效率革命：DeepSeek-V3.2用稀疏注意力重塑长文本处理
面对长文档不再卡顿，AI模型正在掀起一场效率革命。
9月29日，DeepSeek正式发布实验性版本V3.2-Exp模型，该版本在V3.1-Terminus基础上引入DeepSeek Sparse Attention（DSA）稀疏注意力机制，针对长文本训练和推理效率进行了优化。
官方表示，DSA首次实现细粒度稀疏注意力机制，在几乎不影响模型效果的前提下大幅提升效率。
目前官方App、网页端和小程序均已更新至V3.2-Exp版本，为严谨评估改进效果，该版本训练设置与V3.1-Terminus保持严格对齐，评测表现基本持平。
- HuggingFace模型库：https://huggingface.co/deepseek-ai/DeepSeek-V3.2-Exp
- 魔搭社区：https://modelscope.cn/models/deepseek-ai/DeepSeek-V3.2-Exp
- 技术论文：https://github.com/deepseek-ai/DeepSeek-V3.2-Exp/blob/main/DeepSeek_V3_2.pdf
一分钟速览版
- 核心创新：引入DeepSeek Sparse Attention（DSA，稀疏注意力），专为长文本优化
- 效率表现：在64k序列长度下，前向传播速度提升可达9倍，反向传播实现6倍加速，呈现出“越长越优”的趋势
- 技术根源：DeepSeek稀疏注意力的核心思想，正是来源于北京大学与DeepSeek团队合作那篇荣获ACL 2025最佳论文的突破性研究——原生稀疏注意力机制
- 价格变动：API价格大幅下降，降低开发者使用成本
- 开源信息：模型已在Huggingface与魔搭平台全面开源
背后的黑科技：稀疏注意力
那么，DSA到底是如何工作的？
它的核心是一个叫做“闪电索引器”的高效组件。这个索引器能快速判断对于当前正在处理的词，历史上下文中的哪些部分是最重要的。
随后，模型只从这些重要部分中选取一小部分（例如2048个）进行精细计算。如此一来，核心注意力的计算复杂度就从O(L²)骤降至O(Lk)，其中k是一个远小于L的固定值。
更聪明的是，这种效率提升并非以牺牲性能为代价。
团队先用一个简短的 “密集预热” 阶段来初始化闪电索引器，让它学会模仿原有模型的注意力分布，然后再进入 “稀疏训练” 阶段，让整个模型适应新的稀疏模式。
评估结果显示，无论是在短文本还是长文本任务上，DeepSeek-V3.2-Exp的性能与它的“密集注意力”前身V3.1-Terminus相比，都没有出现实质性的性能下降。
这项技术并非凭空而来，它基于北京大学与DeepSeek合作的原生稀疏注意力（NSA）研究，该成果刚在ACL 2025上荣获最佳论文奖，并已被DeepSeek、华为、字节跳动等多家领先的大模型企业实现或复现。
来的直接好处是计算复杂度从O(L²)优化至O(Lk)，其中L是序列长度，k是常数。意味着处理越长文本，效率优势越明显。
价格大幅下调
得益于新模型服务成本的大幅降低，DeepSeek再一次把模型价格打了下来。
官方API价格也相应下调，降低50%以上。对于正在使用DeepSeek API的开发者来说，这无疑是个实实在在的利好。
目前API的模型版本已更新为DeepSeek-V3.2-Exp，访问方式保持不变。无论是通过官方App、网页端还是小程序，用户都能体验到新模型带来的效率提升。
如何使用：多种方式轻松体验
对于开发者而言，体验这一技术突破有多种途径：
- 官方应用：DeepSeek的官方App、网页端和小程序均已更新至V3.2-Exp版本，普通用户可以直接使用，无需任何技术背景。
- API接入：DeepSeek-V3.2-Exp的API价格大幅下降，显著降低了开发者的使用成本。为方便对比，官方临时保留V3.1-Terminus的API接口。
- 本地部署：模型已在Huggingface与魔搭平台开源，相关论文也已同步公开，研究人员和开发者可以下载模型权重进行本地部署和深入研究。
应用场景：
这一技术突破为多个应用场景带来新的可能：
- 长篇文档分析：处理技术文档、法律合同、学术论文等长文本时，不再受长度限制，可以保持完整的上下文理解。
- 智能信息检索：结合像阿里WebDancer这样的信息检索代理，能够更高效地进行多步推理和网页遍历，实现自主信息搜索。
- 代码开发与分析：轻松处理大型代码库，正如Qwen Code等编程助手展示的能力，实现对整个代码库的深度理解和交互。
- 学术研究：该技术本身也值得深入研究，NSA机制的实现细节和理论基础为后续算法优化提供了宝贵参考。
随着企业面临的数据量不断增长，处理长文档、代码库和多步骤推理任务的需求日益迫切。DeepSeek-V3.2-Exp代表的稀疏注意力技术，正在为AI处理长文本打开新的可能性。
无论是阅读百页报告、分析大型代码库，还是进行复杂的研究任务，效率提升都意味着我们可以让AI承担更复杂的认知工作。