DeepSeek发布V3.2-Exp实验模型：搭载稀疏注意力技术，实现高效长文本处理与成本优化

DeepSeek近期推出了其最新实验性模型V3.2-Exp，该版本引入了全新的注意力机制——DeepSeek稀疏注意力（DSA），在显著提升训练和推理效率的同时，官方API价格同步下调超过50%！

就在不久前，DeepSeek正式发布了这一全新模型。

代号为DeepSeek-V3.2-Exp，被官方称为最新的实验性模型！

V3.2模型主要基于DeepSeek-V3.1-Terminus架构进行升级，并首次集成了「DeepSeek稀疏注意力」（DeepSeek Sparse Attention，DSA），在长上下文任务中实现了更快速、更高效的训练与推理过程。

值得关注的是，这是首个以「DeepSeek」品牌命名的核心技术（注意力机制）！

我们观察到，DSA实际上是对此前与北京大学合作、梁文锋署名的ACL 2025最佳论文中提到的原生稀疏注意力（Native Sparse Attention，NSA）的进一步优化和改进。

技术报告中的相关引用

全新注意力机制

DeepSeek-V3.2-Exp的核心创新在于「DeepSeek稀疏注意力」，该机制首次实现了细粒度的稀疏注意力处理，在几乎保持模型输出效果不变的前提下，大幅提升了长文本训练和推理的效率。

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

与以往模型的关键区别在于，DSA不再要求每个Token关注序列中的所有其他Token，而是引入了一个高效组件——「闪电索引器」（lightning indexer）。

该索引器能够以极快的速度判断，对于当前正在处理的Token，序列中哪些历史Token最具重要性。

随后，模型仅从这些关键Token中选取一小部分（例如2048个）进行精细计算。

通过这种方式，核心注意力的计算复杂度从O(L²)大幅降低至O(Lk)，其中k是一个远小于L的固定值。

这在处理长文本时，带来了前所未有的效率提升。

更为重要的是，这种效率提升并未以牺牲性能为代价。

在DeepSeek-V3.1的基础上，团队首先通过一个简短的「密集预热」阶段来初始化闪电索引器，使其学习模仿原有模型的注意力分布。

随后进入「稀疏训练」阶段，让整个模型适应新的稀疏模式。

最后，再沿用与前代模型完全相同的后训练流程，包括专家蒸馏和混合强化学习（GRPO）。

为了严谨评估引入稀疏注意力带来的影响，DeepSeek特意将DeepSeek-V3.2-Exp的训练设置与V3.1-Terminus进行了严格对齐。

DeepSeek-V3.2-Exp的架构图，其中DSA在MLA下实例化。

评估结果显示，无论是在短文本还是长文本任务上，DeepSeek-V3.2-Exp的性能与其「密集注意力」前身V3.1-Terminus相比，均未出现实质性下降。

同时，在实际部署的推理成本测试中，其端到端的加速效果和成本节约表现极为显著。

尽管DeepSeek-V3.2-Exp目前仍是一款实验性模型，但它所展示的「性能不降、成本骤减」特性，为大模型突破长文本瓶颈，指明了一条极具前景的工程路径。

价格更便宜

DeepSeek再次大幅降低了模型使用成本！

得益于新模型服务成本的大幅下降，官方API价格也相应调整，新价格立即生效。

在新的定价政策下，开发者调用DeepSeek API的成本将降低50%以上。

目前API的模型版本为DeepSeek-V3.2-Exp，访问方式保持不变。

最后，不得不说，这次DeepSeek的发布节奏非常贴心，充分听取了社区建议，让AI领域的朋友们能够安心享受假期！

参考资料：

https://api-docs.deepseek.com/zh-cn/news/news250929