深度求索正式发布实验性模型 DeepSeek-V3.2-Exp，其核心创新是引入了 DeepSeek Sparse Attention（DSA）稀疏注意力机制。该机制在不显著影响模型输出效果的前提下，大幅提升了长文本场景下的训练和推理效率。文章指出，V3.2-Exp 在公开评测集上的表现与前一代 V3.1-Terminus 基本持平。为推动技术普惠和社区发展，DeepSeek 同步大幅下调 API 价格超过 50%，同时开源了 V3.2-Exp 模型、相关研究论文以及创新的 TileLang 与 CUDA GPU 算子。官方鼓励广大用户对新模型进行对比测试并提供反馈，以进一步验证其在真实应用场景中的表现。
src="https://api.eyabc.cn/api/picture/scenery/?k=586484e2&u=https%3A%2F%2Fmmbiz.qpic.cn%2Fmmbiz_jpg%2FpkWC42uvwkmiaA2zOcIBnlSe6w5RxdV6SNCXRwbyZXIZEX3iac3tKtq6DJPcHIJvNPru2xt3waF4aLia6aibZo2tVA%2F0%3Fwx_fmt%3Djpeg">
今天，我们正式发布 DeepSeek-V3.2-Exp 模型，这是一个实验性（Experimental）的版本。作为迈向新一代架构的中间步骤，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。
目前，官方 App、网页端、小程序均已同步更新为 DeepSeek-V3.2-Exp，同时 API 大幅度降价，欢迎广大用户体验测试并向我们反馈意见。
DeepSeek Sparse Attention（DSA）
稀疏注意力机制
DeepSeek Sparse Attention（DSA）首次实现了细粒度稀疏注意力机制，在几乎不影响模型输出效果的前提下，实现了长文本训练和推理效率的大幅提升。
为了严谨地评估引入稀疏注意力带来的影响，我们特意把 DeepSeek-V3.2-Exp 的训练设置与 V3.1-Terminus 进行了严格的对齐。在各领域的公开评测集上，DeepSeek-V3.2-Exp 的表现与 V3.1-Terminus 基本持平。
论文链接 & 模型开源
DeepSeek-V3.2-Exp 模型现已在 Huggingface 与魔搭开源：
-
HuggingFace：
https://huggingface.co/deepseek-ai/DeepSeek-V3.2-Exp
-
ModelScope：
https://modelscope.cn/models/deepseek-ai/DeepSeek-V3.2-Exp
论文也已同步公开：
https://github.com/deepseek-ai/DeepSeek-V3.2-Exp/blob/main/DeepSeek_V3_2.pdf
TileLang & CUDA 算子开源
在新模型的研究过程中，需要设计和实现很多新的 GPU 算子。我们使用高级语言 TileLang 进行快速原型开发，以支持更深入的探索。在最后阶段，以 TileLang 作为精度基线，逐步使用底层语言实现更高效的版本。因此，本次开源的主要算子包含 TileLang 与 CUDA 两种版本。我们建议社区在进行研究性实验时，使用基于 TileLang 的版本以方便调试和快速迭代。
API 支持
得益于新模型服务成本的大幅降低，官方 API 价格也相应下调，新价格即刻生效。
在新的价格政策下，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。欢迎用户使用 DeepSeek 官方的 API 服务。
用户场景对比测试
作为一个实验性的版本，DeepSeek-V3.2-Exp 虽然已经在公开评测集上得到了有效性验证，但仍然需要在用户的真实使用场景中进行范围更广、规模更大的测试，以排除在某些场景下效果欠佳的可能。为方便用户进行对比测试，我们为 DeepSeek-V3.1-Terminus 临时保留了额外的 API 访问接口。用户只需修改base_url="https://api.deepseek.com/v3.1_terminus_expires_on_20251015" 即可访问 V3.1-Terminus，调用价格与 V3.2-Exp 相同。该接口将保留到北京时间 2025 年 10 月 15 日 23:59，更详细的使用方法请参考官方文档 https://api-docs.deepseek.com/zh-cn/guides/comparison_testing。
诚挚希望广大用户在对比测试中为我们提供宝贵的反馈意见，反馈链接：
https://feedback.deepseek.com/dsa
