DeepSeek vient de battre GPT-5. Voici comment.

Appelez cela le moment DeepSeek : un laboratoire en open-source vient de réaliser ce que les géants valant des trillions de dollars tentent d’atteindre depuis des années. DeepSeek V3.2-Specialee, une variante à capacité de raisonnement maximale de la nouvelle famille V3.2, est devenu le premier modèle open-source à obtenir la médaille d'or à l'Olympiade Internationale de Mathématiques (IMO). Pas de « benchmark de style IMO », pas de « questions semblables à celles de l'Olympiade » — une véritable performance médaille d'or sur les tâches de l'IMO 2025.

Ce résultat propulse DeepSeek dans une catégorie précédemment réservée aux systèmes fermés comme GPT‑5 High et Gemini 3.0 Pro. Selon l'analyse de Matthew Berman, GPT‑5 High affiche 94,6, Gemini 3.0 Pro atteint 95, et DeepSeek V3.2-Specialee prend l'avantage avec 96, bien qu'il consomme beaucoup plus de jetons. La capacité brute provient désormais d'un dépôt que vous pouvez cloner, et non d'une API boîte noire protégée par une liste d'attente et un accord de non-divulgation.

Pendant une décennie, le récit s'est durci : seules des entreprises comme OpenAI, Anthropic ou Google DeepMind — avec des données propriétaires, des silicons sur mesure et des sessions d'entraînement à des milliards de dollars — pouvaient atteindre la frontière. DeepSeek vient de créer une fissure visible dans cette histoire. Le modèle est entièrement en poids ouverts, sous licence MIT, et a été entraîné avec une fraction du budget de calcul que ces laboratoires auraient apparemment dépensé.

La démocratisation ici n'est pas un mot à la mode ; c'est du code exécutable. Les chercheurs peuvent affiner V3.2-Specialee sur des domaines mathématiques de niche, des programmes nationaux ou des ensembles de données de théorèmes de niveau recherche sans avoir à demander un accès entreprise. Les startups peuvent intégrer son raisonnement dans des produits — tutorat, vérification formelle, modélisation financière — et expédier à l'échelle mondiale sans verrouillage par token.

L'accès à ce niveau change qui peut repousser les limites. Un cercle mathématique de lycée peut désormais utiliser le même moteur de raisonnement à la pointe de la technologie qui a récemment excellé à l'IMO, tester de nouveaux types de problèmes et publier ses propres références. Les laboratoires universitaires peuvent instrumenter le modèle, explorer ses échecs et proposer de nouveaux régimes d'entraînement, ce qui est impossible avec des systèmes commerciaux scellés.

Le changement symbolique peut avoir encore plus d'importance que le coup de pouce au classement. Un modèle IMO médaillé d'or n'est plus synonyme de "top-secret, fermé et centralisé". Il inclut désormais "ouvert, forkable et auto-hébergeable", ce qui redéfinit ce qui compte comme un modèle de pointe — et qui a le droit de construire le prochain.

Le benchmarking commence par les éléments les plus difficiles : des mathématiques de niveau Olympiade et des questions-réponses adversariales. Lors d'une reconstitution interne des problèmes de la Olimpiade Internationale de Mathématiques (OIM) 2025, DeepSeek V3.2 Specialee affiche des performances de médaille d'or, résolvant des preuves de style Olympiade et de la géométrie à plusieurs étapes à un niveau qui nécessitait auparavant des modèles fermés comme GPT-5 High et Gemini 3.0 Pro. Sur GPQA Diamond, le benchmark de raisonnement scientifique public le plus difficile, Specialee atteint 85,7, égalant GPT-5 High et se plaçant derrière Gemini 3.0 Pro, qui affiche 91,9, mais le fait en tant que modèle totalement ouvert.

Le raisonnement ne se limite pas aux mathématiques et à la physique. Sur Live Codebench, qui exécute du code généré contre des tests unitaires cachés, la gamme de DeepSeek se déploie : 83,3 pour le modèle "pensant" V3.2 standard, 84,5 pour GPT-5 High, et un impressionnant 88,7 pour V3.2 Specialee. Cet écart est important car Live Codebench sanctionne les API hallucinnées et la logique d'unité, révélant si un modèle peut réellement produire du code fonctionnel, et pas seulement en parler.

AMIE 2025, une référence en raisonnement agentique composite, est l'endroit où DeepSeek plante son étendard. DeepSeek V3.2 Specialee obtient un score de 96, devançant GPT-5 High à 94,6 et Gemini 3.0 Pro à 95. AMIE enchaîne des planifications multi-étapes, des appels d'outils et des tâches à long terme, donc un avantage d'environ 1 à 1,5 point au sommet signifie moins de plans dans les impasses et plus de tâches complétées sans intervention humaine.

Specialee achète ces réussites avec des jetons. Les graphiques de référence montrent des comptages de jetons entre parenthèses où Specialee consomme souvent 2 à 3 fois plus de jetons par requête que le modèle V3.2 standard et de manière notable plus que GPT-5 High ou Gemini 3.0 Pro. DeepSeek augmente essentiellement la verbosité de la chaîne de pensée et l'utilisation de la mémoire temporaire, échangeant l'efficacité des jetons contre une précision maximale dans une configuration « agents d'abord ».

Ce compromis modifie la manière dont vous le déployez. Pour des charges de travail critiques—preuve automatique de théorèmes, agents de voyages multi-destinations, analyse de conformité de contrats de 500 pages—les jetons supplémentaires de Specialee se traduisent par moins d'erreurs subtiles et un raisonnement étape par étape plus fiable. Pour des conversations quotidiennes, des résumés ou du codage léger, le modèle V3.2 classique reste plus proche en qualité de GPT-5 High et Gemini 3.0 Pro tout en consommant beaucoup moins de jetons, ce qui en fait le choix économique par défaut et laisse Specialee comme le poids lourd que vous faites appel lorsque vous devez absolument avoir raison.

L'attention était autrefois la partie des transformateurs que l'on augmentait, et non repensait. DeepSeek V3.2 change cela avec DeepSeek Sparse Attention (DSA), un nouveau mécanisme d'attention qui s'attaque au véritable goulot d'étranglement des LLM modernes au lieu de simplement ajouter plus de GPU.

L'attention traditionnelle entraîne un coût computationnel pour chaque paire de tokens dans une séquence. Avec une longueur de contexte L, le modèle calcule un score d'attention pour environ L × L paires, ce qui se traduit mathématiquement par une complexité de O(L²). Si vous doublez le contexte, vous quadruplez le coût en FLOPs, mémoire et latence.

Pour les modèles à long contexte, ce mur quadratique est brutal. Passer d'une fenêtre de contexte de 32K à 1M de tokens ne signifie pas simplement ajouter 30 fois plus de travail ; une attention dense naïve exigerait environ 1 000 fois plus de ressources de calcul. C'est pourquoi les fenêtres de contexte ont progressé lentement ces dernières années au lieu d'exploser.

DSA réduit ce coût en rendant l'attention rare et sélective. Au lieu que chaque jeton prête attention à tous les autres jetons, chaque jeton n'attend qu'un ensemble limité de K jetons « pertinents ». La complexité passe de O(L²) à environ O(L × K), où K reste limité même si L augmente.

Considérez cela comme le remplacement d'une pièce où tout le monde parle à tout le monde par un emploi du temps de réunions soigneusement sélectionnées. Les tokens voient toujours ce qui compte, mais le modèle évite l'explosion combinatoire des interactions non pertinentes. DeepSeek affirme que cela préserve la précision dans des scénarios à long contexte tout en réduisant le nombre de FLOPs par étape.

En pratique, cette évolutivité quasi linéaire permet à DeepSeek d'étendre les fenêtres de contexte bien au-delà de la plage de 128K–200K sans transformer l'inférence en projet scientifique. L'inférence à long contexte peut fonctionner 2 à 3 fois plus vite avec 30 à 40 % de mémoire en moins, selon les propres chiffres de DeepSeek liés à Introducing DeepSeek-V3.2-Exp. Cette efficacité se traduit directement par des tarifs API moins chers par million de tokens.

DSA interagit également de manière fluide avec l'architecture mélange d'experts de DeepSeek. La version 3.2 utilise 671 milliards de paramètres avec 37 milliards actifs lors de l'inférence, et l'attention éparse garantit que ces experts actifs ne sont pas submergés par la surcharge d'attention. Une plus grande part de la puissance de calcul est consacrée au raisonnement réel plutôt qu'à la gestion administrative.

Ce n'est pas un simple ajustement cosmétique à "l'attention est tout ce dont vous avez besoin." DSA réécrit le modèle de coût qui régit la conception des transformateurs depuis 2017, transformant le long contexte d'une caractéristique de luxe en quelque chose que vous pouvez réellement déployer à grande échelle. DeepSeek n'a pas seulement ajusté un modèle plus grand ; il a changé la façon dont le modèle perçoit le monde.

DeepSeek Sparse Attention ne se contente pas de gagner des benchmarks ; il ouvre grand l'économie de la fenêtre contextuelle qui a discrètement limité la plupart des grands modèles. En réduisant la complexité de l'attention de O(L²) à environ O(L·K), DSA diminue le coût de l'examen de centaines de milliers de tokens, rendant une fenêtre d'un million de tokens viable sans facture de superordinateur.

L'attention dense traditionnelle oblige chaque jeton à prêter attention à tous les autres jetons, ce qui fait que doubler le contexte quadruple plus que les ressources de calcul et de mémoire. Ce mur quadratique est la raison pour laquelle GPT-4, GPT-5 et Gemini 3.0 Pro avancent avec précaution concernant les longs contextes avec des limites de 128K à 200K jetons, ou s'appuient sur des astuces fragiles comme le découpage et la récupération.

DSA rompt cette norme en rendant plus sparse les échanges entre les tokens, tout en préservant les informations qui comptent réellement. Les ingénieurs de DeepSeek acheminent l'attention à travers un ensemble réduit de positions critiques, maintenant la précision sur des références à long contexte tout en réduisant à la fois les FLOPs et la VRAM.

Sur du matériel réel, ce changement se traduit par une inférence longue portée 2 à 3 fois plus rapide et une utilisation de mémoire réduite de 30 à 40 % pour des invites d'un million de tokens, selon le profilage interne de DeepSeek. Un MoE de 671 milliards de paramètres avec 37 milliards de paramètres actifs devient praticable à exécuter sur 700 Go de VRAM en FP8, au lieu de frôler le territoire des clusters fantaisistes.

Ces gains modifient ce que vous pouvez raisonnablement soumettre à un modèle. Des bases de code entières—des millions de tokens de TypeScript, Python et YAML—entraînent dans une seule session des refactorisations, des audits de sécurité ou des revues d'architecture au lieu d'un labyrinthe de résumés partiels. Des romans en plusieurs tomes, des corpus de recherche ou des années de journaux Slack deviennent des objets en contexte unique plutôt que des invites fragmentées.

Le travail juridique pourrait être le premier à ressentir l'impact. Une fenêtre d'un million de jetons couvre des dizaines de contrats, de chaînes d'emails et de résumés de cas antérieurs à la fois, permettant un raisonnement transversal entre les documents qui nécessite aujourd'hui des pipelines RAG élaborés et une infrastructure de recherche sur mesure.

L'efficacité se reflète également dans la facture. Avec le calcul à long contexte ne plus explosant de manière quadratique, DeepSeek peut réduire le prix d'entrée à 0,07 $ par million de tokens avec des accès au cache, surpassant ainsi les modèles fermés de pointe en termes de débit par dollar. Ce tarif rend les workflows à grand contexte—autrefois réservés aux budgets de type FAANG—accessibles aux startups et aux développeurs indépendants.

Une attention moins gaspillante signifie également moins d'heures GPU consommées par requête, ce qui est important alors que l'empreinte énergétique de l'IA augmente. Un modèle de contexte à attention éparse de 1M qui égale le raisonnement de niveau GPT-5 tout en utilisant significativement moins de calcul par token n'est pas seulement moins cher ; c'est un modèle plus durable pour l'évolutivité de la prochaine génération de modèles fondamentaux.

Forgé n'est pas une exagération ici : DeepSeek V3.2 existe avant tout en tant que moteur d'agent, et pas seulement comme un modèle de discussion. De l'architecture au programme de formation, tout s'oriente autour de l'utilisation d'outils à plusieurs étapes, de la planification à long terme et des boucles étroites avec des systèmes externes.

DeepSeek a construit un pipeline synthétique à grande échelle pour réaliser cela. Les ingénieurs ont créé plus de 1 800 environnements distincts et généré environ 85 000 requêtes complexes spécifiquement pour des tâches agentiques, couvrant des modèles tels que l'orchestration multi-outils, la chorégraphie d'API et la récupération après des pannes d'outils.

Ces environnements ressemblent beaucoup plus à des flux de travail de production qu'à un contrôle qualité théorique. Pensez à « soumettre un rapport de frais via trois services internes » ou à « trier un problème sur GitHub, exécuter des tests et ouvrir une demande de tirage », et non pas simplement à « appeler une calculatrice une fois ». Chaque demande pousse le modèle à raisonner sur l'état, à choisir des outils et à s'adapter lorsque les résultats sont désordonnés ou incomplets.

L'apprentissage par renforcement se situe au cœur de cette initiative. DeepSeek a alloué plus de 10 % de son budget de calcul pour la pré-formation à l'entraînement post-formation de style RL, un ratio inhabituellement élevé dans un monde où le RL semble souvent être une réflexion après coup ajoutée à des sessions supervisées massives.

Ce budget finance un cadre d'apprentissage par renforcement évolutif où le modèle agit de manière itérative à l'intérieur de ces 1 800 environnements. Les trajectoires réussies sont récompensées, les schémas d'échec sont pénalisés, et la politique change progressivement vers un suivi d'instructions robuste dans des conditions réelles bruyantes.

Suivre les instructions ici signifie plus que simplement obéir à une seule invite. La configuration d'apprentissage par renforcement optimise les objectifs multi-tours : obéir aux schémas d'outils, maintenir des contraintes à chaque étape et concilier des instructions contradictoires provenant de différents messages système, d'entrées utilisateur et de sorties d'outils.

La qualité d'utilisation des outils progresse en conséquence. DeepSeek V3.2 sélectionne de manière fiable : - Le bon outil parmi de nombreux autres - Remplit les arguments avec des données correctement typées et validées - Enchaîne plusieurs outils sans perdre l'état intermédiaire

Ce comportement réduit une grande partie de l'écart entre les modèles ouverts et les systèmes fermés de pointe sur les benchmarks d'agents, même si DeepSeek reste à la traîne par rapport aux meilleures piles propriétaires sur certains classements d'appels d'outils. Ce qui est crucial, c'est qu'il le fait avec des poids ouverts et une licence MIT, ce qui est important si vous souhaitez l'intégrer profondément dans votre propre infrastructure.

Couplé avec DeepSeek Sparse Attention et la fenêtre de contexte de 1 million de tokens, cette formation d'agent transforme V3.2 en bien plus qu'une simple démonstration de raisonnement. Cela devient une véritable colonne vertébrale d'automatisation pratique capable de lire l'ensemble de votre base de connaissances, d'appeler des API internes et de garder un plan en tête suffisamment longtemps pour mener à bien la tâche.

L'efficacité par rapport à la puissance n'est pas un compromis abstrait dans DeepSeek V3.2 ; elle est littéralement codée en tant que deux SKU distincts. V3.2 est le modèle "pensant", réglé pour consommer peu de tokens tout en restant au coude à coude avec GPT-5 High et Gemini 3.0 Pro sur des charges de travail quotidiennes. V3.2-Specialee est la variante "max-pensante", un mode à haute capacité de calcul qui consomme beaucoup plus de tokens pour extraire chaque parcelle de performance en raisonnement.

Sur les benchmarks, cette différence est clairement visible. La version 3.2 se rapproche de GPT-5 High en précision tout en utilisant souvent moins de jetons par problème, ce qui en fait le choix par défaut logique pour les discussions, l'assistance au codage et l'orchestration agentique où la latence et le coût sont importants. La version 3.2-Specialee vise à remporter des victoires au classement, affichant des résultats comme 96 sur AMI 2025 tout en gonflant le nombre de jetons de plusieurs fois par rapport à la version 3.2 et à GPT-5 High.

L'efficacité des jetons devient le véritable facteur de différenciation. Les propres graphiques de DeepSeek montrent que le modèle régulier V3.2 reste "assez efficace en termes de jetons" par rapport à GPT-5 High et Gemini 3.0 Pro sur les mêmes requêtes. En revanche, le V3.2-Specialee déclenche d'énormes chaînes de pensée, échangeant des budgets de jetons contre un raisonnement étape par étape plus robuste sur des problèmes qui ressemblent beaucoup à ceux des Olympiades Internationales de Mathématiques (IMO) et des tâches de l'IOI.

Pour les développeurs, le choix s'aligne clairement sur le risque et le budget. Si vous expédiez : - Des chatbots orientés client - Des copilotes internes - Des agents de support à fort volume

vous utilisez V3.2 et maintenez les coûts par conversation prévisibles.

Si vous menez : - Des recherches scientifiques à enjeux élevés - Une vérification formelle et une analyse de sécurité - Des agents de planification complexes en plusieurs étapes

vous ne payez pour V3.2-Specialee que sur les appels les plus difficiles, de la même manière que les équipes réservent des clusters A100 pour les dernières sessions d'entraînement. Les déploiements mixtes peuvent acheminer 90 à 95 % du trafic vers V3.2 et escalader automatiquement les cas particuliers vers Specialee, un schéma quDeepSeek a explicitement conçu pour les frameworks d'agents basés sur le Dépot GitHub DeepSeek-V3.

Le matériel pourrait être le flex le plus silencieux de DeepSeek. La V3.2 est livrée avec un support de première classe pour les accélérateurs non-NVIDIA, y compris les puces chinoises de Biren, Moore Threads et Huawei Ascend, ainsi que des alternatives x86 et ARM. La pile propre de DeepSeek cible CUDA, ROCm et les environnements d'exécution compatibles CUDA chinois émergents avec des implémentations de noyaux presque équivalentes.

Ce choix transforme V3.2 en un objet politique autant que technique. Les pays pressés par les contrôles à l'exportation américains peuvent désormais exécuter un modèle de qualité frontier, sous licence MIT, sur du silicium produit localement. Les fournisseurs de cloud chinois peuvent associer DeepSeek à des accélérateurs locaux et contourner complètement le goulet d'étranglement A100/H100.

Pour DeepSeek, le pluralisme matériel est une stratégie de survie. Dépendre d'un seul fournisseur comme NVIDIA signifie que chaque amélioration de modèle repose sur la feuille de route, la tarification et la géopolitique de quelqu'un d'autre. En validant les accéléreurs chinois au lancement, DeepSeek attire les nuages régionaux qui ne peuvent pas se standardiser sur NVIDIA, même s'ils le souhaitaient.

Géopolitiquement, cela réduit l'influence des États-Unis sur l'ensemble de l'IA mondial. Washington peut restreindre les exportations des H100 ; il ne peut pas aussi facilement limiter un modèle ouvert qui fonctionne efficacement sur n'importe quels cœurs tensoriels qu'un fournisseur local expédie. Cela fait de DeepSeek un élément de base pour des chaînes d'approvisionnement en IA plus résilientes et résistantes aux sanctions, de Shenzhen à São Paulo.

Les courbes de coût se plient également. Lorsqu'un modèle fonctionne bien sur un matériel hétérogène, les fournisseurs de cloud peuvent tirer parti de l'arbitrage : - Cartes NVIDIA plus anciennes - GPU AMD Instinct - Accélérateurs locaux bénéficiant de subventions avantageuses

Ce mélange fait baisser les prix par jeton et réduit la dépendance aux GPU haut de gamme rares.

Pour les développeurs, l'optionnalité matérielle se traduit par l'accès. Une startup à Jakarta peut louer des A40 restants, un laboratoire académique à Berlin peut viser des MI300, et une fintech à Mumbai peut tester sur des CPU avant de passer aux accélérateurs régionaux. Le pari de DeepSeek est simple : libérer le modèle de la monoculture GPU, et le reste du monde s'occupera de l'échelle pour vous.

MIT sur la carte modèle réorganise discrètement les dynamiques de pouvoir de l'IA. DeepSeek V3.2 est livré non seulement avec des poids ouverts, mais sous une licence MIT complète—les mêmes conditions ultra-permissives qui soutiennent des projets comme les outils Linux, React et SQLite. Pas de limites d'utilisation, pas de petites lignes « uniquement pour la recherche », pas de passage à un niveau payant une fois que vous évoluez.

La plupart des IA « ouvertes » aujourd'hui viennent avec une astérisque. Des licences comme celles de Llama ou d'OLMo restreignent souvent l'utilisation commerciale, interdisent les services concurrents ou limitent le déploiement dans des domaines sensibles. MIT renverse cette dynamique : vous pouvez copier, modifier, peaufiner, revendre ou intégrer DeepSeek V3.2 dans un produit qui reste lui-même fermé, sans partage de revenus et sans processus d'approbation.

Pour les startups, cela supprime la ligne de coût la plus onéreuse dans le plan d'affaires. Au lieu de payer 2 à 10 $ par million de tokens à un fournisseur d'API, une équipe peut héberger DeepSeek V3.2 sur ses propres GPU — ou sur des accélérateurs chinois moins chers — et ne payer que pour le matériel et les opérations. Une entreprise traitant 50 milliards de tokens par jour peut économiser des millions de dollars par an en remplaçant les appels à GPT-5 par une pile DeepSeek interne.

Les chercheurs indépendants obtiennent un accès qui nécessitait auparavant un badge de laboratoire ou une subvention cloud. Les téléchargements en pleine charge permettent de : - Préformation personnalisée sur des corpus de niche - Ajustement agressif pour la recherche sur la sécurité ou l'alignement - Interventions de bas niveau sur l'implémentation DeepSeek Sparse Attention

Parce que la licence permet la redistribution, des écosystèmes en aval entiers peuvent se former. Attendez-vous à des forks spécialisés : un V3.2 biomédical entraîné sur des notes cliniques, un V3.2 juridique affiné sur la jurisprudence, un V3.2 en robotique connecté en boucle de contrôle en temps réel. Aucune de ces équipes n'a besoin de négocier avec DeepSeek ; elles se contentent de livrer.

C'est ainsi que vous obtenez une explosion cambrienne plutôt qu'un simple filet d'intégrations bénies. Les fournisseurs de cloud peuvent proposer des clusters DeepSeek en un clic. Les plateformes SaaS peuvent regrouper V3.2-Specialee en tant que moteur de raisonnement en marque blanche. Les communautés open-source peuvent itérer sur la pile d'entraînement, le tokenizeur ou l'ossature agentique sans demander de permission.

MIT ne se contente pas de rendre DeepSeek V3.2 gratuit. Il le rend également forkable, composable et économiquement inévitable.

DeepSeek V3.2 ne ressemble pas à un jouet pour amateurs sous le capot. Il utilise une architecture Mixture-of-Experts avec 671 milliards de paramètres, mais seulement environ 37 milliards de paramètres sont activés pour chaque jeton donné. Cette configuration de MoE permet à DeepSeek d'augmenter sa capacité totale de raisonnement tout en maintenant le calcul par jeton plus proche d'un seul grand modèle dense.

Ces 37 milliards de paramètres actifs entraînent toujours une sérieuse contrainte matérielle. Pour héberger le modèle complet en FP8, vous avez besoin d'environ 700 Go de VRAM ; passer à BF16 augmente cela à environ 1,3 To de VRAM. C'est un terrain réservé aux centres de données, même avant de prendre en compte le réseau et le stockage pour les points de contrôle et les caches KV.

La plupart des équipes utiliseront DeepSeek via des API, mais les capacités ciblent clairement des charges de travail intensives. En tant qu'assistant de codage, V3.2 peut non seulement compléter automatiquement des fonctions, mais aussi refactoriser des backends multi-services, écrire des tests d'intégration et raisonner sur l'ensemble de monorepos grâce à sa fenêtre de contexte étendue. Sur Live Codebench, la variante V3.2-Specialee atteint 88.7, surpassant le modèle régulier à 83.3 et permettant un débogage multi-étapes plus approfondi.

Les équipes scientifiques et de données bénéficient d'une mise à niveau encore plus importante. Un modèle de niveau or de l' Olympiade Internationale de Mathématiques (OIM) peut procéder à des dérivations symboliques, concevoir des expériences de simulation et critiquer des preuves, et ne se contente pas de fournir des réponses finales. Pour l'analyse, DeepSeek peut ingérer des exports CSV bruts, des schémas SQL et des rapports PDF, puis proposer des pipelines, générer des requêtes et concilier des métriques conflictuelles sur des centaines de milliers de tokens.

Le travail créatif bénéficie également de la combinaison de long contexte et de raisonnement approfondi. Les écrivains peuvent fournir des bibles de saison entières, des documents de lore ou des feuilles de route de produits et demander au modèle de maintenir le ton, la continuité et les arcs de personnage sur des productions de longueur roman. La fenêtre de contexte de 1 million de tokens ainsi que le DSA signifient qu'il peut suivre les renvois, les préfigurations et les contraintes qui submergeraient des assistants plus petits.

Les compétences agentiques transforment ces talents en véritable automatisation. La pile d'appels d'outils de DeepSeek V3.2 lui permet d'orchestrer des API, des bases de données et des applications SaaS, et pas seulement de décrire ce qui devrait se passer. Associé à des plateformes comme Zapier, les non-développeurs peuvent connecter des agents qui :

• 1Surveillez les boîtes de réception, résumez les discussions et rédigez des réponses.
• 2Synchronisez les mises à jour du CRM, les factures et les tableaux de bord analytiques.
• 3Générez, testez A/B et publiez du contenu sur les réseaux sociaux.

DeepSeek devient essentiellement le cerveau raisonneur au sein de l'automatisation à faible code. Pour une plongée technique plus approfondie sur la manière dont DeepSeek Sparse Attention rend cela possible à grande échelle, consultez Data Points : DeepSeek 3.2 se tourne vers l'attention expérimentale.

DeepSeek V3.2 atterrit comme une déclaration de thèse : des algorithmes plus intelligents surpassent désormais l'échelle de la force brute. Un MoE de 671 milliards de paramètres avec seulement 37 milliards de paramètres actifs lors de l'inférence a égalé ou dépassé GPT-5 High et Gemini 3.0 Pro sur les critères de raisonnement fondamentaux, y compris des performances de niveau or lors de l'Olympiade Internationale de Mathématiques (IMO) 2025. Ce résultat a été obtenu avec une fraction du budget de formation que les laboratoires Frontier dépensent prétendument pour des géants denses.

Pendant une décennie, le mantra de l'industrie était simple : plus de données, plus de paramètres, plus de GPU. La victoire de DeepSeek suggère que cette tendance s'oriente vers des rendements décroissants, notamment pour des tâches exigeant beaucoup de raisonnement comme GPQA Diamond ou Live Codebench. Lorsqu'un modèle sous licence MIT peut obtenir 96 sur un benchmark de raisonnement phare tout en restant relativement petit et efficace, l'échelle brute commence à ressembler à un instrument peu précis.

DeepSeek Sparse Attention (DSA) montre où se dirige la véritable course de l'armement. En réduisant la complexité d'attention de O(L²) à environ O(L × K), la version 3.2 déverrouille des contextes de 1 million de tokens sans le coût quadratique habituel en calcul et en mémoire. Cela transforme la modélisation de longs contextes de « seuls les hyperscalers peuvent se le permettre » en quelque chose qui s'intègre dans un cluster plus conventionnel.

La créativité architecturale est désormais plus importante qu'une nouvelle récolte de GPU. Mixture-of-Experts, attention sparse et allocation dynamique de tokens permettent à DeepSeek V3.2 de se comporter comme un modèle de plus de 600 milliards lorsque cela est nécessaire, tout en réduisant les coûts d'inférence à ceux d'un système de milieu de gamme. V3.2-Specialee s'inscrit dans cette logique, échangeant l'efficacité des tokens contre une profondeur de raisonnement maximale, tout en surpassant les modèles fermés en termes de consommation globale de ressources.

La stratégie de formation est également en train d'être réécrite. DeepSeek aurait dépensé plus de 10 % de sa capacité de calcul avant formation à nouveau sur l'apprentissage par renforcement, un énorme bond par rapport aux générations précédentes qui considéraient l'AR comme une réflexion après coup. Ce budget a financé plus de 1 800 environnements d'agents synthétiques et 85 000 prompts complexes, spécifiquement ajustés pour l'utilisation d'outils et les agents à étapes multiples plutôt que pour un chat générique.

Les percées futures ressembleront probablement moins à « GPT-6 mais en plus grand » et davantage au manuel de DeepSeek : de nouveaux schémas d'attention, un routage MoE plus intelligent et des curricula synthétiques à grande échelle optimisés pour les agents. Tant que les workflows à long contexte et riches en outils domineront l'adoption en entreprise, les modèles capables de raisonner sur un million de tokens et d'orchestrer des API seront plus importants que ceux qui se contentent de réussir la prédiction du prochain token.

DeepSeek V3.2 se lit comme une nouvelle philosophie : un effet de levier algorithmique sur les dépenses en capital, des poids ouverts plutôt que des jardins clos, une flexibilité matérielle plutôt qu'un verrouillage par un fournisseur unique. Les laboratoires de pointe peuvent encore dépenser plus que presque tout le monde, mais V3.2 prouve qu'ils ne détiennent plus le front des idées — et c'est là que la prochaine course aux armements vient de se déplacer.

Qu'est-ce que DeepSeek V3.2 ?

DeepSeek V3.2 est un nouveau modèle de langage volumineux open-source puissant qui a démontré des performances de pointe, en particulier dans les tâches de raisonnement mathématique et logique.

Qu'est-ce qui rend l'architecture de DeepSeek V3.2 unique ?

Son innovation clé est l'Attention Éparse DeepSeek (DSA), un mécanisme d'attention plus efficace qui réduit considérablement les coûts computationnels pour de longs contextes, le rendant plus rapide et moins gourmand en mémoire.

DeepSeek V3.2 est-il meilleur que GPT-5 ?

Sur des benchmarks spécifiques comme l'Olympiade Internationale de Mathématiques (OIM), la variante V3.2-Speciale a surpassé les scores rapportés pour des modèles comme GPT-5 High et Gemini 3.0 Pro, en faisant un modèle de pointe en matière de raisonnement.

DeepSeek V3.2 est-il gratuit à utiliser ?

Oui, le modèle est publié avec des poids ouverts sous une licence MIT permissive, permettant une utilisation commerciale et de recherche étendue sans restrictions.

Quelles sont les principales versions de DeepSeek V3.2 ?

Il se décline en deux saveurs principales : le modèle standard V3.2, qui est très efficace en termes de tokens, et le V3.2-Speciale, une variante à forte capacité de calcul optimisée pour des performances de raisonnement maximales.