DeepSeek于9月29日在Hugging Face平台发布并开源了其最新的V3.2-Exp模型。该模型引入了自研的DeepSeek Sparse Attention (DSA)稀疏注意力机制，旨在优化长文本的训练和推理效率，同时降低计算资源消耗。华为云已完成对该模型的适配，支持高达160K的长序列上下文。DSA技术在几乎不影响模型性能的前提下，显著提升了长文本处理能力。此外，DeepSeek大幅下调了官方API价格超过50%，新价格已生效。新模型已在Huggingface和ModelScope全面开源，相关论文和GPU算子也已公开，方便社区研究和应用。

✨ **DeepSeek V3.2-Exp模型发布与开源**：该模型于9月29日正式发布，并在Hugging Face和ModelScope平台开源。作为迈向下一代架构的关键一步，它在V3.1-Terminus基础上进行了优化，旨在探索和验证长文本处理的效率。

💡 **引入DeepSeek Sparse Attention (DSA)机制**：DSA是一种细粒度的稀疏注意力机制，其核心优势在于能够显著提升长文本的训练和推理效率，同时大幅降低计算资源消耗，且几乎不影响模型的输出效果。华为云已适配此模型，支持高达160K的超长序列上下文。

💰 **API价格大幅下调**：随着新模型服务成本的降低，DeepSeek同步将官方API价格下调超过50%，新价格即刻生效。这使得开发者能够以更低的成本使用DeepSeek的模型服务，包括官方App、网页端和小程序。

📚 **研究与社区支持**：DeepSeek-V3.2-Exp模型及其相关论文已同步公开。为支持社区研究，团队还开源了新模型研究中设计的GPU算子（TileLang和CUDA版本），并建议社区优先使用TileLang版本进行研究性实验，以利于调试和快速迭代。

国庆长假在即，Deepseek又放大招了！

9月29日，DeepSeek-V3.2-Exp模型正式在Hugging Face平台发布并开源。

该版本作为迈向下一代架构的重要中间步骤，在 V3.1-Terminus 的基础上引入了团队自研的 DeepSeek Sparse Attention (DSA) 稀疏注意力机制，旨在对长文本的训练和推理效率进行探索性优化与验证。这种架构能够降低计算资源消耗并提升模型推理效率。

目前，华为云已完成对 DeepSeek-V3.2-Exp模型的适配工作，最大可支持160K长序列上下文长度。

核心技术突破：DeepSeek Sparse Attention (DSA)

DeepSeek Sparse Attention（DSA）首次实现了细粒度稀疏注意力机制。DeepSeek 方面表示，这项技术在几乎不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。

为了确保评估的严谨性，DeepSeek-V3.2-Exp 的训练设置与前代 V3.1-Terminus 进行了严格对齐。测试结果显示，该模型在各大公开评测集上的表现与 V3.1-Terminus 基本持平，有效性得到了初步验证。

API成本将降低50%以上

随着新模型服务成本的显著降低，DeepSeek 同步采取了重磅举措：大幅下调官方 API 价格，降价幅度超过 50%，新价格已即刻生效。目前，官方 App、网页端和小程序均已同步更新至 DeepSeek-V3.2-Exp 版本。

DeepSeek 现已将 DeepSeek-V3.2-Exp 模型在 Huggingface 和 ModelScope 平台上全面开源，相关论文也已同步公开。

作为一款实验性版本，DeepSeek 认识到模型仍需在更广泛的用户真实场景中进行大规模测试。为便于开发者进行效果对比，DeepSeek 为 V3.1-Terminus 版本临时保留了 API 访问接口，且调用价格与 V3.2-Exp 保持一致。该对比接口将保留至北京时间 2025 年 10 月 15 日 23:59。

此外，为支持社区研究，DeepSeek 还开源了新模型研究中设计和实现的 GPU 算子，包括 TileLang 和 CUDA 两种版本。团队建议社区在进行研究性实验时，优先使用基于 TileLang 的版本，以便于调试和快速迭代。

编辑/rice