DeepSeek 發布 V3.2-Exp 模型稀疏注意力技術加速推理

DeepSeek 正式推出實驗性模型 DeepSeek-V3.2-Exp，該模型基於 V3.1-Terminus 版本進行開發，引入了 DeepSeek Sparse Attention（DSA）稀疏注意力技術，旨在為長文本上下文處理提供更快、更高效的訓練與推理能力。此次發布同步上線了應用程式、Web 版本及 API 接口，並伴隨 API 價格下調 50% 以上的成本優化方案。

稀疏注意力技術突破

DeepSeek Sparse Attention 技術的核心優勢在於其細粒度的稀疏注意力機制設計。這項技術通過優化注意力計算流程，在最小化輸出質量影響的前提下，顯著提升了模型在長文本上下文場景中的性能表現。根據官方基準測試結果顯示，V3.2-Exp 的整體性能與 V3.1-Terminus 保持一致，證明了新技術在維持模型能力的同時，成功實現了計算效率的提升。

這一技術進步具有重要的實際意義。在實際應用中，長文本処理往往需要耗費大量計算資源，導致推理成本高企。DSA 通過智能化地減少不必要的計算步驟，使模型能夠在處理更長的上下文時，消耗更少的計算資源，這對於大規模部署和實時應用場景而言尤為關鍵。

API 價格大幅下調

為了進一步推動開發者採用，DeepSeek 同步推出了具有競爭力的定價策略。自 V3.2-Exp 發布之日起，API 調用價格下降幅度超過 50%，使更多開發團隊和企業能夠以更經濟的成本接入高性能的大語言模型服務。

為了便於用戶進行性能對比測試，DeepSeek 特別保留了 V3.1-Terminus 版本的臨時 API 通道，為那些需要驗證新舊版本性能差異的開發者提供了充足的時間窗口，確保遷移決策更加謹慎和數據驅動。

開源與技術資源釋放

DeepSeek 秉持開放科研的理念，同步發布了 V3.2-Exp 的開源模型權重與完整技術報告。開發者可以在 Hugging Face 平臺上直接下載 DeepSeek-V3.2-Exp 模型，並通過官方 GitHub 倉庫獲取詳細的技術文檔和研究報告。此舉不僅有助於學術界的進一步研究與驗證，也為企業級應用提供了透明的技術基礎。

為了支援研究人員和開發者的快速原型設計需求，DeepSeek 還公開了關鍵的 GPU 核心實現代碼，涵蓋 TileLang 和 CUDA 兩種實現方案。其中 TileLang 版本特別適合於快速研究原型開發，允許開發者以更高的效率進行算法實驗和優化工作。這種開源的深度技術共享模式，促進了整個 AI 領域的技術進步和創新生態建設。