简简单单来个DeepSeek-V3.2-Exp 大解剖～附case评测

家人们，就在国庆放假前的今天凌晨，那个总在节前“搞事”的 DeepSeek，又双叒叕深夜悄然上线了！

讲真，DeepSeek 是真的不考虑我们媒体人的死活啊哈哈！每次都卡着放假前更新，之前大家都转发的吐槽截图，本人又翻出来了：

DeepSeek 最新的实验性模型 DeepSeek-V3.2-Exp 的更新精简成一句话来说就是：

在模型性能几乎不变的前提下，它处理长文本的成本，被打了个“严重骨折”！

（这对需要和海量文档、超长代码、复杂业务需求死磕的架构师和开发者来说，意味着很多因为 Token 成本和速度而“想都不敢想”的长文本 AI 应用，现在，可以放手去干了！）

要理解这次 DeepSeek 为什么这次更新能把成本“打骨折”，根本在于—让大模型又爱又恨的“自注意力机制” (Self-Attention)。

家人们可能都知道，自注意力机制是 Transformer 架构的核心，但也最烧钱、最吃性能。

首先，咱们来讲一下它的花钱原因：

自注意力机制，为了理解一篇文章里的某个词，它会把这个词跟文章里所有的其他词挨个比对一遍，计算关联度。文章短还行，一旦长到几十万字（比如 128K 上下文），这种“暴力”比对的计算量就成了天文数字。

专业点说，就是 O(L^2) 的复杂度，L 是文本长度。

而这也正是，为什么那么多听起来很炫酷的长文本应用，最后都因为高昂的成本，让无数开发者“从入门到放弃”

而 DeepSeek-V3.2-Exp 结合了 DS 最新的研究成果—深度求索稀疏注意力（DeepSeek Sparse Attention, DSA）。

DSA 是之前北大、梁文锋一起合作、荣获 ACL2025BestPaper 的《Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention》工作的延续。

技术报告传送门：

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

DSA 的思路是给模型装上了一个高效“导航仪”：

• 第一步：闪电索引 (Lightning Indexer) 在精读之前，先派个“侦察兵”快速扫一遍全文，给所有词的相关性打个分，瞬间锁定那些最值得关注的“高价值词汇”。
• 第二步：精准选择 (Fine-grained Token Selection) 有了侦察兵的情报，模型就不再傻乎乎地关注所有词了，而是只精选出得分最高的 Top-k 个词（比如 2048 个），然后集中火力去分析这部分核心内容。

这么一通操作下来，计算复杂度就从 O(L^2) 骤降到了 O(L·k)，其中 k<<L，k 是个固定的几千，而 L 可以是几十万。这个优化效果，懂的都懂啊！

更关键的是，这种效率提升并非以牺牲性能为代价。

在训练过程中，在 DeepSeek-V3.1 的基础上，首先采用简短的「密集预热」初始化闪电索引器，让它学会模仿原有模型的注意力分布，然后利用稀疏训练让整个模型适应新的稀疏模式，最后沿用与前代模型完全相同的专家蒸馏和混合强化学习（GRPO）的后训练。

为了证明这种效率提升并非以牺牲性能为代价，DeepSeek 进行了“控制变量”的对比。他们让 V3.2-Exp 与上一代 V3.1-Terminus，在完全对齐的训练设置下较量：

结果显示，在所有关键领域的公开评测上，两者的表现基本一致，打成平手，而且，V3.2-Exp 在完成同样任务时，所消耗的 Token 量反而还大幅减少了。

而且，落实到部署层面，其端到端的推理加速和成本节约，效果立竿见影：

模型传送门：

HuggingFace 地址：

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

魔搭社区地址：

https://modelscope.cn/models/deepseek-ai/DeepSeek-V3.2-Exp

现在已经可以在 DeepSeek 的 App、网页端和小程序上，立刻体验到最新的 V3.2-Exp 模型。

成本降低了，用户也收到了红利，因为官方的行动非常实在：

API 价格整体下调超过 50%，打折最狠的是输出 Token 的价格，直接打了 25 折—从原来的 12 元/百万 Token，降到了现在的 3 元/百万 Token，降幅高达 75%！

一个新模型的发布，其真正的“江湖地位”，不只看技术报告，更要看整个产业链对它的态度。而 DeepSeek-V3.2-Exp，就享受到了这种“行业风向标”级别的待遇。

模型刚一发布的 Day0，整个国产硬件就都疯狂打 Call”：

• 寒武纪在模型发布后仅 4 分钟就宣布已经通过 Triton 算子开发完成适配（Ps：DeepSeek-V3.2-Exp 模型大小近 700GB，这个秒跟的速度，估计合作了？）

• 华为云首发上线新模型，而且使用 CloudMatrix 384 超节点为该模型提供推理服务。

• 华为计算昇腾基于 vLLM/SGLang 等推理框架完成超高速适配部署。

圈内捧得这么高，真实水平到底如何？作为大家的测评博主，咱们老规矩，直接上硬核实测，用上次测 V3.1 的“原题”再考一遍！

（上次测评 V3.1 的时候，还是很分裂。。。）

1. 学术题：

我是一个博士生，我最近在研究多模态 AIGC 内容的检测，请帮我想一种学术价值、创新价值都很好的 idea，我想发顶会！

V3.2:

DeepSeek V3.1：

家人们！回答质的飞跃啊！！

相较于 V3.1，它不仅在学术逻辑的严谨性、思路的创新性上有了降维打击，更补全了之前欠缺的“Storytelling”能力，把一个 idea 的来龙去脉、价值潜力讲得明明白白。看得我眼前一亮！

2. 编程题

帮我开发一个基于 Web Audio API 的网页播放器，我希望你实时分析音乐频谱和节拍，配合驱动一个动态生成的、响应音乐情感的抽象视觉背景

V3.2:

V3.1：

嘶，眼前一黑。要知道，上次 V3.1 在这个问题上表现可是相当惊艳的。看来，V3.2 还不够完美！

再看看上次翻车的小球题：

20 个小球在旋转的 6 边形内弹跳，考虑重力，弹力，摩擦力等物理规律。 用 p5js

V3.2：

V3.1：

小球的效果很好！物理规律模拟的很逼真，而且球有大小、颜色区分，而且还有三个切换选项。

那最后一题，测一下上次翻车的“瞬息全宇宙”：

请帮我生成一个全屏的、具有未来感和科技感的网页背景，模拟一个动态的三维全息宇宙。视觉上，它呈现出透明、发光的线条、网格结构和微弱的粒子效果。动态方面，宇宙中的星系或结构应该缓慢旋转、粒子（星辰）缓慢漂浮和闪烁

V3.2：

V3.1：

虽然“宇宙感”更强了一些，但是审美还是堪忧。。。。

3. 写作题

请以马斯克、特朗普、扎克伯格、黄仁勋为主要人物，发挥你最大的想象力，生成一篇长篇小说，题材是爱情。最好十万字以上，每到一万字你就在文章中提醒一下。

经过几轮测试，我的结论是：

DeepSeek-V3.2-Exp 作为一个实验性版本，优点和不稳定性同样突出。它在复杂逻辑推理和写作上的巨大进步，绝对是现象级的，但是编程的能力还是不够稳定！

另外，我还发现一个和网上主流观点相反的现象：很多人说 V3.2 生成的代码更简短，但在我的测评中，V3.2 生成的代码反而更长、更细致，它似乎更加有一个意识倾向于给出一个周全的、一步到位的解决方案。

总而言之，瑕不掩瑜。

DeepSeek-V3.2-Exp 进一步证明了 DS 的进化方向，绝对值得我们所有 AI 玩家持续关注和期待！

文章来自于微信公众号 “夕小瑶科技说”，作者 “夕小瑶科技说”