今天，我們正式發佈 DeepSeek-V3.2-Exp 模型，這是一個實驗性（ Exp erimental）的版本。作爲邁向新一代架構的中間步驟，V3.2-Exp 在 V3.1-Terminus 的基礎上引入了 DeepSeek Sparse Attention（一種稀疏注意力機制），針對長文本的訓練和推理效率進行了探索性的優化和驗證。
目前，官方 App、網頁端、小程序均已同步更新爲 DeepSeek-V3.2-Exp，同時 API 大幅度降價 ，歡迎廣大用戶體驗測試並向我們反饋意見。
DeepSeek
Sparse Attention
（DSA）
稀疏注意力機制
DeepSeek Sparse Attention （ DSA ） 首次實現了細粒度稀疏注意力機制，在幾乎不影響模型輸出效果的前提下，實現了長文本訓練和推理效率的大幅提升。
爲了嚴謹地評估引入稀疏注意力帶來的影響，我們特意把 DeepSeek-V3.2-Exp 的訓練設置與 V3.1-Terminus 進行了嚴格的對齊。在各領域的公開評測集上，DeepSeek-V3.2-Exp 的表現與 V3.1-Terminus 基本持平。
論文鏈接 & 模型開源
DeepSeek-V3.2-Exp 模型現已在 Huggingface 與魔搭開源：
-
HuggingFace ：
https://huggingface.co/deepseek-ai/DeepSeek-V3.2-Exp
-
ModelScope ：
https://modelscope.cn/models/deepseek-ai/DeepSeek-V3.2-Exp
論文也已同步公開：
https://github.com/deepseek-ai/DeepSeek-V3.2-Exp/blob/main/DeepSeek_V3_2.pdf
TileLang & CUDA 算子開源
在新模型的研究過程中，需要設計和實現很多新的 GPU 算子。我們使用高級語言 TileLang 進行快速原型開發，以支持更深入的探索。在最後階段，以 TileLang 作爲精度基線，逐步使用底層語言實現更高效的版本。因此，本次開源的主要算子包含 TileLang 與 CUDA 兩種版本。我們建議社區在進行研究性實驗時，使用基於 TileLang 的版本以方便調試和快速迭代。
API 支持
得益於新模型服務成本的大幅降低，官方 API 價格也相應下調，新價格即刻生效。
在新的價格政策下，開發者調用 DeepSeek API 的成本將降低 50% 以上。
目前 API 的模型版本爲 DeepSeek-V3.2-Exp，訪問方式保持不變。歡迎用戶使用 DeepSeek 官方的 API 服務。
用戶場景對比測試
作爲一個實驗性的版本，DeepSeek-V3.2-Exp 雖然已經在公開評測集上得到了有效性驗證，但仍然需要在用戶的真實使用場景中進行範圍更廣、規模更大的測試，以排除在某些場景下效果欠佳的可能。爲方便用戶進行對比測試，我們爲 DeepSeek-V3.1-Terminus 臨時保留了額外的 API 訪問接口
。用戶只需修改
base_url="
https://api.deepseek.com/v3.1_terminus_expires_on_20251015
" 即可訪問 V3.1-Terminus，調用價格與 V3.2-Exp 相同。該接口將
保留到北京時間 2025 年 10 月 15 日 23:59
，更詳細的使用方法請參考官方文檔
https://api-docs.deepseek.com/zh-cn/guides/comparison_testing
。
誠摯希望廣大用戶在對比測試中爲我們提供寶貴的反饋意見，反饋鏈接：
https://feedback.deepseek.com/dsa