🚀 **DeepSeek-V3.2-Exp模型发布与核心创新**：DeepSeek正式推出了其V3.2-Exp模型，该版本在先前V3.1-Terminus模型的基础上，引入了创新的DeepSeek Sparse Attention稀疏注意力机制。这一机制的重点在于对长文本的训练和推理效率进行探索性的优化与验证，旨在解决处理长序列数据时的性能瓶颈，为大模型在处理复杂长文本任务时提供更高效的解决方案。

🤝 **寒武纪的同步适配与开源贡献**：在DeepSeek发布新模型的同时，寒武纪宣布已成功实现对DeepSeek-V3.2-Exp模型的适配，并同步开源了vLLM-MLU大模型推理引擎的源代码。这一举措使得开发者能够第一时间在寒武纪的软硬件平台上体验DeepSeek-V3.2-Exp模型的优越性能，促进了生态系统的发展和技术的普及。

💡 **软硬件协同优化与性能提升**：寒武纪一直坚持芯片与算法的联合创新，通过软硬件协同的方式优化大模型部署性能并降低成本。针对DeepSeek-V3.2-Exp的新架构，寒武纪运用Triton算子开发实现快速适配，并借助BangC融合算子进行极致性能优化。结合计算与通信的并行策略，寒武纪再次实现了业界领先的计算效率，为大模型的流畅运行提供了坚实的技术保障。

💰 **成本降低与解决方案竞争力**：DeepSeek-V3.2-Exp模型引入的DeepSeek Sparse Attention机制，与寒武纪强大的计算效率相结合，能够显著降低长序列场景下的训练和推理成本。双方的合作旨在共同为客户提供极具竞争力的软硬件解决方案，推动大模型技术的广泛应用和商业化落地。

快科技9月29日消息，今天，DeepSeek宣布正式发布DeepSeek-V3.2-Exp模型。

新版本在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。

就在同一天，寒武纪宣布已同步实现对深度求索公司最新模型DeepSeek-V3.2-Exp的适配，并开源大模型推理引擎vLLM-MLU源代码。

开发者可以在寒武纪软硬件平台上第一时间体验DeepSeek-V3.2-Exp的亮点。

寒武纪一直重视芯片和算法的联合创新，致力于以软硬件协同的方式，优化大模型部署性能，降低部署成本。

此前，寒武纪对DeepSeek系列模型进行了深入的软硬件协同性能优化，达成了业界领先的算力利用率水平。

针对本次的DeepSeek-V3.2-Exp新模型架构，寒武纪通过Triton算子开发实现了快速适配，利用BangC融合算子开发实现了极致性能优化，并基于计算与通信的并行策略，再次达成了业界领先的计算效率水平。

寒武纪表示，依托DeepSeek-V3.2-Exp带来的全新DeepSeek Sparse Attention机制，叠加寒武纪的极致计算效率，可大幅降低长序列场景下的训推成本，共同为客户提供极具竞争力的软硬件解决方案。