DeepSeek近日宣布開源其最新實驗模型DeepSeek-V3.2-Exp，首次引入DeepSeek Sparse Attention（DSA）稀疏注意力機制，在保持模型輸出質量的同時顯著提升長文本處理效率。這一技術突破被定義為"邁向新一代架構的關鍵中間步驟"，標志著大模型優化方向的重要轉變。
據技術報告披露，DSA機制通過"閃電索引器"和動態token選擇技術，將傳統注意力計算的復雜度從二次方降至近似線性。在H800 GPU實測中，該模型使長序列推理成本降低40%以上，同時保持與前代模型相當的任務完成質量。這種效率提升直接反映在API定價策略上——輸出100萬token的費用降至3元，僅為V3.1系列的四分之一。
產業界的響應速度超出預期。華為云在模型發布后6小時內完成部署，采用CloudMatrix 384超節點提供服務；寒武紀通過Triton算子開發實現4分鐘極速適配，開源vLLM-MLU推理引擎；海光信息宣布其DCU處理器完成Day 0級優化，確保算力"零等待"部署。截至發稿時，已有華為、寒武紀、海光等12家芯片廠商完成適配，覆蓋從云端到邊緣的多元計算場景。
開發者社區的實測反饋呈現兩極分化。在編程任務測試中，V3.2-Exp生成的代碼量較前代減少35%，但某動畫生成案例出現邏輯錯誤，顯示模型在復雜場景下的穩定性仍需優化。信息檢索任務測試表明，新模型響應速度提升28%，但推薦結果的精準度下降12%，特別是在需要多條件約束的場景中表現明顯。
技術團隊在GitHub披露的細節顯示，該模型采用"繼續預訓練+混合強化學習"的雙階段優化策略。預訓練階段通過稠密模式初始化索引器參數，再逐步引入稀疏選擇機制；后訓練階段結合領域專家蒸餾和統一強化學習框架，在保持模型通用性的同時強化特定領域能力。這種訓練范式使模型在數學推理、代碼生成等任務上的表現與前代持平，但工作記憶容量指標下降15%。
開源社區的熱烈討論揭示出技術演進的新方向。HuggingFace平臺數據顯示，模型發布首日即獲得超過2.3萬次下載，社區貢獻者已提交47個優化補丁。值得注意的是，某開發者通過修改索引器閾值參數，成功將推理延遲再降低18%，這為后續技術迭代提供了重要參考。
當前，DeepSeek-V3.2-Exp已在App、網頁端及小程序全面上線，同時保留V3.1-Terminus的API接口供對比測試。技術團隊強調，作為實驗性版本，該模型需要在真實業務場景中接受更嚴苛的考驗，特別是在高并發、長序列處理等極端條件下驗證其穩定性。隨著更多企業和研究機構參與協同優化，這項突破性技術有望在年內實現產業化落地。
