产品发布与版本概述 - DeepSeek V3.2版本于12月1日晚正式上线并向所有用户开放，同时在各开源社区上传了本地部署模型供所有用户使用[1] - 该版本共有两个版本：在官方网站免费使用的DeepSeek V3.2版和仅支持API服务访问的DeepSeek V3.2-Speciale版，后者拥有更强的推理能力，主要用于探索模型能力的推理上限[2] - V3.2-Speciale版会主动进入"长思考加强"模式，并结合DeepSeek-Math-V2的定理证明能力，使其拥有更强的指令跟随、数学证明和逻辑验证能力[2] 性能表现与基准测试 - DeepSeek V3.2的推理能力基本与OpenAI的GPT-5相近，但成本远低于GPT-5[1] - V3.2-Speciale在官方测试中的推理基准测试成绩直接媲美最新的Gemini-3.0-Pro[2] - 在IMO 2025、CMO 2025、ICPC World Finals 2025及IOI 2025等四项赛事决赛试题测试中均获得金牌成绩，在ICPC和IOI测试中达到人类选手第二及第十名水平[4] - 横向对比中，DeepSeek V3.2-Speciale的赛事成绩全部超越了GPT-5 High[4] - 在具体基准测试中，V3.2-Speciale在AIME 2025得分为96.0(23k)，HMMT Feb 2025得分为99.2(27k)，IMOAnswerBench得分为84.5(45k)，LiveCodeBench得分为88.7(27k)，CodeForces得分为2701(77k)[5] 技术创新与成本优势 - 主要技术突破是引入DeepSeek Sparse Attention稀疏注意力机制，通过双版本设计满足不同场景下的推理需求[5] - DSA机制从根本上解决AI大模型在注意力方面的效率问题，通过有选择地计算部分关键元素之间的关联，显著降低所需计算数据[6] - 在DSA机制加持下，128K序列推理成本降低60%以上，推理速度提升约3.5倍，内存占用减少70%，同时模型性能没有明显下降[12] - 在H800集群测试中，序列长度达128K时，预填充阶段每百万token成本从0.7美元降到0.2美元，解码阶段从2.4美元降到0.8美元[12] - DeepSeek V3.2可能成为同级别AI大模型中长文本推理成本最低的模型[12] 功能升级与应用能力 - DeepSeek V3.2允许AI大模型在思考模式下调用工具，调用及使用工具的过程无需训练，使其拥有更强大的通用性能[13] - 作为开源模型可更好兼容使用者自制的工具[13] - 模型具备自主决策使用工具的能力，能够分步骤使用搜索和数学工具解决问题，并进行多轮答案验证[16][19][21] - 新功能使模型可通过拆解问题、逐个提问并针对问题使用不同工具来给出更好的解决方案，最后整合所有回答[21] 行业影响与市场定位 - DeepSeek V3.2在多个权威基准中对标GPT-5、Gemini 3.0 Pro，但推理成本只有行业主流模型三分之一甚至更低[22] - 模型以完全开源方式发布，终结了"开源模型永远落后闭源模型8个月"的行业争论[22] - DSA带来的成本革命对AI大模型商业化造成显著影响，成本下降60%不仅关系运营成本，还包括前期部署成本，使小型企业都可借助DeepSeek训练出更强模型[22] - 长文本交互价格足够低后，高级AI应用将不再局限于企业级市场，能更好推广到消费级市场使用，可能极大加速"AI工具取代传统软件"的趋势[23]

AI在医疗领域的应用定位 - 当前AI不能替代专业医生进行诊断和治疗，因其无法执行医学专家所需的全面检查、个性化问诊和复杂决策 [2][23] - 生成式AI普遍存在“幻觉”问题，可能输出看似合理但不准确的信息，在医疗应用中存在潜在风险 [3] - 国家法规明确规定人工智能软件不得替代医师本人提供诊疗服务，且严禁使用AI自动生成处方 [23][24] AI作为医疗助手的具体应用场景 - 智能门诊分诊：输入病史后AI可推荐挂号科室，帮助患者精准就医 [4] - 智能就医咨询：提供就诊流程、注意事项（如空腹要求）等准备工作指导 [4] - 医疗知识科普：确诊后解释疾病信息、医学名词和健康管理方法 [4] - 用药指导辅助：咨询药物副作用、相互作用等用药安全问题 [4] 优化AI医疗咨询效果的方法 - 提供完整病史模板需包含性别年龄、症状细节、过敏史、女性月经情况等核心信息 [8][9] - 选填病史包括既往病史、生活习惯、家族史等可显著提高诊断准确性，例如腹痛患者补充“末次月经40天前”需排查宫外孕 [11][13] - 上传近期检验检查结果及历史报告对比，可为判断疾病进展提供辅助依据 [15][16] AI医疗咨询的局限性及使用规范 - 紧急症状如胸痛、呼吸困难等需直接拨打急救电话，不应先咨询AI [17] - AI给出的治疗建议或方案调整需经医生确认后方可执行，尤其涉及处方药使用时 [21][23] - 当AI建议与医生诊断冲突时，应优先参考医生的专业判断和权威医疗指南 [19][23] 行业发展现状与前景 - 全国近百家医院已完成DeepSeek本地化部署，应用于临床辅助诊疗、医院管理等多个环节 [23] - AI在解释医学名词、推荐科室等基础信息提供方面准确性较高，具有重要参考价值 [23] - 行业认为AI目前主要起参考辅助作用，其“仅供参考”的提示体现了对医疗安全性的高度重视 [24]

技术突破与架构创新 - 公司发布DeepSeek-V3.2和Speciale两款模型，推理性能对标GPT-5，在数学、逻辑和多轮工具调用中表现强势，成功刷新国内开源模型在推理能力上的最高纪录[1][2] - 突破核心在于引入稀疏注意力机制（DSA），通过“闪电索引器”快速预判关键token对，将核心注意力机制的计算复杂度从平方级降至近线性，在128K超长上下文中保持稳定计算负担[2][3] - 采用“密集预热—稀疏过渡”的双阶段训练策略，实现架构渐变式演进，在Fiction.liveBench、AA-LCR等长文本任务测试中信息召回、上下文一致性和压缩表达能力得分显著上升[3] Agent能力与战略转向 - 公司将“Agent能力”与“推理能力”并列为核心指标，视Agent为模型能力释放与产业落地的桥梁，而非附属模块[6] - 为打造Agent训练体系，合成了超过1800个智能体环境，设计了约85,000条高复杂度任务提示，通过自研的GRPO策略进行强化学习闭环训练[7][8] - 引入“Thinking in Tool-Use”工具使用范式，将执行链条改为交错逻辑，并设计上下文管理策略，使推理轨迹在工具调用过程中被完整保留，实现“状态延续机制”[4][8] 后训练策略与效率提升 - 采用“后训练三件套”策略：专家蒸馏、多轨强化学习、工具思维机制融合，通过六类专家模型生成高质量训练样本反哺主模型[10][11] - 后训练阶段算力投入占比超过预训练预算的10%，强化学习过程通过任务环境自带反馈机制与rubric自动评分，形成闭环学习路径[11] - 设计冷启动系统提示和上下文状态管理，显著降低token冗余，提升“单位token的智能密度”，实现在资源受限前提下提升模型效能[12] 行业竞争格局与路径选择 - 在规模红利见顶后，行业竞争焦点从“参数多少”回归到“思维组织力”与“能效比”[5] - 公司对Agent的理解从“任务执行插件”上升至“模型操作系统”组成部分，试图主导“交错式思维+工具使用”的统一范式，争夺平台话语权[9] - 与闭源阵营追求“更大、更快、更强”的路径不同，公司代表了一种“更轻、更稳、更聪明”的新路径，以更强的推理组织力和更高效训练范式重构开源模型竞争秩序[13]

创业板50ETF（159949）实时交易数据 - 截至12月3日10:20，创业板50ETF（159949）上涨0.48%，报1.467元，成交额4.22亿元，换手率1.66% [1][6] - 该ETF日内最高价1.478元，最低价1.461元，振幅1.16%，均价1.470元 [2][7] - 近5日净流入27,465万元，近20个交易日累计成交金额323.05亿元，日均成交金额16.15亿元 [2][7] - 今年以来222个交易日累计成交金额3,205.79亿元，日均成交金额14.44亿元 [2][7] 创业板50ETF（159949）历史表现与基本资料 - 该ETF 5日涨幅1.38%，20日跌幅2.52%，60日涨幅9.81%，120日涨幅52.65%，250日涨幅50.62% [2][7] - 52周价格区间为0.76元至1.60元，当前净值1.4591元，升贴水率0.54% [2][7] - 跟踪创业板50指数（代码399673），市盈率47.58，市净率5.89，市销率5.21，股息率0.96% [2][7] - 日均偏离度1年为0.01%，跟踪误差1年为0.58%，最小申赎单位份额为1,000,000 [2][7] 创业板50ETF（159949）持仓结构 - 前十大重仓股包括宁德时代、中际旭创、东方财富、新易盛、阳光电源、胜宏科技、汇川技术、迈瑞医疗、亿纬锂能、同花顺等龙头企业 [3][8] - 前十大重仓股合计占基金净值比例69.35%，其中宁德时代持仓占比24.25% [4][9] 行业与市场动态 - 12月1日DeepSeek发布DeepSeek-V3.2和DeepSeek-V3.2-Speciale模型，在推理类Benchmark测试中达到GPT-5水平，略低于Gemini-3.0-Pro [4][9] - 长城证券研报认为AI应用落地将倒逼算力基础设施加快建设，看好AIDC产业链的光模块、PCB、主设备商及铜缆等环节 [5][10] - 模组行业需求从传统数传模组向智能模组及算力模组转变，成为边缘算力重要环节 [5][10]

**行业与公司** * 行业涉及人工智能与大模型领域 重点包括强化学习 合成数据 稀疏化技术 注意力机制优化等方向[1] * 核心公司包括 Deepseek DeepMind OpenAI 以及提及的谷歌 阿里等大型科技公司[1][7][9] **Deepseek V3 2 模型的核心技术特点与改进** * 架构上引入 DSA 机制取代 MLA 机制 通过位置编码计算索引选取关键注意力参数 优化推理效率 尤其在复杂任务中减少冗长思维链的计算负担[1][3] * 后训练阶段的 C9 版本投入约10%的预训练计算量 显著提升模型在复杂任务（如代码调试）中的强化学习能力 达到全球领先水平[1][3][5] * 采用高效的上下文管理策略 智能处理用户频繁开启新任务 多轮对话及模糊输入 有效降低推理成本[1][3] * 使用大量人类专家编写并增量训练生成的高难度合成数据 比例较之前增加一倍以上 对后续强化学习阶段至关重要[1][3][4][6] * DSA 机制结合筛选和缓存技术 将 KV 缓存量降至50%以下 筛选机制可减少90%的 KV 缓存占比[18] * 在稠密阶段冻结部分参数 仅用少量参数（例如7 000亿参数模型中用20亿参数）进行初步规律提取 再进行稀疏训练 提高效率[18] **强化学习技术的最新发展与影响** * DeepMind 的新框架结合 Rubik‘s 规则提示机制 使系统能边思考边执行并根据环境反馈调整策略 提高了强化学习效率[8][9] * 该框架促使大型科技公司加速探索多模态视频和图像领域的应用 推动2025年相关模型发展[1][9] * 强化学习所需算力受数据条目数量 数据采样系数（简单任务为2-4倍 高难度任务可达128倍） 思维链输入输出长度等因素影响 浮动范围可达50倍[13][14] * 预计到2026或2027年 强化学习所需算力将接近预训练算力的一半 国内模型该比重可能达到20%至30%[15] **合成数据的作用与优势** * 合成数据比例大幅增加 其效果与难度系数密切相关 高难度 高质量的合成数据极大提升了模型在强化学习阶段的性能[6] * 在缺乏真实数据的极罕见长尾场景（如汽车高速碰撞）中 合成数据尤为重要 可通过智能体思维生成新个体和模拟环境来提升模型性能[16] **开源与闭源模型的趋势变化** * Deepseek 完成了全面的后训练过程并将结果开源 支持 Agent 调用能力 使得开源模型在功能上可与闭源模型媲美 可能引领开源项目新趋势[7] **稀疏化技术与未来模型价格趋势** * 稀疏化技术降低了训练算力要求并提升了训练上限 激发开发更大参数模型的动力[2][19] * 预计到2026年模型价格将大幅下降 可能降至现在的1/5 这将激发更多创业公司参与大模型开发[2][20] **预训练算力消耗现状与发展** * 全球主要厂商预训练算力需求显著提升 美国一些领先企业算力达10^25到10^26 FLOPS 相比 DeepMind（10^24 FLOPS）增长50到100倍[7] * 预训练算力需求增速趋缓 但通过基础设施效率提升（如TPU集群优化） 大规模预训练依然有发展潜力[17] **下一代大模型发展方向** * 发展方向集中在全模态融合（文本 图片 视频 音频） 与物理世界数据交互 以及具备更自适应推理机制 更强人机交互和长时间记忆能力[22] * V4 模型将基于现有高版本推进 重点验证和增强 Agent 功能[25] **大模型能力上限的迁移** * 后训练的潜力越来越大 模型能力上限正从预训练向后训练迁移 尤其在人文创意等没有固定答案的领域 其能力逐渐被打开将吸引更多应用厂商[10][11] **垂直场景中的应用示例** * 以电商平台AI万能搜索为例 通过多轮对话机制 基于用户历史数据 prompt响应和反馈数据 不断优化推荐结果 满足个性化需求[12]

市场表现 - 12月2日A股市场震荡调整，深成指和创业板指一度跌超1%，中证计算机主题指数下跌1.38% [1] - 计算机ETF（159998）当日成交额超6400万元，换手率2.58%均居同标的产品第一 [1] - 云计算ETF天弘（517390）年初至今份额增长近1.7亿元，年内份额增长率高达351.26%居同标的第一 [1] 行业动态与产品发布 - DeepSeek于12月1日发布两个正式版模型DeepSeek-V3.2和DeepSeek-V3.2-Speciale，强化Agent能力并更新官方网页端、App和API [2] - 国内首个光量子计算机制造工厂于11月24日在深圳南山区落成，总面积约5000平方米，进入小批量生产阶段 [2] 行业前景与增长预测 - AI落地方向包括软硬结合的端侧AI硬件、C端出海软件、B端企业服务与制造业信息化、G端大模型私有化部署 [1] - 太空算力产业奇点临近，算力竞争有望开辟新角逐场，全球AI产业进入共振期 [2] - 预计在新五年期间云计算将保持20%以上的增长，到2030年我国云计算市场规模有望突破3万亿元 [2]

模型发布与性能表现 - DeepSeek于2025年12月1日发布两款新模型DeepSeek V3.2和DeepSeek-V3.2-Speciale [1] - DeepSeek-V3.2与GPT-5性能相当，而高性能版DeepSeek-V3.2-Speciale与闭源模型天花板Gemini表现相当 [5] - 新模型在国际数学奥林匹克(IMO 2025)、中国数学奥林匹克(CMO 2025)等比赛中获得金牌 [5] - 在多项基准测试中，DeepSeek-V3.2-Speciale表现优异：AIME 2025得分96.0(23k)、HMMT Feb 2025得分99.2(27k)、CodeForces得分2701(77k) [6] - 这是公司今年第九次发布模型 [6] 技术创新与架构改进 - 公司将稀疏注意力(DSA)技术正式应用于主力模型，通过为模型添加"目录"机制优化长文本处理能力 [9][13] - 稀疏注意力技术使模型在处理长句子时推理成本保持稳定，而传统V3.1模型的推理成本随句子长度增加而显著上升 [14][16] - 公司重视开源模型的后训练工作，在预训练结束后投入超过总训练算力10%的资源进行强化学习训练 [17] - DeepSeek-V3.2-Speciale取消了思考长度限制，鼓励模型进行深度思考，实现与Gemini 3相当的性能 [19][20] 训练数据与Agent能力提升 - 模型后训练使用了24667个真实代码环境任务、50275个真实搜索任务、4417个合成通用agent场景、5908个真实代码解释任务 [22] - 公司优化了工具使用流程，在工具调用过程中保持思考过程连续性，仅当用户提出新问题时才重置推理链 [23] - 公司特别重视模型在智能体(Agent)方面的能力建设 [24] 效率与成本优势 - 虽然DeepSeek-V3.2-Speciale回答相同问题需要8077个Tokens，比Gemini的4972个Tokens高出约六成，但成本优势明显 [30][32] - DeepSeek处理问题成本为0.0032美元，而Gemini处理相同问题成本为0.06美元，DeepSeek成本优势达20倍 [33] - 公司通过算法创新而非单纯堆砌参数实现技术进步，包括V2的MoE、V3的多头潜在注意力(MLA)、Math V2的自验证机制等 [39]

公司动态 - 深度求索公司于12月1日晚间宣布发布两个正式版模型：DeepSeek-V3.2和高计算版本DeepSeek-V3.2-Speciale [1] - 公司推出的DeepSeek-V3.2模型在保持卓越推理能力和智能体性能的同时，实现了高计算效率的平衡 [1] - 深度求索公司全称为杭州深度求索人工智能基础技术研究有限公司，成立于2023年7月 [1] 行业与产品 - 深度求索公司专注于大语言模型及多模态AI技术研发 [1]

公司价格调整 - 广东松炀再生资源股份有限公司宣布自12月8日8:30起上调高强瓦楞纸价格50元/吨 [1][2][3] - 此次价格上调包含已下订单 [1][2][3] 行业市场影响 - 价格上调表明瓦楞纸市场需求强劲或成本压力增加 [1][3] - 此次调价对现货价格构成重大利好 并可能带动市场整体价格上行 [1][3] - 价格上调反映出供应偏紧或下游包装行业需求提升 [1][3] 产品多空评分 - PriceSeek对瓦楞纸的多空评分为2 [1][3]

模型发布核心信息 - 12月1日，公司发布两个正式版模型：面向日常使用的DeepSeek-V3.2和面向极致探索的DeepSeek-V3.2-Speciale [1] - DeepSeek-V3.2是9月底实验版V3.2-Exp的正式版，平衡推理能力与输出长度，适合问答场景并强化了Agent能力，官方网页端、App和API均已更新 [1][4] - Speciale版本是V3.2的长思考增强版，结合了DeepSeek-Math-V2的定理证明能力，目标是将开源模型推理能力推向极致，目前仅以临时API服务形式开放 [1] 模型性能表现 - 在公开推理测试中，V3.2已达到GPT-5水平，仅略低于Google Gemini 3 Pro，相比Kimi-K2-Thinking输出长度大幅降低，减少计算开销与用户等待时间 [6] - Speciale在多个推理基准测试中超越Gemini 3 Pro，包括美国数学邀请赛（96.0分）、哈佛MIT数学竞赛（99.2分）和IMO（84.5分） [7] - 在编程与理工科博士生测试中，Speciale仍略逊于Google顶级模型，如LiveCodeBench（88.7分）和GPQA Diamond（85.7分）低于Gemini 3 Pro的90.7分和91.9分 [7] 技术架构创新 - 公司设计了DSA（DeepSeek稀疏注意力）机制应对长文本计算量爆炸，该机制像图书管理员通过“闪电索引器”只检索关键信息，大幅降低计算复杂度 [8] - V3.2的核心亮点是“Thinking in Tool-Use”（思考型工具调用），这是AI Agent领域的“Interleaved Thinking”（交错思维链）技术的重要背书 [8][9] - 该技术将冗长、重度依赖工具的任务转化为稳定的“计划→行动→反思”循环，通过复用假设与部分结论减少多轮任务中的“状态漂移”与重复性错误 [9] 战略方向与行业定位 - 公司将“Agent能力”提升到与“推理能力”同等重要的战略位置，试图通过Agent能力将模型从“聊天机器人”进化为真正的“数字劳动力” [13] - 从经济维度看，企业真正愿意付费的是“降本增效的行动”而非“更优美的回答”，Agent使LLM从“对话式AI”进化为“动作式AI”以产生商业闭环 [13] - 公司思路已从工具转变为基础设施提供商，大模型正演变成调度工具的通用操作系统，模型是内核，Agent是用户态程序，插件则是工具 [14] 行业竞争格局 - 过去一年开源大模型生态集体爆发，阿里云Qwen系列、月之暗面Kimi、智谱GLM和MiniMax M系列均取得超越当时顶级闭源模型的成果 [1] - Google Gemini 3.0 Pro的发布重新定义了“全球最强”，其强劲性能让开源和闭源的差距瞬间又变成了一道新的天花板 [2] - 开源模型存在三个关键缺陷：对标准注意力机制的过度依赖、后训练阶段计算投入不足、Agent领域泛化能力和指令遵循能力存在明显差距 [15] 未来发展路径 - 公司计划通过增加预训练计算量填补知识空白，并优化模型推理链的“智能密度”提高效率，让模型学会“少说话、多办事” [16] - 研究员Zhibin Gou表示，训练后的瓶颈需通过优化方法和数据解决，而非仅等待更好的基础模型，持续扩大模型规模、数据量、上下文和强化学习 [17] - 公司用实打实的模型证明Scaling没死只是换了战场，当行业讨论Scaling Law是否撞墙时，公司想证明持续扩展的可能性 [19]