DeepSeek，你终于又杀回来了！

两个月前，当DeepSeek-V3.2-Exp（实验版）发布时，我写下了一篇分析，说我看到了开源世界向闭源巨头发起了有力冲击。如果说实验版是一份让人眼前一亮的“模拟考”答卷，那么这份正式版，就是一份直接写着排名、得分和对标竞品的正式成绩单，每一行数据都极具分量，每一个对比都直指要害。

毕竟DeepSeek承载了太多国人的期待，这次，DeepSeek-V3.2正式版，没有让我们失望。

这次发布的，不是一个模型，而是两个。

1. DeepSeek-V3.2（标准版）定位是“全能型选手”。目标是在推理能力和使用成本之间取得极致平衡，适合我们日常的问答、编程、和通用的Agent任务。
2. DeepSeek-V3.2-Speciale（特别版）定位是“奥赛金牌得主”。不计成本，只为将推理能力推向人类已知的极限，专攻最复杂的科学、数学和逻辑问题。

DeepSeek似乎在告诉市场：我们既有能与顶级闭源模型（如GPT-5）在日常应用中一较高下的“主力部队”，也有能在智力巅峰对决中战胜一切对手的“特种部队”。

我们先看看“特种部队”DeepSeek-V3.2-Speciale的成绩单：

• IMO 2025 (国际数学奥林匹克): 金牌
• CMO 2025 (中国数学奥林匹克): 金牌
• IOI 2025 (国际信息学奥林匹克): 金牌 (相当于人类选手第10名)
• ICPC World Finals 2025 (国际大学生程序设计竞赛全球总决赛): 金牌 (相当于人类选手第2名)

这份成绩单确实亮眼，这已经不是“模型能力强”可以形容的了。这是通用大模型在人类智力最顶尖、最纯粹的赛场上，实现了降维打击。

再看具体的评测分数对比：

看明白了吗？在AIME和HMMT这两项顶级数学竞赛评测上，Speciale版本的分数全面超越了目前已知最强的闭源模型Gemini-3.0-Pro，并对GPT-5-High形成碾压之势。Codeforces编程能力也与Gemini-3.0-Pro平起平坐。代价是消耗更多的tokens进行“长思考”，但结果证明，这种投入是值得的。它向世界证明了，在推理能力的上限上，开源模型完全可以做到世界第一。

再看“主力部队”DeepSeek-V3.2的表现：

官方公告里有一句极具分量的话：“在公开的推理类Benchmark测试中，DeepSeek-V3.2达到了GPT-5的水平，仅略低于Gemini-3.0-Pro。”

以下是对比数据：

从数据中我们可以清晰地读出三点：

1. 能力对标V3.2的推理能力确实已经和GPT-5-High在同一梯队，互有胜负。
2. 效率优势相比国内同样以推理见长的Kimi-K2-Thinking，V3.2在取得相似甚至更高分数的同时，消耗的tokens（括号内数字）减少了近40%-50%。这意味着更快的响应速度和更低的使用成本。
3. 技术基石这一切都建立在实验版已经验证成功的DSA稀疏注意力机制之上，它从底层架构保证了模型在处理长文本时的高效率和低成本，让这种“既要又要”（高性能+低成本）的平衡成为了可能。

这第一张王牌，打出了开源模型的信心和底气。它告诉我们，开源不仅能追，还能赶超。

让Agent学会“思考”，而不只是“执行”

如果说推理能力的登顶是“深度”上的突破，那么Agent（智能体）能力的进化，则是“广度”和“实用性”上的再升级。

不同于过往版本在思考模式下无法调用工具的局限，DeepSeek-V3.2 是首个将思考融入工具使用的模型，并且同时支持思考模式与非思考模式的工具调用。DeepSeek还提出了一种大规模 Agent 训练数据合成方法，构造了大量「难解答，易验证」的强化学习任务（1800+ 环境，85,000+ 复杂指令），大幅提高了模型的泛化能力。

这些任务都有一个共同特点：“难解答，易验证”。比如要做个“杭州三日游”的规划，规划过程千头万绪，但验证一个方案是否符合所有约束条件却相对简单。通过在这种海量、高质量的“逆向工程”任务中进行强化学习，V3.2学会了真正的“运筹帷幄”。

我们再来看它在Agent评测上的“成绩单”，这次的对比对象，是所有主流的开源和闭源模型：

这份成绩单传递的信息同样清晰：

1. 开源领军在所有智能体相关的评测中，DeepSeek-V3.2的得分全面、大幅度地超越了目前所有的其他开源模型。尤其是在Tool-Decathlon和MCP-Mark这类复杂任务上，优势几乎是碾压性的。
2. 缩小鸿沟它极大地缩小了与Claude、GPT-5等顶级闭源模型在Agent能力上的差距，甚至在某些项目（如Terminal Bench）上实现了反超。
3. 泛化潜力官方特别强调，V3.2并没有针对这些评测集进行特殊训练。这意味着它在训练中学会的是通用的、可泛化的Agent能力，这在真实应用场景中的价值，远高于在某个榜单上刷分。

这意味着我们手中的AI，正在从一个“问答机”，进化为一个真正可以协同工作的“数字员工”。结合MCP server它能在你给出复杂指令后，自主思考、规划步骤、调用工具、解决问题，最终交付结果。

下面是我用DeepSeek-V3.2在执行出行规划任务，调用搜索工具情况下的测试结果，DeepSeek-V3.2在调用三次工具不成功的情况下果断停止，基于自己的知识输出方案，避免了循环调用工具导致token消耗巨大的问题。其实调用失败是常见现象，之前我用过很多模型，看起来能力很强，但其实是以消耗token为代价的。

最后总结一下：

DeepSeek-V3.2正式版的发布，远不止是一次简单的模型迭代。

尽管DeepSeek-V3.2与那些闭源巨头相比仍存在差距，但它正在迎头赶上，它也在向整个行业宣告：

• 开源模型，可以在核心能力上问鼎全球。
• 开源模型，可以在应用落地上比肩巨头。
• 开源模型，可以走出一条不依赖模仿、自我进化的创新之路。

本公众号聚焦实战，拆解最新的AI工具与商业案例。不讲空话，直接讲透如何解决实际业务问题、驱动公司业务成长。我们的目标：让您读到的每一次思考、每一个案例，都能带来启发，拿来就能用。若您有意进一步探讨相关内容，欢迎扫描下方二维码添加好友，以便我们更充分地沟通学习，一起提升！