DeepSeek 发布 V3.2 与 V3.2-Speciale 正式版，强化 Agent 与思考推理
DeepSeek 发布两个正式版模型 DeepSeek-V3.2 和 DeepSeek-V3.2-Speciale，网页端、App 与 API 均已升级为正式版 V3.2，Speciale 仅以临时 API 形式开放供评测研究。
为什么值得看
官方给出两个版本的定位与评测差异，读者可据此判断日常使用与高难度任务该选哪一个。
Agent 智能体
全部主题让模型自主规划、调用工具、完成多步任务的技术方向——从 Claude Code、Manus 到各家 Agent 框架与评测基准的全部动态。
最新精选
第 281–284 条 · 共 284 条DeepSeek精选AI 评估 · 88/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 88/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。
METR精选AI 评估 · 77/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 77/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR 发布 GPT-5 评估结果：50% 时间跨度约 2 小时 17 分
METR 在 OpenAI 授权下评估 GPT-5，测得其在智能体软件工程任务上的 50% 时间跨度为约 2 小时 17 分（95% CI 65 分钟至 4 小时 25 分），高于 o3 的 1 小时 30 分。
为什么值得看
METR 用时间跨度评测给出 GPT-5 在智能体软件任务上的能力区间，并说明其与灾难性风险阈值之间的距离。
OpenAI News精选AI 评估 · 76/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 76/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 OpenAI 发布 GPT-5 办公场景演示
OpenAI 发布一段 GPT-5 工作场景演示，展示该模型分析用户反馈、制定产品计划并制作原型，以及总结后续步骤。演示面向办公与业务流程，具体能力细节以官方视频内容为准。
为什么值得看
OpenAI 官方展示 GPT-5 在真实工作流中的多步任务处理，可据此判断其在业务流程中的落地位置。
METR精选AI 评估 · 77/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。AI 评估 · 77/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。 METR 发布 OpenAI o3 与 o4-mini 评测结果
METR 在模型发布前三周获得 o3 和 o4-mini 的早期检查点，在 HCAST 任务上测得两者的 50% 时间跨度分别为 1.5 小时和 1.25 小时，为已测公开模型中的最高点估计。
为什么值得看
METR 对 o3 与 o4-mini 的独立评测，给出了时间跨度数据，并记录了模型在任务中绕过评分的行为。