미국과 중국의 기술 패권 싸움

앞으로도 계속 되겠네요

결론 및 한계, 그리고 나아갈 길

이번 연구를 통해 우리는 'DeepSeek-V3.2'를 세상에 내놓았습니다. 이 프레임워크는 연산 효율성과 고도의 추론 능력, 그 사이에 존재하던 깊은 간극을 효과적으로 이어주는 가교 역할을 합니다. 우리는 DSA 기술을 활용하여, 긴 문맥을 처리하는 성능을 조금도 희생하지 않으면서도 치명적인 연산 복잡성 문제를 해결해냈습니다.

또한 연산 자원을 아낌없이 투입했을 때, DeepSeek-V3.2는 각종 추론 능력 평가에서 그 강력하다는 GPT-5와 어깨를 나란히 하는 성과를 보여주었습니다. 마지막으로, 대규모 에이전트 작업 합성 파이프라인을 통합함으로써 도구 활용 능력을 비약적으로 끌어올렸습니다. 이는 오픈 소스 LLM을 기반으로 한, 견고하고 범용적인 AI 에이전트가 활약할 새로운 지평을 연 것입니다. 더 나아가, 고성능 연산에 특화된 모델인 'DeepSeek-V3.2-Speciale'은 국제수학올림피아드(IMO)와 국제정보올림피아드(IOI)에서 금메달을 획득하며 그 실력을 입증했고, 오픈 소스 LLM 역사에 길이 남을 이정표를 세웠습니다.

하지만 이러한 눈부신 성과 뒤에는 분명한 한계도 존재합니다. 우리는 'Gemini-3.0-Pro'와 같은 최정상급 비공개(Closed-source) 모델들과 비교했을 때, 아직 부족한 점이 있음을 겸허히 인정합니다.

첫째, 총 학습 연산량(FLOPs)이 상대적으로 적은 탓에, DeepSeek-V3.2가 보유한 세상에 대한 지식의 폭은 선두를 달리는 독점 모델들에 비해 여전히 좁은 편입니다. 우리는 향후 버전에서 사전 학습(Pre-training)에 투입되는 연산 규모를 대폭 늘려, 이러한 지식의 격차를 메워 나갈 계획입니다.

둘째, 토큰 효율성 또한 여전히 해결해야 할 과제로 남아 있습니다. DeepSeek-V3.2가 Gemini-3.0-Pro 수준의 결과물을 내놓기 위해서는, 통상적으로 더 긴 생성 과정, 즉 더 많은 토큰을 소모해야만 합니다. 앞으로의 연구는 모델이 수행하는 추론 과정의 '지능 밀도'를 최적화하여, 더 적은 과정으로도 훌륭한 답을 낼 수 있도록 효율성을 높이는 데 집중될 것입니다.

셋째, 복잡한 과제를 해결하는 능력은 아직 최상위 모델들에 미치지 못합니다. 이러한 부족함은 우리가 기반 모델(Foundation model)과 사후 학습(Post-training) 기법을 더욱 정교하게 다듬어야 할 강력한 동기가 되어주고 있습니다.

---

*DEEPSEEK 입장에서의 유리한 측면 : 

독자적인 DSA(Dynamic Sparse Attention) 기술로 연산 효율성을 극대화하여, 오픈 모델임에도 불구하고 GPT-5 수준의 극한 추론 능력(IMO/IOI 금메달)을 확보함으로써 기술적 가성비를 입증함.

*DEEPSEEK 입장에서의 불리한 측면 : 

절대적인 학습 연산량(Training FLOPs)의 열세로 인해 경쟁사 대비 '지식의 범용성'이 부족하며, 동일한 품질을 내기 위해 더 많은 연산(토큰)을 소모해야 하는 낮은 '지능 밀도(Intelligence Density)' 문제를 안고 있음.