摘要

首次实现细粒度稀疏注意力，在几乎不损失模型质量的前提下，显著提升长文本训练与推理效率。

V3.2-Exp与V3.1-Terminus在相同训练设置下对比测试，结果显示两者在主流公开评测集上表现几乎持平，验证优化有效性。

新模型已同步更新至App、网页端及小程序，API调用价格下调超50%，大幅降低开发者使用门槛。

V3.2-Exp模型已在Huggingface与魔搭平台开源，支持用户自由访问与二次开发，推动社区共建。

2025年9月29日，DeepSeek-V3.2-Exp模型发布，V3.2-Exp在V3.1-Terminus 的基础上引入了DeepSeek Sparse Attention（一种稀疏注意力机制），针对长文本的训练和推理效率进行了探索性的优化和验证。

DeepSeek Sparse Attention的核心创新在于首次实现了细粒度的稀疏注意力机制，这一机制能够在几乎不影响模型输出质量的前提下，大幅提高长文本的处理效率。

并且，为了确保优化效果的可验证性，V3.2-Exp的训练设置与V3.1-Terminus进行了严格对比，结果显示，V3.2-Exp在各大公开评测集上的表现与V3.1-Terminus几乎持平。

与此同时，DeepSeek还宣布，V3.2-Exp版本已同步更新至官方App、网页端及小程序，并且API价格大幅度下调。在新的价格政策下，开发者调用DeepSeek API的成本将降低50%以上。

此外，DeepSeek表示，V3.2-Exp模型已在Huggingface与魔搭平台开源，用户可以直接访问并进行二次开发。