「【新智元导读】DeepSeek 最新模型 V3.2-Exp 发布，推出全新注意力机制 DeepSeek Sparse Attention(DSA)，训练推理提效的同时，API 同步降价达 50% 以上！」
一图看透全球大模型！新智元十周年钜献，2025 ASI 前沿趋势报告 37 页首发
刚刚，DeepSeek 最新模型上线！
代号 DeepSeek-V3.2-Exp，被 DeepSeek 誉为最新的实验性模型！
这次 V3.2 主要基于 DeepSeek-V3.1-Terminus，并且首次引入「DeepSeek 稀疏注意力」（DeepSeek Sparse Attention，DSA），在长上下文上实现更快、更高效的训练与推理。
值得注意的是，这是第一个用「DeepSeek」品牌命名的关键技术（注意力机制）！
我们注意到，DSA 正是此前与北大合作、梁文锋署名的那篇 ACL 2025 最佳论文中，原生稀疏注意力（Native Sparse Attention，NSA）的改进。
技术报告里的引用
「全新注意力机制」
DeepSeek-V3.2-Exp 的核心武器「DeepSeek 稀疏注意力」，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。
论文地址：github.com/deepseek-ai...
与之前模型最大的不同是，DSA 不再让每个 Token 关注序列中的所有其他 Token，而是引入了一个名为「闪电索引器」（lightning indexer）的高效组件。
这个索引器能以极快的速度判断，对于当前正在处理的 Token，序列中哪些历史 Token 是最重要的。
随后，模型只从这些最重要的 Token 中选取（Top-k）一小部分（例如 2048 个）进行精细计算。
如此一来，核心注意力的计算复杂度就从 O(L²) 骤降至 O(Lk)，其中 k 是一个远小于 L 的固定值。
这在处理长文本时，无疑带来了巨大的效率提升。
更关键的是，这种效率提升并非以牺牲性能为代价。
在 DeepSeek-V3.1 的基础上，团队先用一个简短的「密集预热」阶段来初始化闪电索引器，让它学会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）。
为了严谨地评估引入稀疏注意力带来的影响，DeepSeek 特意把 DeepSeek-V3.2-Exp 的训练设置与 V3.1-Terminus 进行了严格的对齐。
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 的性能与它的「密集注意力」前身 V3.1-Terminus 相比，都没有出现实质性的性能下降。
与此同时，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非常显著。
虽然 DeepSeek-V3.2-Exp 目前还是一款实验性模型，但它所展示的「性能不降、成本骤减」的特性，为大模型突破长文本瓶颈，指明了一条充满希望的工程路径。
「价格更便宜」
DeepSeek 再一次把模型价格打了下来！
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。
最后，不得不说，这次 DeepSeek 太仁慈了，「发布节奏」真的听取了网友的建议，给众多 AI 界的朋友们放个好假！
参考资料：