DeepSeek v3.2 正式发布，对标 GPT-5

DeepSeek 前几天发布了 V3.2 的正式版公告。标准版的DeepSeek - V3.2适用于日常场景，而DeepSeek - V3.2 - Speciale 则具备较强的指令跟随、数学证明和逻辑验证能力。（BTW，Claude 也发了新版，但是好像没什么人关注）

双版本发布，日常场景 VS 专业场景

DeepSeek 这次推出了两个定位不同的版本。

DeepSeek-V3.2：能思考，会用工具，还跑得快

这是面向大多数用户和开发者的模型。官方数据显示，其综合推理能力已达到 GPT-5 水平，仅微弱差距次于 Gemini-3.0-Pro，但是其成本却远低于GPT-5。

图片来源DeepSeek

它的核心进化在于平衡与实战：

• 思考融入工具调用（Thinking with Tools）：这是 V3.2 最大的杀手锏。以往的模型，要么闷头思考，要么傻傻调用工具。V3.2 打通了这两者，支持在思考模式下调用工具。模型可以先分析问题，决定调用什么工具，根据工具返回的结果继续思考，再进行下一步操作。
• 效率暴增：相比 Kimi-K2-Thinking 等竞品，V3.2 显著降低了输出长度。简单说就是：废话少了，干货多了，响应快了，Token 成本降了。这对于需要大规模部署 Agent（智能体）的企业来说，是实打实的降本增效。

DeepSeek-V3.2-Speciale：为极限难题而生

这是一个不计成本、追求极致智力的版本。它结合了 DeepSeek-Math-V2 的定理证明能力，专门用来搞研究的。

它的战绩足以让整个 AI 圈子侧目

• ICPC World Finals 2025（国际大学生程序设计竞赛）：金牌，水平相当于人类选手 第 2 名。
• IOI 2025（国际信息学奥林匹克）：金牌，位列人类选手 第 10 名。
• 同时斩获 IMO 2025 和 CMO 2025 数学奥赛金牌。

图片来源DeepSeek

这个版本强，但也贵，因为它消耗的 Token 显著更多，且目前仅供研究，不支持工具调用，也没有针对日常闲聊优化。就像一个按秒计费的顶级数学家，只有在标准版搞不定的时候，才需要请它出山。

DeepSeek V3.2 的正式发布，说明了。

长文本应用成本下降

• 过去，企业想要处理几十万字的法律文档或金融财报，只能依赖昂贵的闭源 API（如 Claude 3 Opus）。DeepSeek v3.2 证明了通过稀疏注意力机制，可以在消费级或中端算力上实现同等效果。这将直接拉低 RAG（检索增强生成）和长文档分析的落地门槛。

“开源打不过闭源”的终结

• 业内一直说“开源模型永远落后闭源模型8个月。”这个结论不好说对不对，但 v3.2 标准版对标 GPT-5，Speciale 版在竞赛中横扫金牌，证明了开源模型在顶级智力任务上已经具备了与闭源巨头（OpenAI, Google）正面硬刚的实力。

算力效率的新标杆

• DeepSeek 再次证明，单纯堆参数、堆显卡不是唯一出路。通过算法优化（DSA）和训练策略调整（两阶段训练：先密集热身，再稀疏训练），可以用更少的算力达到 SOTA（当前最佳）水平。这给那些算力受限的研究机构和企业指明了一条新路。

本地部署实战指南

对于想要在本地运行 DeepSeek V3.2 的用户，或者希望通过 API 集成新特性的工程师来说，Python 环境配置是一个关卡。

无论是本地部署推理（依赖 PyTorch、Transformers），还是调用 API 进行复杂的“思考+工具”交互，都离不开 Python 生态。

特别是 V3.2 引入了新的 API 交互逻辑：在多轮对话中，需要手动处理 reasoning_content（思维链）。例如，在同一个问题内需要回传思维链让模型继续思考，但在开启新问题时必须删除旧的思维链。这种精细的逻辑控制，必须通过 Python 脚本来实现。

为了解决这些脏活累活，我强烈推荐使用 ServBay。虽然它自称为 Web 开发工具，但它实际上是一个全能的开发环境管理平台。

ServBay 的核心优势：

• 一键安装 Python：不需要去官网下载安装包，也不用折腾 Homebrew，ServBay 可以一键安装最新版的 Python，完美适配 DeepSeek V3.2 的依赖需求。
• 环境互不干扰：ServBay 的环境是独立的，不会污染系统文件。可以在里面随意安装 PyTorch、Transformers 等大型库，玩坏了重置即可，安全无痛。
• 多版本共存：如果你的旧项目还在用 Python 3.9，而 DeepSeek 推荐更新的版本，ServBay 支持同时运行多个环境，互不打架。

调用演示，体验 V3.2

由于 V3.2 的 API 调用逻辑有更新，以下是一段基于 Python 的标准调用示例。

from openai import OpenAI
import os

# 建议将 Key 放入环境变量，或者直接替换
client = OpenAI(
    api_key="YOUR_API_KEY", 
    base_url="https://api.deepseek.com"
)

messages = [
    {"role": "user", "content": "帮我计算斐波那契数列第10位，并解释原理"}
]

# 发起请求
response = client.chat.completions.create(
    model="deepseek-chat", 
    messages=messages,
    stream=True
)

print("DeepSeek V3.2 正在思考并回答...\n")

reasoning_content = ""
content = ""

for chunk in response:
    delta = chunk.choices[0].delta
    
    # 获取思考过程
    current_reasoning = getattr(delta, 'reasoning_content', None)
    if current_reasoning:
        reasoning_content += current_reasoning
        print(current_reasoning, end="", flush=True) 
    
    # 获取最终回答
    if delta.content:
        content += delta.content
        print(delta.content, end="", flush=True)

print("\n")

通过 ServBay 快速搞定 Python 环境，就能跳过繁琐的配置环节，直接把 DeepSeek V3.2 的强大能力接入到工作流中。无论是用于日常提效的标准版，还是用于攻克难题的 Speciale 版，都可以上手玩一下。