DeepSeek新版本节前突袭发布

就在刚刚，DeepSeek 发布了新版本模型 DeepSeek-V3.2-Exp 。

顾名思义，这是一个实验性（Experimental）版本，主要用于探索下一代大模型架构的可能性。

模型参数量为 685B， Hugging Face开源地址：

https://huggingface.co/deepseek-ai/Deep Seek-V3.2-Exp

此外，这次发布还同步公开了论文，里面详细介绍了 全新的稀疏注意力机制 ： DeepSeek Sparse Attention（DSA） 的设计思路和实现方法。

论文地址：

https://github.com/deepseek-ai/DeepSeek-V3.2-Exp/blob/main/DeepSeek_V3_2.pdf

核心升级：引入新的稀疏注意力机制

这次的升级，最大的亮点是引入了 DeepSeek Sparse Attention（DSA） 。它是一种稀疏注意力机制，目标是在处理长文本时能够减少计算量、提升效率。

简单来说：

模型不再逐字逐句死磕，而是能更快抓住重点；

在处理超长文本时，推理成本显著下降；

性能基本保持稳定，在编程、数学、推理等方面损耗很小。

01 模型不再逐字逐句死磕，而是能更快抓住重点

DSA 机制通过 闪电索引器（lightning indexer） 和 细粒度 token 选择机制 ，使模型能够高效地筛选关键信息，而不是对所有 token 进行全局注意力计算。

02 在处理超长文本时，推理成本显著下降

DSA 将原本 Transformer 的 O ( L) 注意力计算复杂度降低至 O ( L k ) ，其中 k 《 L （ 例如，在训练中仅选择 2048 个关键 token）。尽管索引器本身仍为 O ( L) ，但由于其计算量远小于 MLA（Multi-Latent Attention），整体推理成本大幅降低。

论文中的实验数据显示，在 H800 GPU 集群上，DeepSeek-V3.2-Exp 的推理成本明显低于 V3.1-Terminus，尤其是在长序列（128K token）场景下：

03 性能基本保持稳定，在编程、数学、推理等方面损耗很小

尽管采用了稀疏注意力机制，DeepSeek-V3.2-Exp 在多项能力评估（包括编程、数学、逻辑推理等）中与 V3.1-Terminus 相比 未出现显著性能下降 。

在 BrowseComp （编程评估）和 SWE Verified （软件工程验证）等任务上，两者的强化学习训练曲线高度一致，表明 DSA 并未影响模型的学习稳定性。

虽然在 GPQA、HLE、HMMT 2025 等任务上有轻微性能差距，但论文指出这主要是由于 V3.2-Exp 生成推理 token 更少，若使用中间检查点使 token 数量相当，该差距会消失。

通过这样一个 DSA 机制，能让模型学会“ 抓大放小 ”的思维模式，用极高的效率在长文本中锁定关键信息。这也使得模型在 推理速度上获得巨大提升 ，同时 核心能力基本保持无损 （性能稳定）。

价格离谱 ：表现与上代接近，价格竟下降一半

讲完了核心升级的机制，来看模型的表现。

在各个领域的公开基准测试中， DeepSeek-V3.2-Exp 与之前的 V3.1-Terminus 总体表现差不多，个别测试有小幅差异。

但在保证效果的同时，API 调用价格有了明显下降，整体便宜了超过 50%。 基本都等于白送了，百万输出仅3元，堪称“价格屠夫”！

写在最后

总结一下，DeepSeek-V3.2-Exp 并不是一个「分数更高」的版本，算是一种面向未来的探索。

现在， DeepSeek-V3.2-Exp 已经在 官方App / 网页端 / 小程序 / API 全面同步更新，大家可以体验起来！

此外，我们还发现智谱的GLM-4.6也即将发布，在Z.ai官网可以看到，GLM-4.5也已经标识为上一代旗舰 模型。

祝各位“源神” 们 国庆快乐。