DeepSeek V3.2 测评

DeepSeek V3.2 测评 DeepSeek V3.2 测评 Modified September 30, 2025 🔗 原文链接： https://mp.weixin.qq.com/s/ETAmcrEj... 原创 toyamanao 大模型观测员2025年09月29日 21:55 广东 短的结论：蹲下是为了蓄力跳的更高 基本情况： 按照DeepSeek平均每2个月发布一次大更新的节奏来看，9月底是应该有一次更新的。就在大家以为一周前的V3.1 Terminus就是9月交货时，DeepSeek交出来真正的9月更新，V3.2。 作为一个实验版本，官方似乎对V3.2的性能不太有信心，在不同渠道释放了希望广大用户参与对比测试的信息。并且也特别的把V3.1服务额外保留15天。这一切预示着V3.2恐怕不是大家预期中的，去冲击GPT 5兼美股轰炸机新一代大模型。 从性能测试来看，V3.2确实要弱于V3.1 5 10%，基础版争气的保住了中位分数，基本无负向。推理版连中位也保不住了。Token消耗上，V3.2也基本持平V3.1。但得益于其定价打了骨折，V3.2在同性能模型中又显得眉清目秀，相当顺眼了。所以如果你愿意花25%的价格，买90%的性能，那V3.2就正是为你准备的。 逻辑成绩： 1 表格为了突出对比关系，仅展示部分 可对照模型 ，不是完整排序。 2 题目及测试方式，参见： 大语言模型 逻辑能力横评 25 09月榜 。 3 完整榜单更新在 Github ( github.com/malody2014/llm benchmark) 不足： • 工作记忆 ：V3.2的工作记忆比V3.1有显著劣化，如 43目标数问题， 基础版 和 推理版 都会重复使用数字，导致得分低于V3.1。 29数学符号还原问题，解题需要的技巧不多，靠穷举可以解决。但 推理版 因为过程中无法记住已排除的错误答案，花费30K Token，最终还是放弃解答。而V3.1仅用8K Token就解出正确答案。其他推理步骤多的问题，V3.2表现也类似，如 4魔方旋转， 40代码推导。 • 计算精度 ：V3.2基础版的计算精度与V3.1相当，都存在少量误差。但V3.1推理版能稳定保持低误差，计算精度高。V3.2推理版却做不到这一点，计算问题 22， 38题，推理版的误差并不比基础版少，而且3Pass也不稳定。 • 偷懒倾向 ：V3.2有着比以往都要高的偷懒倾向，遇到复杂问题， 基础版 在推理到一定深度时，会主动放弃，改用更直接的方式回复，比如会说“我直接给出常见匹配结果，根据以往经验”，这对终端用户显然是不友好的，如果用户不仔细看完推理全文，很难知道最终答案来自猜测。 推理版 同样受影响，如推理过程较长的 49激光器问题，V3.1会消耗70K Token尽量做完全推理，而V3.2只消耗50K就输出最终答案。而GPT 5平均也要到60K。 • 死循环 ：死循环问题在DeepSeek之前的基础模型中是十分罕见的，在笔者的标准测试题中从未出现。但V3.2 基础版 出现一次耗尽Token的死循环，并且在 22题，其中一步推理基础版陷入穷举，险些死循环，但最终被模型意识到，自己停止了穷举。 赛博史官曰： DeepSeek这家公司是有追求的，他们一方面仰望星空，坚信AGI终会到来，尽管抵达AGI的路还模糊不清。另一方面又脚踏实地，愿意尝试一下前人没有探索过的方向，做领航员。一些由他们探索出来的路线如今已广泛应用在主流大模型中。他们总是以最大善意，向同行，向用户分享他们的最新成果。V3.2作为探索版本，在实用性上有些缺乏，但作为先行者，应该获得掌声。而且我们知道，在运动场上，选手蹲下是为了跳的更高。 https://mp.weixin.qq.com/s/ETAmcrEj... 大语言模型 逻辑能力横评 25 09月榜 github.com/malody2014/llm benchmark 🔗 原文链接： https://mp.weixin.qq.com/s/ETAmcrEj... https://mp.weixin.qq.com/s/ETAmcrEj... 原创 toyamanao 大模型观测员2025年09月29日 21:55 广东 短的结论：蹲下是为了蓄力跳的更高 基本情况： 按照DeepSeek平均每2个月发布一次大更新的节奏来看，9月底是应该有一次更新的。就在大家以为一周前的V3.1 Terminus就是9月交货时，DeepSeek交出来真正的9月更新，V3.2。 作为一个实验版本，官方似乎对V3.2的性能不太有信心，在不同渠道释放了希望广大用户参与对比测试的信息。并且也特别的把V3.1服务额外保留15天。这一切预示着V3.2恐怕不是大家预期中的，去冲击GPT 5兼美股轰炸机新一代大模型。 从性能测试来看，V3.2确实要弱于V3.1 5 10%，基础版争气的保住了中位分数，基本无负向。推理版连中位也保不住了。Token消耗上，V3.2也基本持平V3.1。但得益于其定价打了骨折，V3.2在同性能模型中又显得眉清目秀，相当顺眼了。所以如果你愿意花25%的价格，买90%的性能，那V3.2就正是为你准备的。 逻辑成绩： 1 表格为了突出对比关系，仅展示部分 可对照模型 ，不是完整排序。 2 题目及测试方式，参见： 大语言模型 逻辑能力横评 25 09月榜 。 大语言模型 逻辑能力横评 25 09月榜 3 完整榜单更新在 Github ( github.com/malody2014/llm benchmark) github.com/malody2014/llm benchmark 不足： • 工作记忆 ：V3.2的工作记忆比V3.1有显著劣化，如 43目标数问题， 基础版 和 推理版 都会重复使用数字，导致得分低于V3.1。 29数学符号还原问题，解题需要的技巧不多，靠穷举可以解决。但 推理版 因为过程中无法记住已排除的错误答案，花费30K Token，最终还是放弃解答。而V3.1仅用8K Token就解出正确答案。其他推理步骤多的问题，V3.2表现也类似，如 4魔方旋转， 40代码推导。 • 计算精度 ：V3.2基础版的计算精度与V3.1相当，都存在少量误差。但V3.1推理版能稳定保持低误差，计算精度高。V3.2推理版却做不到这一点，计算问题 22， 38题，推理版的误差并不比基础版少，而且3Pass也不稳定。 • 偷懒倾向 ：V3.2有着比以往都要高的偷懒倾向，遇到复杂问题， 基础版 在推理到一定深度时，会主动放弃，改用更直接的方式回复，比如会说“我直接给出常见匹配结果，根据以往经验”，这对终端用户显然是不友好的，如果用户不仔细看完推理全文，很难知道最终答案来自猜测。 推理版 同样受影响，如推理过程较长的 49激光器问题，V3.1会消耗70K Token尽量做完全推理，而V3.2只消耗50K就输出最终答案。而GPT 5平均也要到60K。 • 死循环 ：死循环问题在DeepSeek之前的基础模型中是十分罕见的，在笔者的标准测试题中从未出现。但V3.2 基础版 出现一次耗尽Token的死循环，并且在 22题，其中一步推理基础版陷入穷举，险些死循环，但最终被模型意识到，自己停止了穷举。 赛博史官曰： DeepSeek这家公司是有追求的，他们一方面仰望星空，坚信AGI终会到来，尽管抵达AGI的路还模糊不清。另一方面又脚踏实地，愿意尝试一下前人没有探索过的方向，做领航员。一些由他们探索出来的路线如今已广泛应用在主流大模型中。他们总是以最大善意，向同行，向用户分享他们的最新成果。V3.2作为探索版本，在实用性上有些缺乏，但作为先行者，应该获得掌声。而且我们知道，在运动场上，选手蹲下是为了跳的更高。