DeepSeek vient de présenter DeepSeek-V3.2. Ce nouveau modèle open source d’intelligence artificielle parvient à égaler les performances des GPT-5 d’OpenAI et Gemini 3 Pro de Google sur des tests clés, marquant une avancée significative.
Une architecture IA repensée pour l’efficacité et le post-entraînement
Pour concevoir cette version, les ingénieurs ont ciblé trois faiblesses récurrentes des modèles ouverts actuels :
- le traitement inefficace des textes longs
- la faiblesse des agents autonomes
- le sous-investissement dans la phase d’après-entraînement.
La réponse technique réside dans une nouvelle architecture d’attention baptisée DeepSeek Sparse Attention (DSA). Contrairement aux modèles standards qui revérifient chaque élément précédent pour générer une réponse, le DSA utilise un système d’indexation pour n’identifier que les parties essentielles de l’historique. Cette méthode réduit drastiquement les coûts de calcul sans sacrifier la qualité.
L’autre levier majeur est financier et stratégique. DeepSeek a massivement augmenté les ressources allouées au post-entraînement, cette phase critique d’alignement et d’apprentissage par renforcement. Ce budget dépasse désormais 10 % des coûts initiaux de pré-entraînement, contre environ 1 % il y a deux ans. Pour nourrir cette machine, l’équipe a généré des données via des modèles spécialisés en mathématiques et programmation, tout en créant plus de 1 800 environnements synthétiques basés sur des problèmes réels issus de GitHub.
DeepSeek-V3.2 vient talonner GPT-5 et Gemini 3 Pro
Les résultats pour les benchmarks de DeepSeek-V3.2 confirment la pertinence de cette approche. Lors de la compétition de mathématiques AIME 2025, DeepSeek-V3.2 a obtenu un score de 93,1 %, talonnant GPT-5 (High) d’OpenAI et ses 94,6 %. Sur le terrain de la programmation via LiveCodeBench, il atteint 83,3 %, juste derrière les 84,5 % de son rival américain. Si Gemini 3 Pro conserve la tête sur ces données, l’écart se resserre dangereusement.
Le modèle chinois prend même l’avantage sur certains terrains complexes. Sur le test SWE Multilingual, qui évalue le développement logiciel à partir de problèmes concrets, DeepSeek-V3.2 résout 70,2 % des cas, surpassant les 55,3 % de GPT-5. Il domine également ce dernier sur Terminal Bench 2.0, prouvant ses capacités supérieures pour les tâches d’agents autonomes, bien qu’il reste derrière l’IA de Google.
Une variante Speciale est disponible
En parallèle, DeepSeek a lancé une version nommée DeepSeekV3.2-Speciale. Débridée des restrictions de longueur pour les chaînes de raisonnement, elle a décroché une médaille d’or à l’Olympiade internationale d’informatique 2025 (10e place). Cependant, cette puissance a un coût prohibitif : la résolution de problèmes complexes nécessite en moyenne 77 000 tokens, contre seulement 22 000 pour Gemini.
Malgré ces prouesses, DeepSeek admet accuser encore un retard face aux modèles commerciaux de pointe dans trois domaines :
- l’étendue des connaissances
- l’efficacité en termes de tokens
- la performance sur les tâches les plus complexes
Disponible dès maintenant sur Hugging Face et via l’API, cette sortie place néanmoins DeepSeek au centre de la guerre des prix, offrant une alternative économique crédible pour les flux de travail basés sur des agents IA.
