DeepSeek-V3.2 官方发布：V3.2 与 Speciale 的推理/Agent 定位

一句话结论

官方把 V3.2 定位为日常平衡型、可在 thinking 与 non-thinking 中调用工具的 Agent 模型，把 V3.2-Speciale 定位为最高推理/竞赛型但发布时不支持工具，二者不能混作一个模型。

测试环境

• 模型：DeepSeek-V3.2 与 DeepSeek-V3.2-Speciale；V3.2 可用 App/Web/API，Speciale API-only。

• 能力：推理、工具使用、Agent 数据合成、竞赛数学/编程；官方发布页没有逐项公开完整 harness。

• 上下文/成本：发布说明强调 V3.2 的 balanced inference vs length；没有在该页列出完整 token/价格表。

输入/配置

官方称 V3.2 继承 V3.2-Exp 使用方式；V3.2-Speciale 当时通过临时 endpoint 提供，到 2025-12-15 结束，same pricing、no tool calls。V3.2 的 thinking/tool-use 详情指向 Thinking Mode 文档。

结果数据

• V3.2：官方称 balanced inference vs length，作为日常 driver，性能达到 GPT-5 level（官方定位语句）。

• V3.2-Speciale：官方称 maxed-out reasoning，接近 Gemini-3.0-Pro，并在 IMO、CMO、ICPC World Finals、IOI 2025 达到 gold-level results。

• Agent 训练：覆盖 1,800+ environments 和 85k+ complex instructions；V3.2 首次把 thinking 直接整合进 tool-use，并支持 thinking/non-thinking 工具模式。

结论

如果工作流需要 API 工具调用、日常编码和研究 Agent，选择 V3.2 并固定 thinking 状态；如果只比较数学/极限推理，可单独研究 Speciale，但不能把 Speciale 的竞赛成绩当作 V3.2 Agent 能力。

局限

• 发布页是厂商定位与选择性结果，没有完整原始输入、失败样本、成本和方差。

• “GPT-5 level”“rivals Gemini-3.0-Pro”是官方描述，不是同 harness 的独立证明。

• Speciale 临时 endpoint 已过期（按发布页时间），不能据此设计当前生产接入。

• Agent 数据合成规模不是 benchmark score。

复现步骤

1. 锁定当前可用模型 ID；不要使用过期 Speciale endpoint。

2. 对 V3.2 的 thinking/non-thinking 分别跑相同任务，记录工具调用、reasoning_content、token、延迟和最终正确性。

3. 对数学/编程任务另建竞赛 split，明确是否允许工具和额外 token。

4. 报告 V3.2 Agent 与 Speciale reasoning 两条结果线，不合并成一个总分。