在 R2 和 V4 到来之前，DeepSeek 先让我们看到了 "V3 Plus"。

3 月 24 日，DeepSeek 一声不响的在 Huggingface 上发布了 V3 的 " 小版本 " 迭代 "DeepSeek-V3-0324"。开发者社区再次一片尝鲜与夸赞。

之后 3 月 25 日晚，官方发布了该版本的官方报告。在 DeepSeek 的报告里，给出了四个官方亮点指引，分别是推理能力、前端开发能力、中文写作能力、中文搜索能力的强化。

乍看起来，这些能力提升都聚焦在用户常见任务场景之上。这也的确是一次非常注重实用性的升级，虽名为 " 小版本 "，V3-0324 却在多个关键能力上实现了显著突破，尤其是代码生成能力的提升令人印象深刻。用户只需关闭深度思考模式，就能体验这一新版本，而 API 接口和使用方式保持不变。

而仔细观察这几个提升的领域，会发现一个有意思的点：DeepSeek 给 V3 做的提升，全都落在 R1 的优势能力范围内了啊。

据报告显示，推理能力的提升主要体现在新版 V3 模型的百科知识（MMLU-Pro, GPQA）、数学（MATH-500, AIME 2024）和代码任务（LiveCodeBench）表现均有提高，特别是在数学、代码类相关评测集上取得了超过 GPT-4.5、Claude-Sonnet-3.7 的得分成绩。

过去，在 DeepSeek 的两个模型中，R1 是推理模型，而 V3 则更适合日常对话。如今 V3 系列也有了推理能力的强力升级，用户可以更好地根据任务难度选择合适的模型：复杂问题用 R1，日常对话用新版 V3。这种差异化策略让算力资源与任务需求更匹配，避免了不必要的计算浪费。

在推理能力之上，几项任务场景中，最引人注目的是模型的代码稳定性和准确性。继 Claude-Sonnet-3.7 在前端开发能力上火爆出圈之后，大模型在这一场景的实用性被额外关注。在 V3 新版本技术报告出现之前，不少网友们就迫不及待地测出了 V3-0324 在前端开发场景下的能力飞跃。

有开发者报告生成 800 行代码，字符蹦到 " 冒火星 "，竟然无一错误。对开发者而言，这种体验在遍地都是爱报错的 AI 编程工具之下，显得尤为突出。

还有用户进一步测试表明，尽管还有差距，但 DeepSeek-V3-0324 在前端视觉设计上已经接近了 Claude 这样的顶级模型。

用户只需提供简单提示，就能生成时尚的数字营销页面，布局合理，视觉效果精美。这种实用性的提升对网页设计师和前端开发者尤为重要，大大缩短了从创意到实现的时间。

与社区测试相呼应，DeepSeek 官方在技术报告中也展示了模型的前端代码能力。报告中展示了一个 p5.js 小球物理运动程序，包含可调整的物理参数和赛博朋克风格界面，不仅功能完整，还具有高度的美观性和交互性。

更重要的是，这个不比 Claude 差的新版本，可以免费使用，据网友测算，付费 API 的价格更是便宜了 15 倍。

除了代码能力，DeepSeek R1 的写作能力也一直被津津乐道。其细腻的文风虽然有时会陷入极繁主义的浮夸，但情节连贯性和特定风格下的表达能力很强，有短剧和小说从业者都曾对硅星人提到，已经开始应用 DeepSeek 创作。

此次，新版本 V3 在中文能力也有明显增强，特别是中长篇文本创作上质量更高，结构更完整，逻辑更严密，实用性也大大增强。

另外，在联网搜索场景下，报告生成能力也有显著提升。模型能够从网络信息中提取关键内容，生成详实准确的报告，并以清晰美观的排版呈现。

在开源方面，DeepSeek 也继续保持了其一贯的透明度和友好性。作为小版本更新，私有化部署只需要更新 checkpoint 和 tokenizer_config.json 等少量文件。这意味着现有用户升级成本极低，几乎可以无缝迁移。据报告显示，该模型参数约 660B，略低于原先 V3 的 671B，开源版本上下文长度为 128K（网页端、App 和 API 提供 64K 上下文），依然采用 MIT 许可证，这使得开发者可以在各种场景下自由使用。

这些能力提升其实幅度不小，但 DeepSeek 没有把它称为 V3.5、V3.7，而只是将它定义为一次 V3 小版本更新。

在行业版本迭代泛滥、概念炒作盛行的当下，通过低调务实的姿态赢得了更多开发者社区的尊重。虽然能力有显著提升，但由于没有大的技术路线突破，仍将其定位为小版本迭代，那么当 DeepSeek 真正发布 R2 时，那将是一次名副其实的重大升级，而非行业常见的 " 通货膨胀式 " 命名。

这种对技术命名的诚实态度，也是外界格外期待 R2 的重要理由。

而这次更新最重要的地方还在于，DeepSeek 的 V3 和 R1 出现后，如 Anthropic 等对手在尝试用新方法超车，核心在于把推理模型和大语言模型融合，无论是产品上通过 AI 的自动调配来融合到一起，还是从模型层面就 " 合二为一 "。

现在看来，DeepSeek 此次更新也很直白的展示了自己接下来的路线，也是把 V 系列和 R 系列融合成一个新模型。

官方报告中明确指出，此次更新与之前的 DeepSeek-V3 使用同样的 base 模型，仅改进了后训练方法，并借鉴了 DeepSeek-R1 模型训练过程中的强化学习技术。

这是纯 RL 路线的再一次的验证和公示，在对手们继续闭源并使用 " 唯一混合模型 " 这样的概念来吸引人的时候，它继续通过开源为行业提供公开的高效迭代思路。DeepSeek 这开源的仗还会继续打下去，好戏还在后面。