AI guides

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

By 夕小瑶科技说0 viewsSource: 夕小瑶科技说
简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

家人们,就在国庆放假前的今天凌晨,那个总在节前“搞事”的 DeepSeek,又双叒叕深夜悄然上线了!讲真,DeepSeek 是真的不考虑我们媒体人的死活啊哈哈!每次都卡着放假前更新,之前大家都转发的吐槽截图,本人又翻出来了:

The full text has not been translated yet. The Chinese original is shown below.

家人们,就在国庆放假前的今天凌晨,那个总在节前“搞事”的 DeepSeek,又双叒叕深夜悄然上线了!

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

讲真,DeepSeek 是真的不考虑我们媒体人的死活啊哈哈!每次都卡着放假前更新,之前大家都转发的吐槽截图,本人又翻出来了:

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

DeepSeek 最新的实验性模型DeepSeek-V3.2-Exp的更新精简成一句话来说就是:

在模型性能几乎不变的前提下,它处理长文本的成本,被打了个“严重骨折”!

(这对需要和海量文档、超长代码、复杂业务需求死磕的架构师和开发者来说,意味着很多因为 Token 成本和速度而“想都不敢想”的长文本 AI 应用,现在,可以放手去干了!)

要理解这次 DeepSeek 为什么这次更新能把成本“打骨折”,根本在于—让大模型又爱又恨的“自注意力机制” (Self-Attention)。

家人们可能都知道,自注意力机制是 Transformer 架构的核心,但也最烧钱、最吃性能。

首先,咱们来讲一下它的花钱原因:

自注意力机制,为了理解一篇文章里的某个词,它会把这个词跟文章里所有的其他词挨个比对一遍,计算关联度。文章短还行,一旦长到几十万字(比如 128K 上下文),这种“暴力”比对的计算量就成了天文数字。

专业点说,就是 O(L^2) 的复杂度,L 是文本长度。

而这也正是,为什么那么多听起来很炫酷的长文本应用,最后都因为高昂的成本,让无数开发者“从入门到放弃”

而 DeepSeek-V3.2-Exp 结合了 DS 最新的研究成果—深度求索稀疏注意力(DeepSeek Sparse Attention, DSA)。

DSA 是之前北大、梁文锋一起合作、荣获 ACL2025BestPaper 的《Native Sparse Attention: Hardware-Aligned and Natively Trainable Sparse Attention》工作的延续。

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

技术报告传送门:

https://github.com/deepseek-ai/DeepSeek-V3.2-Exp/blob/main/DeepSeek_V3_2.pdf

DSA 的思路是给模型装上了一个高效“导航仪”:

  • 第一步:闪电索引 (Lightning Indexer)在精读之前,先派个“侦察兵”快速扫一遍全文,给所有词的相关性打个分,瞬间锁定那些最值得关注的“高价值词汇”。
  • 第二步:精准选择 (Fine-grained Token Selection)有了侦察兵的情报,模型就不再傻乎乎地关注所有词了,而是只精选出得分最高的 Top-k 个词(比如 2048 个),然后集中火力去分析这部分核心内容。

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

这么一通操作下来,计算复杂度就从 O(L^2) 骤降到了 O(L·k),其中 k<<L,k 是个固定的几千,而 L 可以是几十万。这个优化效果,懂的都懂啊!

更关键的是,这种效率提升并非以牺牲性能为代价。

在训练过程中,在 DeepSeek-V3.1 的基础上,首先采用简短的「密集预热」初始化闪电索引器,让它学会模仿原有模型的注意力分布,然后利用稀疏训练让整个模型适应新的稀疏模式,最后沿用与前代模型完全相同的专家蒸馏和混合强化学习(GRPO)的后训练。

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

为了证明这种效率提升并非以牺牲性能为代价,DeepSeek 进行了“控制变量”的对比。他们让 V3.2-Exp 与上一代 V3.1-Terminus,在完全对齐的训练设置下较量:

结果显示,在所有关键领域的公开评测上,两者的表现基本一致,打成平手,而且,V3.2-Exp 在完成同样任务时,所消耗的 Token 量反而还大幅减少了。

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

而且,落实到部署层面,其端到端的推理加速和成本节约,效果立竿见影:

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

模型传送门:

HuggingFace 地址:

https://huggingface.co/deepseek-ai/DeepSeek-V3.2-Exp

魔搭社区地址:

https://modelscope.cn/models/deepseek-ai/DeepSeek-V3.2-Exp

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

现在已经可以在 DeepSeek 的 App、网页端和小程序上,立刻体验到最新的 V3.2-Exp 模型。

成本降低了,用户也收到了红利,因为官方的行动非常实在:

API 价格整体下调超过 50%,打折最狠的是输出 Token 的价格,直接打了 25 折—从原来的 12 元/百万 Token,降到了现在的 3 元/百万 Token,降幅高达 75%!

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

一个新模型的发布,其真正的“江湖地位”,不只看技术报告,更要看整个产业链对它的态度。而 DeepSeek-V3.2-Exp,就享受到了这种“行业风向标”级别的待遇。

模型刚一发布的 Day0,整个国产硬件就都疯狂打 Call”:

  • 寒武纪在模型发布后仅 4 分钟就宣布已经通过 Triton 算子开发完成适配(Ps:DeepSeek-V3.2-Exp 模型大小近 700GB,这个秒跟的速度,估计合作了?)

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

  • 华为云首发上线新模型,而且使用 CloudMatrix 384 超节点为该模型提供推理服务。

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

  • 华为计算昇腾基于 vLLM/SGLang 等推理框架完成超高速适配部署。

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

圈内捧得这么高,真实水平到底如何?作为大家的测评博主,咱们老规矩,直接上硬核实测,用上次测 V3.1 的“原题”再考一遍!

(上次测评 V3.1 的时候,还是很分裂。。。)

1. 学术题:

我是一个博士生,我最近在研究多模态 AIGC 内容的检测,请帮我想一种学术价值、创新价值都很好的 idea,我想发顶会!

V3.2:

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

DeepSeek V3.1:

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

家人们!回答质的飞跃啊!!

相较于 V3.1,它不仅在学术逻辑的严谨性、思路的创新性上有了降维打击,更补全了之前欠缺的“Storytelling”能力,把一个 idea 的来龙去脉、价值潜力讲得明明白白。看得我眼前一亮!

2. 编程题

帮我开发一个基于 Web Audio API 的网页播放器,我希望你实时分析音乐频谱和节拍,配合驱动一个动态生成的、响应音乐情感的抽象视觉背景

V3.2:

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

V3.1:

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

嘶,眼前一黑。要知道,上次 V3.1 在这个问题上表现可是相当惊艳的。看来,V3.2 还不够完美!

再看看上次翻车的小球题:

20 个小球在旋转的 6 边形内弹跳,考虑重力,弹力,摩擦力等物理规律。 用 p5js

V3.2:

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

V3.1:

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

小球的效果很好!物理规律模拟的很逼真,而且球有大小、颜色区分,而且还有三个切换选项。

那最后一题,测一下上次翻车的“瞬息全宇宙”:

请帮我生成一个全屏的、具有未来感和科技感的网页背景,模拟一个动态的三维全息宇宙。视觉上,它呈现出透明、发光的线条、网格结构和微弱的粒子效果。动态方面,宇宙中的星系或结构应该缓慢旋转、粒子(星辰)缓慢漂浮和闪烁

V3.2:

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

V3.1:

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

虽然“宇宙感”更强了一些,但是审美还是堪忧。。。。

3. 写作题

请以马斯克、特朗普、扎克伯格、黄仁勋为主要人物,发挥你最大的想象力,生成一篇长篇小说,题材是爱情。最好十万字以上,每到一万字你就在文章中提醒一下。

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

简简单单来个DeepSeek-V3.2-Exp 大解剖~附case评测

经过几轮测试,我的结论是:

DeepSeek-V3.2-Exp 作为一个实验性版本,优点和不稳定性同样突出。它在复杂逻辑推理和写作上的巨大进步,绝对是现象级的,但是编程的能力还是不够稳定!

另外,我还发现一个和网上主流观点相反的现象:很多人说 V3.2 生成的代码更简短,但在我的测评中,V3.2 生成的代码反而更长、更细致,它似乎更加有一个意识倾向于给出一个周全的、一步到位的解决方案。

总而言之,瑕不掩瑜。

DeepSeek-V3.2-Exp 进一步证明了 DS 的进化方向,绝对值得我们所有 AI 玩家持续关注和期待!

文章来自于微信公众号 “夕小瑶科技说”,作者 “夕小瑶科技说”

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)