DeepSeek V3.2 AI 모델은 최소한의 컴퓨팅 비용으로 최상위 성능을 제공합니다

주요 기술 기업들이 최첨단 AI 모델 개발을 위해 수십억 달러를 컴퓨팅 파워에 투자하는 동안, 중국의 딥시크(DeepSeek)는 단순한 규모 확대가 아닌 더 스마트한 접근 방식으로 유사한 성과를 달성했습니다. 딥시크 V3.2 모델은 "총 훈련 FLOPs(플롭스)가 더 적음"에도 불구하고 추론 벤치마크에서 오픈AI의 GPT-5와 동등한 성능을 보였습니다. 이는 업계가 정교한 인공 지능 구축에 접근하는 방식을 재정의할 수 있는 진전입니다.

기업들에게 이번 출시 결과는 최상위 AI 역량이 반드시 최상위 컴퓨팅 예산을 요구하지는 않음을 보여준다. 딥시크 V3.2의 오픈소스 공개로 조직들은 배포 인프라에 대한 통제권을 유지하면서 고급 추론 및 에이전트 기능을 평가할 수 있게 되었다. 이는 비용 효율성이 AI 도입 계획에서 점점 더 핵심 요소가 되는 상황에서 매우 중요한 요소다.

항저우에 기반을 둔 연구소는 월요일 두 가지 버전을 공개했습니다: 기본 DeepSeek V3.2와 DeepSeek-V3.2-Speciale입니다. 후자는 2025년 국제 수학 올림피아드(IMO)와 국제 정보올림피아드(IOI) 벤치마크에서 금메달 수준의 성능을 달성했는데, 이는 기존에는 미국 주요 AI 기업들의 미공개 내부 모델만이 달성했던 기록입니다.

수출 규제로 인해 첨단 반도체 칩 접근이 제한된 상황에서 이룬 성과라 더욱 주목할 만하다.

경쟁 우위로서의 자원 효율성

딥시크의 성공은 선도적인 AI 성능에 대규모 컴퓨팅 자원이 필수적이라는 업계 통념에 도전장을 내민다. 회사는 이러한 효율성을 아키텍처 혁신, 특히 모델 성능 저하 없이 계산 복잡도를 획기적으로 낮춘 '딥시크 스파스 어텐션(DSA)' 기술 덕분이라고 설명한다.

기본 DeepSeek V3.2 모델은 AIME 2025 수학 문제에서 93.1%의 정확도를 달성했으며, Codeforces 등급 2386점을 기록하여 추론 평가에서 GPT-5와 어깨를 나란히 했습니다.

스페셜(Speciale) 변종은 더 뛰어난 성과를 보였는데, 2025년 미국 수학 초청 시험(AIME)에서 96.0%, 2025년 2월 하버드-MIT 수학 토너먼트(HMMT)에서 99.2%를 기록했으며, 2025년 국제 수학 올림피아드와 국제 정보 올림피아드에서 모두 금메달 등급을 획득했습니다.

이러한 성과는 중국에 영향을 미치는 다양한 관세 및 수출 통제로 인해 DeepSeek가 고급 칩에 대한 접근이 제한된 점을 고려할 때 특히 인상적입니다. 기술 보고서에 따르면, 회사는 사전 훈련 비용의 10%를 초과하는 사후 훈련 계산 예산을 할당했는데, 이는 무차별적인 확장 대신 강화 학습 최적화를 통해 고급 기능을 육성한 상당한 투자였습니다.

효율성을 주도하는 기술 혁신

DSA 메커니즘은 기존 어텐션 아키텍처와의 차별점을 보인다. 모든 토큰을 동일한 계산 강도로 처리하는 대신, DSA는 '라이트닝 인덱서'와 정밀한 토큰 선택 시스템을 활용해 각 쿼리에 가장 관련성 높은 정보만을 선별 처리한다.

이 방법은 핵심 어텐션 복잡도를 O(L²)에서 O(Lk)로 감소시킵니다. 여기서 k는 선택된 토큰 수를 나타내며, 전체 시퀀스 길이 L의 일부에 해당합니다. DeepSeek-V3.1-Terminus 체크포인트로부터의 확장된 사전 훈련 과정에서, 회사는 훈련 단계당 128K 토큰으로 구성된 480개 시퀀스를 활용하여 9437억 개의 토큰으로 DSA를 훈련했습니다.

이 아키텍처는 도구 호출 상황을 위해 설계된 컨텍스트 관리 기능도 구현합니다. 사용자 메시지마다 추론 내용을 폐기하던 기존 추론 모델과 달리, DeepSeek V3.2 모델은 도구 관련 메시지만 추가될 때 추론 기록을 보존하여 불필요한 재추론을 제거함으로써 다중 회전 에이전트 워크플로우에서 토큰 효율성을 향상시킵니다.

기업 애플리케이션 및 실용적 성능

AI 도입을 검토 중인 기업에게 DeepSeek의 방법론은 벤치마크 결과를 넘어 실질적인 이점을 제공합니다. 코딩 워크플로 능력을 측정하는 Terminal Bench 2.0에서 DeepSeek V3.2는 46.4%의 정확도를 달성했습니다.

이 모델은 소프트웨어 엔지니어링 문제 해결 벤치마크인 SWE-Verified에서 73.1%, SWE Multilingual에서 70.2%의 점수를 기록하여 개발 환경에서의 실용적 가치를 입증했습니다.

자율적인 도구 사용과 다단계 추론이 필요한 에이전트 작업에서 이 모델은 기존 오픈소스 시스템 대비 상당한 개선을 보였습니다. 회사는 대규모 에이전트 작업 합성 파이프라인을 구축하여 1,800개 이상의 고유 환경과 85,000개의 복잡한 프롬프트를 생성함으로써, 모델이 익숙하지 않은 도구 사용 시나리오에도 추론 전략을 일반화할 수 있도록 했습니다.

DeepSeek는 Hugging Face에 V3.2 기본 모델을 오픈소스화하여 기업이 벤더 종속성 없이 배포 및 맞춤화할 수 있도록 했습니다. Speciale 변종은 높은 토큰 소비 요구사항으로 인해 API를 통해서만 접근 가능하며, 이는 최고 성능과 배포 효율성 간의 절충점입니다.

산업적 함의 및 인정

이번 공개는 AI 연구 커뮤니티 내에서 상당한 논의를 촉발했습니다. Google DeepMind 수석 연구 엔지니어 수잔 장(Susan Zhang)은 DeepSeek의 포괄적인 기술 문서를 칭찬하며, 특히 모델 훈련 후 안정화 및 에이전트 능력 강화 노력을 높이 평가했습니다.

신경정보처리시스템 컨퍼런스(NeurIPS) 직전에 발표된 타이밍은 관심을 더욱 높였습니다. 샌디에고에서 열리는 NeurIPS에 참석한 중국 오픈소스 AI 생태계 전문가 플로리안 브란트는 즉각적인 반응을 관찰했습니다: "오늘 모든 그룹 채팅방이 DeepSeek 발표 후 떠들썩했습니다."

인정된 한계와 발전 방향

딥시크의 기술 보고서는 선도 모델 대비 현재의 격차를 다루고 있다. 토큰 효율성은 여전히 과제다. 딥시크 V3.2 모델은 일반적으로 Gemini 3 Pro 같은 시스템의 출력 품질을 따라잡기 위해 더 긴 생성 시퀀스가 필요하다. 또한 회사는 전체 훈련 컴퓨팅 자원이 부족해 세계 지식의 폭이 선도적인 독점 모델에 뒤처진다는 점도 인정했다.

향후 개발 우선순위는 사전 훈련 컴퓨팅 자원 확대로 세계 지식 확장, 추론 체인 효율 최적화를 통한 토큰 사용 개선, 복잡한 문제 해결 작업을 위한 기초 아키텍처 정교화 등이다.

참조: AI 비즈니스 현실 – 기업 리더가 알아야 할 사항

업계 전문가로부터 AI와 빅데이터에 대해 더 알아보고 싶으신가요? 암스테르담, 캘리포니아, 런던에서 열리는 AI & 빅데이터 엑스포를 살펴보세요. 이 포괄적인 행사는 TechEx의 일부이며 다른 주요 기술 행사와 동시 개최됩니다. 자세한 내용은 여기를 클릭하세요.

AI 뉴스는 TechForge Media에서 제공합니다. 예정된 기업 기술 행사 및 웨비나를 여기서 확인하세요.