来源：市场资讯

（来源：硅星人）

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。

点个“爱心”，再走 吧