12月2日，DeepSeek 发布了 V3.2 技术报告。在这篇论文里，他们做了一件罕见的事：明确指出开源大模型与闭源模型的性能差距不是在缩小，而是在扩大。
这是基于大量实测数据的冷静判断。
差距正在拉大，这是事实
2024年，当 DeepSeek、Qwen、GLM 等开源模型接连发布时，社区充满乐观情绪。"8个月时间差"的说法广为流传，许多人相信开源正在追上闭源。但进入2025年，情况发生了变化。
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。”
这个观察有数据支撑。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 是 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 的得分是 25.1，GPT-5 是 26.3，而 Gemini 3.0 Pro 高达 37.7——这个差距已经不是"接近"能形容的了。
值得注意的是，DeepSeek V3.2 已经是目前最强的开源模型，在大部分开源模型的对比中都处于领先位置。但即便如此，它与顶级闭源模型之间仍然存在明显差距，尤其是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。这些不是表面问题，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，这种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"。当闭源模型已经在探索更高效的注意力机制时，开源模型还在用五年前的技术架构，这本身就是一个巨大的劣势。
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，需要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，预训练本身就是天价投入，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 是 51.0；在 MCP-Universe 中，前者是 80.3，后者是 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 没有选择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是 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)。
这个改进不仅仅是理论上的优化。论文通过实测数据表明，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好。
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 85,000 条复杂提示，涵盖各种真实场景。具体包括 24,667 个代码 Agent 任务、50,275 个搜索 Agent 任务、4,417 个通用 Agent 任务和 5,908 个代码解释器任务。这些合成数据不是随机生成的，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地生成高质量训练场景。
效果是显著的。在 Agent 相关的测试中，DeepSeek V3.2 显著缩小了与闭源模型的差距，在 MCP-Universe 上达到了 80.3% 的成功率，虽然仍低于 Gemini 的 87.9%，但已经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
整理：周华香
点个“爱心”，再走 吧