DeepSeek V3.2-推理与Agent能力的双重进化

DeepSeek昨天发布了V3.2，同时还有个Speciale版本。这次更新和之前的小版本迭代不太一样，重点放在了两个方向：推理能力和Agent场景。看完技术报告，我觉得有几个点值得聊聊。

先说结论：V3.2在数学、编程这些需要深度推理的任务上已经能跟GPT-5打个平手，Speciale版本甚至在IMO、IOI这种顶级竞赛中达到了金牌水平。更关键的是，模型完全开源。

长文本处理的效率问题解决了

V3.2最核心的改动是注意力机制。传统Transformer在处理长文本时有个老大难问题：计算复杂度是O(L²)，上下文越长，算力消耗呈平方级增长。这直接影响推理速度和成本。

DeepSeek的方案叫DSA（DeepSeek Sparse Attention）。原理不复杂：用一个轻量级的indexer快速筛选出每个token最需要关注的k个token，然后只对这k个token做注意力计算。复杂度直接从O(L²)降到O(Lk)。

indexer本身的计算开销很小，只用少量的attention heads，而且可以用FP8精度跑，所以整体效率提升明显。官方给的数据显示，在H800集群上处理128K上下文时，V3.2的token成本比上一代低了不少，prefilling阶段尤其明显。

这个改进对实际使用的影响很直接：长文档分析、大规模代码库处理这些场景下，推理速度更快，成本更低。

• BrowseComp: 51.4% (不用context management)，67.6% (用了context management策略)

强化学习投入加大

V3.2在后训练阶段的计算投入超过了预训练成本的10%。这个比例在开源模型里不算常见。

Tool Use：

他们用的还是GRPO算法，但做了几个工程优化来保证大规模训练的稳定性。比如修正了KL散度的估计方式，避免梯度不稳定；对off-policy的序列做mask，防止policy偏离太大；保持训练和推理时MoE模型的expert路由一致。这些看起来是细节，但在大规模RL训练中都很关键。

• MCP-Universal: 45.9%

从结果看，随着RL训练时长增加，模型在复杂推理任务上的表现确实在持续提升。这也验证了一个趋势：推理能力的提升越来越依赖后训练阶段的计算投入。

Agent能力的突破

V3.2是DeepSeek第一个在工具调用中集成推理能力的模型。这个听起来简单，实现起来有不少挑战。

• Summary: 超出80%上下文时总结已有轨迹，重新开始

核心问题是：如何让模型在使用工具的同时保持深度思考？DeepSeek的方案是先通过精心设计的system prompt让模型学会在推理过程中调用工具，然后大规模合成训练数据。

数据合成这块做得比较扎实。他们构建了1800多个合成环境，生成了85000个复杂任务：

Search Agent：从网上采样长尾知识点，生成问答对，然后用搜索工具验证答案正确性。这样保证了数据质量。

Discard-all效率更高，准确率能到67.6%，步数还更少。

Code Agent：从GitHub挖了数万个issue-PR对，自动搭建可执行环境。筛选标准很严：必须有明确的bug描述、可验证的测试用例、能跑通的修复方案。覆盖了Python、Java、JavaScript、C/C++、Go、PHP等主流语言。

General Agent：完全合成的环境。比如旅行规划任务，先生成相关数据库，再合成一套专用工具函数，最后生成任务和自动验证函数。验证函数的设计很巧妙：任务本身搜索空间很大（比如要满足多个约束条件），但验证起来很简单（check一遍约束就行）。

这些合成数据不是凑数的。他们做了消融实验：让GPT-5、Gemini 3.0 Pro这些顶级模型跑了50个合成任务，pass@1只有约五到六成。DeepSeek-V3.2-Exp（生成数据的base模型）只有约一成。说明任务确实有难度。

• Claude Sonnet 4.5: 34%

更重要的是泛化能力。拿V3.2的SFT checkpoint只在合成数据上做RL，在真实benchmark上也有明显提升。这证明合成环境和真实场景之间的gap不大。

实际表现怎么样

数学和编程任务上，V3.2基本对齐GPT-5-High：AIME 2025准确率93.1%（GPT-5是94.6%），LiveCodeBench是83.3%（GPT-5是84.5%），Codeforces rating 2386（GPT-5是2537）。

Speciale版本的数据更亮眼：AIME 96%，LiveCodeBench 88.7%，Codeforces rating 2701。在IMO 2025拿了35分（满分42），IOI 2025得了492分（满分600），ICPC世界总决赛解出7道题，都是金牌水平。

但token效率是个问题。Speciale在AIME上要用约2万token才能达到96%准确率，Gemini 3.0 Pro用15K token就能到95%。这就是长推理的代价——思考得更深，但也更啰嗦。

V3.2与GPT-5、Gemini 3.0 Pro、Claude Sonnet 4.5在多项任务上的对比

Agent相关的测试中，V3.2明显缩小了开源和闭源的差距。SWE-Verified（实际代码仓库的bug修复）73.1%，接近GPT-5的74.9%。SWE-Multilingual（多语言代码修复）70.2%，甚至超过GPT-5的55.3%。

工具调用方面，τ²-bench 80.3%，MCP-Universal 45.9%，Tool-Decathlon 35.2%。虽然还不如Gemini 3.0 Pro这种顶级闭源模型，但考虑到这是开源模型，已经很不错了。

V3.2支持在工具调用中使用thinking模式。文档链接：https://api-docs.deepseek.com/guides/thinking\_mode

有个小问题：V3.2在使用工具时经常做冗余的自我验证，导致对话轨迹很长，容易超出128K限制。DeepSeek测试了几种context management策略（Summary、Discard-75%、Discard-all），能缓解但还有优化空间。

怎么用

API方式：

V3.2的API调用和之前的V3.2-Exp一样，直接用就行。

Speciale用的是临时endpoint：https://api.deepseek.com/v3.2_speciale_expires_on_20251215，价格跟V3.2相同，但不支持工具调用，只能用到12月15日。主要是给研究者做评测用的。

V3.2支持在工具调用中开启thinking模式。需要注意的是，如果你用Terminus这类通过user message模拟工具交互的框架，thinking的效果会打折扣，因为V3.2在每次user message时会清除推理历史。这种情况建议用non-thinking模式。

开源模型：

两个版本都在HuggingFace上：

V3.2在推理和Agent能力上的进步是比较明显的，特别是在开源模型的context下。但和Gemini 3.0 Pro这样的顶级闭源模型比，还是有差距。

DeepSeek在论文里也承认了几个问题：

适合什么场景

V3.2比较适合这几类需求：

需要强推理能力，但不想依赖闭源API的项目。V3.2在数学、编程、逻辑推理这些任务上已经接近GPT-5水平，而且完全开源。

对于开发者来说，V3.2的意义可能不只是"又一个新模型"。它在某些测试中已经能跟GPT-5持平，而Speciale版本甚至在数学和编程竞赛中拿到了金牌水平的成绩。更关键的是，这些能力都是开源的。

Agent应用，特别是代码相关的。SWE-bench的成绩证明它在实际代码仓库中修bug的能力不错。如果你在做coding assistant、自动化测试、代码审查这类工具，V3.2是个靠谱的选择。

多步骤规划和复杂工具调用场景。虽然在某些benchmark上还不如顶级闭源模型，但V3.2能在工具调用过程中保持推理能力，这在开源模型里是首次实现。

如果你对token消耗不敏感，或者任务本身就需要深度推理（比如数学证明、算法竞赛、复杂系统设计），Speciale会是更好的选择。

还有哪些不足

DeepSeek在论文里也坦诚地提到了几个限制：

知识覆盖面不如顶级闭源模型。这是预训练FLOPs少导致的，只能靠增加预训练计算量来补。

token效率有待提升。V3.2通常需要输出更长的推理链才能达到相同质量，在生产环境中这意味着更高的latency和成本。

复杂任务上还是有差距。虽然在部分测试中接近GPT-5，但在某些需要世界知识和常识推理结合的任务上，还不如Gemini 3.0 Pro这种顶级模型。

从我的观察看，V3.2的发布让开源模型在推理和Agent领域又往前走了一步。虽然和最顶级的闭源模型比还有距离，但至少在不少实际应用场景中已经够用了。对于想用开源方案构建AI应用的开发者来说，这是个不错的选择。

引用

https://api-docs.deepseek.com/news/news251201
https://x.com/deepseek_ai/status/1972604768309871061
https://t.co/7EyydyNuG0