在不损失性能的前提下大幅提升效率。

V3.2 还有一个重要突破，这是 DeepSeek 首个将“思考”与“工具调用”融合的模型。之前的推理模型（包括 OpenAI 的 O 系列）在思考模式下无法调用工具，V3.2 打破了这个限制，同时支持思考模式和非思考模式的工具调用。

技术报告中篇幅最大的部分是 Agent 能力的训练方法。DeepSeek 构建了一套大规模的 Agent 任务合成流水线，覆盖 1800+环境和 85000+复杂指令。

这套流水线的核心设计哲学是“难解答，易验证”。以报告中的旅行规划任务为例：复杂约束组合让搜索空间巨大，但验证方案是否满足约束却很简单。这种特性天然适合强化学习，模型可以通过大量尝试获得明确的对错反馈，不需要人工标注。

效果验证很有说服力，只用合成数据做 RL 的模型，在 Tau2Bench、MCP-Mark 等 Agent 基准上显著提升，而只在真实环境做 RL 的模型，这些指标几乎没有变化。

值得注意的是，官方特别强调，V3.2 并没有针对这些测试集的工具进行特殊训练，但在 Agent 评测中仍达到开源最高水平。这说明模型的泛化能力是真实的，不是靠刷榜优化出来的。

Speciale 是 V3.2 的"长思考增强版"。如果说 V3.2 通过严格的 Token 约束来优化效率，Speciale则反其道而行——放宽长度限制，鼓励模型进行更深度的推理。

技术报告中的 Table 3 很有意思：同样的任务，Speciale 的输出 Token 量显著高于其他模型。比如在 AIME 2025 上，GPT-5 High 输出 13k tokens，Gemini 3.0 Pro 输出 15k，而 Speciale 输出 23k；在 Codeforces 上差距更大，Speciale 输出 77k tokens，是 Gemini 的 3.5 倍。

虽然 Speciale 的 Token 输出量极大，但得益于 DeepSeek 的定价策略和 DSA 带来的效率提升，即便算上这些额外的"思考过程"，其最终使用成本依然碾压对手：比 GPT-5 便宜约 25 倍（$0.4 vs $10），比Gemini 3.0 Pro便宜约30倍（$12），比Claude Opus 4.5 便宜约 62 倍（$25）。

Speciale 的意义不只是“让模型想更久”，而是验证了一个重要的假设，对推理“过程”的监督，能否从数学证明泛化到更广泛的领域？

上周刚发布的 DeepSeekMath-V2 提出了“生成器-验证器”双模型架构，生成器负责产出证明，验证器评估证明的严谨性和完整性，验证结果作为 reward 信号反馈给生成器。这套机制的关键创新在于如何保持“生成-验证差距”，当生成器变强后，验证器也需要同步提升。DeepSeek 的解决方案是动态扩展验证计算，用更多计算资源自动标注“难以验证”的证明，持续合成高难度训练数据，实现模型的可持续自我进化。

Speciale 整合了 Math-V2 的数据集和奖励方法，不只追求最终答案正确，更追求推理过程的严谨性和完整性。它将这套原本用于数学定理证明的“过程监督”，成功迁移到了代码生成和通用逻辑任务中。 这意味着“自我验证”不是数学领域的特例，而是一种可泛化的能力提升范式。结果也相当不错：

不缺算力的 DeepSeek 会带来什么？

有网友评论说，每篇 DeepSeek 论文最重要的部分永远是“结论、局限性与未来工作”部分。这次的技术报告也不例外，他们说：“首先，由于总训练 FLOPs 较少，DeepSeek-V3.2 的世界知识广度仍落后于领先的闭源模型。我们计划在后续版本中，通过扩大预训练算力来弥补这一知识差距。”

报告中承认，由于总训练 FLOPs 较少，V3.2 的世界知识广度仍落后于 Gemini 3.0 Pro。但 DeepSeek 的选择并不是等待一个更大的基础模型，而是先把方法论打磨到极致，用一年时间，通过合成数据、自我验证和大规模 RL，把后训练的上限真正跑出来。

从这次的发布也能看出这条路线的成果：

V3.2 将“自我进化式工程”（高 RL 预算、合成数据闭环）应用在通用效率上；

Speciale 则把过程奖励与自我验证机制推向高阶逻辑推理。

两者共同指向同一个方向：未来的模型不再依赖人力堆砌，而是依靠自我博弈实现持续演进。

下一步就是扩大预训练算力来弥补知识差距。这也让人联想，一是如果 DeepSeek 真把算力补上来，会发生什么？二是，这些新的算力资源从哪里来？

回头看过去一年的技术路径，Janus 的多模态统一架构、OCR 的视觉压缩记忆、NSA 的长上下文效率、Math-V2 的自我验证……这些创新都是在 V3 这个基座上迭代出来的。

那么，一个参数更大、训练 FLOPs 更多的 V4，再叠加这些已经验证有效的方法论，会出现怎样的化学反应？

一个合理、甚至是大胆的预期是，当 V4 或 R2 到来时，我们看到的可能已经不是传统意义上的“更强语言模型”，而是一个能够感知多模态环境、具备更长期记忆、并能在真实交互中持续进化的系统。如今发生在合成环境中的自我博弈，未来可能会延伸到真实环境的在线学习。

而在算力上，在今天英伟达频繁形容其中国市场份额已经归零的背景下，继续 scaling 需要的算力资源看起来不太能够靠 H800 们提供，下一代模型会用什么样的更大的算力资源训练，如果这些算力缺口可以被补齐，完全形态的 DeepSeek 下一代模型会是什么样？这些显然更重要，也更让人产生联想。

扫码关注公众号

获取更多技术资讯