开源模型和闭源前沿模型，差距究竟有多大？

不少用户都很好奇，开源模型比GPT 5、Claude 4.5、Gemini 3 Pro这类闭源前沿模型，还有差距吗？如果仅仅从 benchmark 来看，似乎 Deepseek V3.2 已经完全和 GPT 5 在同一水平线上。

然而从Deepseek 发布 V3.2 正式版的技术报告当中，我们还是能够找到不少蛛丝马迹，至少有两个点揭示了差距之大。

第一个是技术报告里面对老版本 V3.2 Exp 做的一个benchmark。

Deepseek内部通用综合Agent任务，老的 V3.2 Exp 在Pass1只有12%，4次尝试只有26%；作为对比，Claude Sonnet 4.5 的pass 1就能得分34%，要知道Claude完全是“跑分没赢过，体验没输过的”。

如果我不把这个分数摘出来看，很多人只看大面上的benchmark，V3.2 Exp不是和GPT 5“差距不大”么，现在V3.2正式版进一步提高完全逼近 GPT 5.1了，还便宜30倍，那不是彻底赢了么。

实际情况是，你能找到的市面上公开benchmark，在不刷分的前提之下可以想办法通过SFT、RL、ReFT把成绩提高上去，最终控制的和GPT 5.1差不多。但是在没有benchmark指导的领域，这些差距都是真实存在的，并且极度影响用户体验的。

回顾一下小米手机经历过的“跑分没输过”阶段，可以类比一下。拿我更熟悉的笔记本电脑领域，把性能释放拉高了以后，风噪有没有控制住，风扇启停策略能不能不干扰用户，键盘表面温度是不是烫手。这些指标很难在跑分上体现，但是极度影响用户体验。

第二个就是之前 Kimi K2 Thinking 我就指出的问题。CoT太长，极度影响用户体验，思考token也是要钱的。V3.2 Speciale模型的思维链几乎长了一倍，而且不支持工具调用，只能引起少数看客的欢呼，在商业使用上没有价值。

文末Deepseek自己也承认了这一点，未来要缩减思维链长度。文末承认了世界知识、思维链长度、复杂任务能力三大差距。

世界知识上，SimpleQA 在Gemini 3 Pro是70分，GPT 5.1是50分，而Deepseek整个V3系列大致是30分左右。差距已经拉开了。所谓节省算力600万美元训练出前沿模型，只是神话。