DeepSeek V3.2 技术突破与用户锁定

DeepSeek 发布 V3.2,带来架构和市场影响。
Key insights
DeepSeek-V3.2 引入 DSA 稀疏注意力
DeepSeek-V3.2 包含一种核心架构创新,称为 DeepSeek 稀疏注意力(DSA)。DSA 通过关注关键片段而非扫描所有标记,减少了长文本的计算复杂度,将复杂度从指数/几何增长降低到接近线性,同时保持理解准确性。报告将主要的推理速度和成本改进归因于 DSA。(支持技术报告观察和声称的计算减少)
训练流程使用专家模型和大规模 RL 蒸馏
V3.2 的训练策略首先为数学、编程和逻辑等领域生成专业的专家模型,然后进行知识蒸馏和大规模强化学习,以将专家技能转移到通用的 DeepSeek 模型。该流程强调专家差异化、高质量专家输出的蒸馏以及强化学习,以改善推理和问题解决能力。
通过合成任务环境提升代理能力
DeepSeek 在超过 1,800 个合成复杂任务场景中训练代理,涵盖工具使用、软件操作和多步骤工作流程。模型在这些模拟环境中经历了迭代试验和反馈强化,以增强现实世界的工具使用和指令遵循,提高了实际代理任务的稳健性。
性能声明:与领先闭源模型的平价或优势
技术报告声称 DeepSeek-V3.2 在推理和代理基准测试中与当代闭源模型相匹配或超越,引用在多个测试中与 Gemini-3.0-Pro 的平价,并在一些复杂任务中超越 GPT-5。它还报告在 IMO 和 IOI 数学/信息学基准测试中达到金级表现,作为硬科学能力的证据。
用户保留受 '灰姑娘玻璃鞋' 锁定驱动
分析将心理锁定标记为 '灰姑娘玻璃鞋效应':首次遇到完美解决高价值需求的模型的用户形成强烈、持久的依恋。OpenRouter 对数十亿次调用的分析报告显示,早期的 '适配' 用户成为基础群体,即使面对后续更高性能模型也抵制迁移。该效应强调体验适配、角色稳定性和工作流程绑定,而非原始模型基准性能。