2025 年 9 月 29 日，AI 领域传来重磅消息 ——DeepSeek 正式宣布开源旗下DeepSeek-V3.2-Exp 实验版大模型。该模型创新性引入DeepSeek Sparse Attention（简称 DSA）稀疏注意力机制，在几乎不影响输出质量的前提下，大幅提升长文本训练与推理效率，被官方定位为 “向新一代模型架构迈进的关键实验步骤”，引发行业广泛关注。
目前，开发者可通过 HuggingFace（https://huggingface.co/deepseek-ai/DeepSeek-V3.2-Exp）与魔搭社区（https://modelscope.cn/models/deepseek-ai/DeepSeek-V3.2-Exp）获取该模型资源。伴随架构优化而来的，还有显著的成本下降：DeepSeek 同步调整 API 定价策略，开发者调用成本直降 50% 以上，其中输出 token 价格降幅最为突出 —— 输出 100 万个 token 仅需 3 元，相当于上一代 DeepSeek-V3.1 系列模型的 1/4，极大降低了开发门槛。
截至 9 月 30 日清晨 6 时，产业链上下游企业已快速跟进。华为云、PPIO 派欧云、优刻得等云服务平台率先上线 DeepSeek-V3.2-Exp，华为、寒武纪、海光信息等国产 AI 芯片厂商也同步宣布完成模型适配，形成 “芯片 - 云平台 - 模型” 协同响应的局面。
值得注意的是，DeepSeek-V3.2-Exp 基于 DeepSeek-V3.1-Terminus 迭代开发，在公开评测集的各领域表现中与前代基本持平，但完成任务所需的 token 量显著减少。当前，DeepSeek 的 App、网页端及小程序已全面搭载该新模型，同时临时保留了 DeepSeek-V3.1-Terminus 的 API 接口，方便开发者进行效果对比与验证。此外，DeepSeek 还开源了配套技术报告（https://github.com/deepseek-ai/DeepSeek-V3.2-Exp/blob/main/DeepSeek_V3_2.pdf）与代码，并提供 TileLang、CUDA 双版本 GPU 算子，为研究者提供多维度优化实验的可能。不过官方也提醒，作为实验性版本，该模型虽通过公开评测验证有效性，仍需在真实应用场景中进一步测试，以排除特定场景下的性能波动风险。
国产厂商 “零延迟” 适配，开发者热议 “新 DeepSeek 时刻”
DeepSeek-V3.2-Exp 的发布，迅速点燃国产 AI 产业链的响应热情，多家企业实现 “Day 0（首日）适配”，展现出强劲的技术协同能力。
华为计算通过官方公众号披露，其昇腾平台已基于 vLLM、SGLang 等主流推理框架完成适配部署，不仅开源全部推理代码与算子实现，还在性能上实现突破 —— 在昇腾设备上处理 128K 长序列时，首 token 输出耗时（TTFT）可控制在 2 秒以内，每 token 输出耗时（TPOT）低于 30 毫秒，兼顾效率与体验。与此同时，华为云也首发上线该模型，并依托 CloudMatrix 384 超节点为其提供推理算力支持。
寒武纪的响应速度更为惊人 —— 在 DeepSeek 官宣模型开源后的仅 4 分钟，便宣布同步完成 Day 0 适配，并开源大模型推理引擎 vLLM-MLU 源代码。据了解，寒武纪通过 Triton 算子开发实现快速兼容，借助 BangC 融合算子优化性能，同时采用 “计算 - 通信并行” 策略提升计算效率。考虑到 DeepSeek-V3.2-Exp 模型文件达 671GB，下载需数小时，如此迅速的适配进度，业内推测双方或在模型发布前已启动协同开发。
海光信息也不甘落后，其深度计算处理器（DCU）率先实现对该模型的 Day 0 级高效适配与优化，确保大模型可 “零等待” 部署，进一步完善了国产芯片的生态支持能力。
在开发者社区，新模型同样引发热烈讨论。有用户分享测试体验称，在包含 10 万个 token 的代码库测试中，DeepSeek-V3.2-Exp 的处理速度提升 “肉眼可见”；还有开发者调侃 “API 成本几乎等同于免费”，认为该模型或将推动更多中小团队开展 AI 应用开发。更有声音指出，此次架构创新与生态响应，可能预示着 “第二个 DeepSeek 时刻” 即将到来 —— 如同此前该品牌凭借技术突破引发行业关注一般，此次新模型或再度重塑市场格局。不过，HuggingFace 社区也有有趣的 “吐槽”：有中国开发者发现 DeepSeek 多次模型更新均卡在节假日前夕，调侃 “难道是不想让大家好好过节？”
实测新模型：效率提升显著，架构创新价值凸显
为直观感受 DeepSeek-V3.2-Exp 的实际表现，我们针对编程、信息检索两大核心场景，与上一代 DeepSeek-V3.1-Terminus 进行对比测试，结果呈现 “效率提升、能力微调” 的特点。
在编程任务中，DeepSeek-V3.2-Exp 的输出风格更为简洁 —— 完成相同功能时，代码行数明显少于前代模型。但简洁性也带来一定局限：例如在编写小球弹跳动画代码时，新模型输出的代码未能正常运行，小球出现 “飞出六边形范围” 的问题，而 DeepSeek-V3.1-Terminus 此前测试中可完美完成该任务。
信息检索场景的测试同样反映出类似特点。我们要求模型推荐 “适合新手阳台盆栽、生长快、果实可生吃、对儿童绝对安全” 的植物，并附上简易播种技巧。对比结果显示，DeepSeek-V3.2-Exp 的回答更为精炼，用词也更朴素，但推荐的无花果、百香果等植物，实际需要扦插繁殖、高频养护，与 “新手友好” 的需求存在偏差；而前代模型的推荐更贴合需求，还补充了 “土壤选择”“浇水频率” 等细节建议。
知乎博主 @toyama nao 的测评也印证了这一现象，其指出 DeepSeek-V3.2-Exp 在 “工作记忆、计算精度稳定性” 上存在明显短板，偶尔会出现 “偷懒倾向”（如简化推理步骤），甚至有陷入死循环的可能。有网友在社交平台质疑：“如果能力有所降级，我们为何要选择新模型？”
不过，若跳出 “单一功能对比”，从技术演进视角看，DeepSeek-V3.2-Exp 的核心价值更在于架构创新。据官方介绍，该模型与前代的唯一架构差异，便是引入了 DSA 稀疏注意力机制 —— 这一机制目前处于原型阶段，由 “Lightning Indexer（闪电索引器）” 与 “细粒度 token 选择机制” 两大组件构成。其核心逻辑是：通过 Lightning Indexer 快速评估 “查询 token” 与 “历史 token” 的相关性，再由选择机制筛选出最相关的上下文参与注意力计算，将传统注意力机制的 “二次方复杂度” 降至 “近似线性复杂度”，从根本上降低训练与推理的算力消耗。
这种架构创新的实现，依赖于独特的训练策略。DeepSeek 采用 “继续预训练 + 后训练” 两步走方案：预训练阶段先在 “稠密模式” 下短期训练索引器，使其输出与标准注意力机制对齐；随后引入稀疏选择机制，让模型逐步适应新计算方式。后训练阶段则通过 “专家蒸馏” 与 “混合强化学习” 优化性能 —— 前者针对数学、编程、推理等领域训练专项专家模型，再将知识压缩至通用模型；后者则将推理能力、智能体功能、人类对齐训练整合到同一强化学习（RL）阶段，避免传统多阶段训练中常见的 “知识遗忘” 问题。
技术报告数据进一步验证了架构创新的价值：尽管 DeepSeek-V3.2-Exp 在个别推理类测试中分数略有下降（官方解释 “主要因推理 token 输出减少，使用中间检查点可缩小差距”），但在 H800 GPU 环境下，长序列推理开销显著降低，证明 DSA 机制具备极强的实际部署价值。同时，新模型的训练曲线与前代保持相似稳定性，说明该架构在收敛性上无额外风险，为后续优化奠定了基础。