DeepSeek 最新推出的實驗性模型 DeepSeek V3.2 引發行業關注，其自研的稀疏注意力機制 DSA（DeepSeek Sparse Attention）成為技術突破的核心亮點。盡管此次更新屬于小版本迭代，但 API 價格最高降幅達 75%，這一激進策略被業界稱為“價格屠夫式”操作，同時其技術架構的革新性也引發廣泛討論。

據 DeepSeek 官方公眾號披露，V3.2-Exp 版本是邁向新一代架構的關鍵過渡。該模型在 V3.1-Terminus 基礎上引入的 DSA 機制，已通過公開評測集驗證有效性，但仍需在真實用戶場景中接受大規模測試。官方特別強調，用戶反饋對排除潛在技術缺陷至關重要，并開放了專屬反饋通道（https://feedback.deepseek.com/dsa），呼吁開發者參與技術驗證。

DSA 機制的核心創新在于“先篩選后計算”的設計理念。其架構由兩大組件構成：閃電索引器（Lightning Indexer）作為輕量級篩選器，以每個 token 僅 128 維的超小鍵緩存快速掃描上下文，為每個查詢定位最相關的 2048 個關鍵信息；稀疏多潛在注意力（Sparse Multi-Latent Attention, MLA）則作為高精度計算單元，僅對篩選結果進行 512 維完整計算，避免無效信息干擾。這種分工模式在保證輸出質量的同時，顯著提升了長文本處理效率。

技術實現層面，DSA 的計算流程分為四步：首先通過查詢與鍵的投影融入旋轉位置編碼，并為每個注意力頭生成動態權重；隨后閃電索引器利用輕量緩存計算點積得分，結合逐頭權重進行掩碼與縮放處理；第三步從上下文中篩選出得分最高的 2048 個 token（若上下文長度不足則啟用全注意力模式）；最終由稀疏 MLA 在優化后的 FlashMLA 計算核上執行精準注意力計算。整個過程通過 DeepSeek 自研的 DeepGEMM 算子實現硬件級優化，適配英偉達 Hopper 和 Blackwell 架構 GPU。

該機制的技術精髓體現在雙重優勢的平衡：通過 Top-k 篩選確保注意力聚焦于最相關內容，維持輸出精度；同時借助閃電索引器與稀疏計算核的協同，將計算復雜度與內存占用降至極低水平。網友@teortaxesTex 評論指出：“AGI 將是稀疏的”，而 DSA 機制通過微型全注意力索引器引導大規模稀疏計算，為高效通用人工智能開辟了新路徑。DeepSeek 在注意力機制領域的持續突破，彰顯了其技術迭代的前瞻性與執行力。