就在上周，OpenAI 前首席科学家、现任 SSI 掌门人 Ilya Sutskever 在播客中抛出了一枚震撼行业的“烟雾弹”：他认为过去五年主导 AI 发展的“Scaling Age”（规模化时代）已近黄昏。预训练数据的枯竭意味着，单纯依靠堆砌 GPU 将模型放大百倍，已不再能保证质的飞跃。在他看来，行业正被迫回归以纯粹研究为核心的时代，唯一的区别是我们现在手握巨大的算力。这一言论，似乎为盛传已久的“Scaling Law 撞墙论”盖上了官方印章。

然而，仅仅数日之后的 12 月 1 日，大洋彼岸的 DeepSeek 便用 V3.2 和 V3.2-Speciale 两款新模型，给出了一份截然不同的答卷。

拒绝“撞墙论”：DeepSeek 的反击宣言

模型发布后，DeepSeek 研究员 Zhibin Gou 在社交媒体上的发言，不仅是对新产品的介绍，更像是一份技术宣言：

“如果说 Gemini-3 证明了预训练规模仍有挖掘空间，那么 DeepSeek-V3.2-Speciale 则向世界展示了在大规模上下文语境下，强化学习（RL）惊人的扩展潜力。我们耗时一年将 DeepSeek-V3 推向极限，得出的核心信条是：与其被动等待更强的基础模型，不如通过优化方法论和数据，主动打破训练后的瓶颈。 ”

他更是直言不讳地补充道：“持续扩大模型规模、数据量、上下文和强化学习投入。别让那些‘遭遇瓶颈’的杂音阻挡你前进的步伐。”

在全行业都在焦虑 Scaling Law 是否失效的当下，DeepSeek 团队这番罕见的高调发声意味深长。他们用实打实的代码和模型证明：Scaling Law 并没有死，它只是从“预训练”的战场，转移到了“后训练”和“推理”的战场。

虽然行业内普遍承认后训练（Post-training）的重要性，但敢于将超过预训练成本 10% 的算力预算“豪赌”在强化学习上的企业，DeepSeek 仍是凤毛麟角。他们不仅是这条路线的信徒，更是将其工程化、规模化的先行者。

此次发布的双子星模型，正是这一激进路线的结晶：V3.2 旨在成为对标 GPT-5 的日常主力；而 Speciale 则剑指极限推理，对标 Gemini 3.0 Pro，并已将四枚国际竞赛金牌收入囊中。

V3.2：极致效率的通用主力

V3.2 是 9 月实验版 V3.2-Exp 的正式继承者，其核心使命是在“推理能力”与“输出成本”之间寻找完美的平衡点。

在硬核的推理类基准测试中，V3.2 已然跻身 GPT-5 的同温层：AIME 2025 数学竞赛得分 93.1%（GPT-5 为 94.6%），HMMT 2025 二月赛得分 92.5%（GPT-5 为 88.3%），LiveCodeBench 代码评测得分 83.3%（GPT-5 为 84.5%）。更关键的是，相比 Kimi-K2-Thinking 等竞品，V3.2 在保持性能的同时，通过严格的 Token 约束和长度惩罚机制，实现了更省、更快、更经济的输出。

底层架构的革新：DeepSeek Sparse Attention (DSA) V3.2 的效率秘密源于架构层面的突破——引入 DeepSeek 稀疏注意力机制（DSA）。这项技术将计算复杂度从传统的 O(L²) 降维打击至 O(Lk)。经过两个月的实战验证，DeepSeek 确认了 DSA 的巨大价值：在标准 Benchmark 和 ChatbotArena 评分持平甚至略优于全量注意力模型的前提下，大幅释放了算力效率。这意味着 DeepSeek 赌对了方向：稀疏注意力是通往高效能的必经之路。

打破“思考”与“行动”的隔阂 V3.2 还达成了一项重要成就：它是首个将“深度思考”与“工具调用”无缝融合的模型。包括 OpenAI o 系列在内的过往推理模型，往往在进入思考模式后便无法操作外部工具。V3.2 打破了这一桎梏，无论是否处于思考模式，都能灵活调用工具，极大地扩展了其实用边界。

Agent 能力的“合成”进化 技术报告中最引人注目的篇章，在于其 Agent 能力的训练方法论。DeepSeek 构建了一套包含 1800+ 环境和 85000+ 复杂指令的大规模任务合成流水线。其核心哲学是**“难解答，易验证”**。

以旅行规划为例，搜索空间巨大，但验证方案是否合规却极易自动化。这种特性天然契合强化学习，模型无需人工标注，仅凭大量的自我尝试和明确的对错反馈即可进化。结果显示，仅依靠合成数据进行 RL 训练的模型，在 Tau2Bench 等基准测试中取得了显著提升，证明了这种泛化能力的真实性，而非单纯的“刷榜”技巧。

V3.2-Speciale：以“过程正义”换取极限逻辑

如果说 V3.2 是通过克制来追求效率，那么 Speciale 则是通过“放纵”来追求深度。作为“长思考增强版”，Speciale 被设计为放宽长度限制，鼓励模型进行更深层次的思维推演。

技术报告中的数据揭示了一个有趣的现象：在 AIME 2025 测试中，Speciale 的输出高达 23k tokens，远超 GPT-5 High 的 13k 和 Gemini 3.0 Pro 的 15k；在 Codeforces 上，其输出量甚至是 Gemini 的 3.5 倍。

然而，得益于 DeepSeek 激进的定价策略和 DSA 带来的效率红利，即便 Speciale “想得更多”，其使用成本依然对竞争对手构成降维打击：比 GPT-5 便宜约 25 倍，比 Claude Opus 4.5 便宜约 62 倍。

从数学证明到通用逻辑的泛化 Speciale 的核心价值在于验证了一个关键假设：对推理“过程”的监督，可以从数学领域泛化到更广泛的逻辑任务中。

继承自 DeepSeekMath-V2 的“生成器-验证器”双模型架构在这里大放异彩。生成器负责产出，验证器负责找茬，两者在动态博弈中同步提升。DeepSeek 成功将这套原本用于数学定理证明的“过程监督”机制，迁移到了代码生成和通用逻辑任务中。这意味着“自我验证”不再是数学极客的专属工具，而已成为一种通用的能力提升范式。

结语：当 DeepSeek 补齐最后一块拼图

DeepSeek 的技术报告向来以坦诚著称，这次也不例外。他们在“局限性”部分直言：由于总训练 FLOPs（浮点运算次数）较少，V3.2 在世界知识的广度上仍落后于 Gemini 3.0 Pro 等顶级闭源模型。

但这恰恰暴露了 DeepSeek 的战略定力：不盲目等待更大的基础模型，而是先用一年时间，将合成数据、自我验证和大规模 RL 的方法论打磨到极致，探明后训练时代的上限。

如今，方法论已验证成功：

• V3.2 证明了“自我进化式工程”在通用效率上的威力；
• Speciale 证明了过程奖励与自我验证在高阶逻辑推理中的可行性。

两条路径殊途同归：未来的 AI 进化不再依赖人力堆砌，而是依靠合成环境中的自我博弈。

DeepSeek 下一步的计划已在报告中明示：扩大预训练算力，补齐知识短板。

这不禁让人产生巨大的遐想： 回顾过去一年，从 Janus 的多模态统一，到 Math-V2 的自我验证，DeepSeek 在 V3 这个基座上已经迭代出了惊人的创新。那么，当一个参数规模更大、训练数据更足的 V4 或 R2 问世，并叠加这些已经验证成熟的方法论时，会发生怎样的化学反应？

或许，当算力缺口被补齐的那一刻，我们看到的将不再是一个传统的“语言模型”，而是一个具备长期记忆、能感知多模态环境、并在真实交互中持续自我进化的智能体。在英伟达高端算力受限的背景下，DeepSeek 如何解决算力来源虽是未知数，但一个“完全体”的 DeepSeek 下一代模型，无疑是目前 AI 领域最值得期待的变量。想要在职场中脱颖而出？点击→立即尝试 让 AI 成为你职业成功的加速器！🚀