DeepSeek V3.2详解：稀疏注意力、基准测试以及被取代的内容

如果你在2025年底发布了任何与DeepSeek API相关的产品，你几乎肯定遇到了DeepSeek V3.2。它于2025年12月1日发布，作为V3.2-Exp的官方继任者，大幅降价，并引入了DeepSeek稀疏注意力（DSA）——这一架构变化使得长上下文调用一夜之间成本降低了一半。四个月后，即2026年4月24日，DeepSeek V4问世，再次重新排列了模型阵容。本文将涵盖V3.2实际上是什么（从架构角度，而非营销角度），它与V3.1-Terminus的基准比较，运行成本，以及如果你今天将集成迁移到V4-Flash或V4-Pro，实际的变化有哪些。

DeepSeek V3.2是什么（以及它现在的位置）

DeepSeek V3.2是DeepSeek-AI于2025年12月1日发布的一款开放权重混合专家（MoE）语言模型，在Hugging Face上以MIT许可证分发。它是9月份实验性发布V3.2-Exp的官方、生产就绪的继任者，并且在2026年4月24日DeepSeek V4发布之前，一直是公司的旗舰聊天模型。与V3.1-Terminus相比，主要的架构变化只有一个：DeepSeek-V3.2使用与DeepSeek-V3.2-Exp完全相同的架构，与V3.1-Terminus相比，唯一的架构修改是通过持续训练引入了DeepSeek稀疏注意力（DSA）。

截至2026年4月24日，V3.2是 上一代产品。遗留的API ID deepseek-chat and deepseek-reasoner，之前指向 V3.2 直到 V4 版本发布，现在路由到 deepseek-v4-flash ，并将在此 2026-07-24 15:59 UTC任何仍在调用这些ID的生产集成都应该在该窗口内计划一行交换。请参阅完整的阵容。 DeepSeek models hub.

Architecture and lineage

V3.2继承了V3中引入的671B总参数MoE骨干架构，这一架构在V3.1和V3.1-Terminus中得以延续。新的地方在于注意力的计算方式。

DeepSeek Sparse Attention (DSA)

经典的Transformer注意力是二次方的：每个标记都会关注到其他所有标记，因此序列长度加倍，计算量会翻四倍。DSA原型由两个组件组成——一个闪电索引器和细粒度标记选择机制。闪电索引器计算当前查询标记与每个先前标记之间的索引分数，确定查询应该关注哪些标记。只有选中的前k个键值条目会输入到主注意力步骤中。DSA将注意力的计算复杂度从二次方O(L²)降低到线性O(Lk)，其中k（≪ L）是选中的标记数量。

DeepSeek故意保持训练方案保守，以隔离架构效果。DSA实现了细粒度稀疏注意力，同时保持了几乎相同的模型输出质量，V3.2-Exp的训练配置故意与V3.1-Terminus对齐，以干净地评估影响。然后，V3.2在相同的架构之上添加了一个缩放后的强化学习后训练阶段。

以V3.2命名的变体

• DeepSeek-V3.2 —— V3.2 窗口期间在 deepseek-chat （非思考）和 deepseek-reasoner （思考）上提供日常驾驶模型。
• DeepSeek-V3.2-Exp — 2025年9月29日的实验性前身，首先发货以稳定服务基础设施。
• DeepSeek-V3.2-Speciale — 一种高计算推理变体。仅提供API，通过临时端点提供服务，并有意不调用工具以支持社区评估。它针对最大推理努力，而非日常聊天。

背景、许可和发布时间表

关于基于较旧基础模型V3.2的训练，请参阅 DeepSeek V3。关于取代它的下一代，请参阅 DeepSeek V4.

性能比较：V3.2与V3.1-Terminus及Speciale

DeepSeek设计了V3.2-Exp作为架构消融实验：目的是在降低注意力成本的同时展示与V3.1-Terminus的等效性，而不是声称达到新的高度。以下数字来自DeepSeek自己的报告和2025年9月发布的llm-stats摘要；请交叉核对。 V3.2在arXiv上的技术报告 如果您需要确切的表格。

随后，V3.2版本（2025年12月）进一步推进。DeepSeek-V3.2将高计算效率与更强的推理和代理性能相结合，公司报告称其在可扩展的RL框架上表现与GPT-5相当。极端变体V3.2-Speciale专门针对长期推理：Speciale在Gemini-3.0-Pro上实现了性能等效，并在IOI 2025、ICPC世界总决赛2025、IMO 2025和CMO 2025中表现出金牌水平。这些数据视为供应商报告；外部排行榜通常显示更小的差距。

优势——V3.2真正胜出的地方

• Long-context economics. DSA的O(Lk)扩展是关键所在。在128K个token时，V3.2的处理输入成本远低于任何具有相同参数数量的密集注意力同类产品。
• 代理工具使用 V3.2是DeepSeek第一个将思维直接集成到工具使用中的模型，支持在思维和非思维模式下的工具调用。这种组合使其成为代理框架的可信开放选择。
• 价格 九月份的V3.2-Exp版本发布引发了API价格下调超过50%，而十二月的V3.2版本则保持了这些价格。
• Open weights. MIT授权的权重意味着您可以在官方API上使用相同的模型进行自托管，这对于受监管或隔离环境来说很重要。参见 is DeepSeek open source 每次发布的许可详情

劣势——它不足的地方

• 上下文上限 128K在2025年末算是慷慨，但现在已被V4的默认100万token所超越
• 没有原生多模态输入 V3.2是一个文本模型；对于视觉，你需要 DeepSeek VL2.
• 定制推理内核 DSA不是一个即插即用的注意力后端。在本地运行权重需要DeepSeek与模型一同发布的FlashMLA / DeepGEMM / TileLang内核，早期推理代码存在一个细微的RoPE错误，该错误已于2025年11月17日修复——在此之前拉取权重的自托管用户需要重新测试。
• Speciale的工具使用差距 Speciale推理变体在其临时端点窗口期间不支持工具调用，因此具有代理工作负载的必须保持在标准V3.2上。

如何今天访问V3.2

DeepSeek V3.2作为开源权重仍然可用，在V4预览窗口期间，DeepSeek的定价文档中仍然引用了它，但默认的聊天和API体验已转移到V4。您的三条路径：

1. 官方API Chat requests hit POST /chat/completions, the OpenAI-compatible endpoint at https://api.deepseek.comAPI是无状态的——客户端必须在每次请求中重新发送整个对话历史，这与维护会话历史的网页和移动应用不同。对于新工作，直接使用V4模型ID；对于遗留的V3.2时代代码，旧ID仍然有效（现在解析为V4-Flash），直到2026年7月24日。参见 DeepSeek API documentation.
2. 自托管。 从Hugging Face下载，并使用vLLM或SGLang提供服务。SGLang随附启动，vLLM提供初始支持。硬件规划很重要——从Web和移动应用开始。 python -m sglang.launch_server --model deepseek-ai/DeepSeek-V3.2-Exp --tp 8 --dp 8 --enable-dp-attention，vLLM提供初始支持。 DeepSeek hardware calculator.
3. Web和移动应用。 应用程序现在默认为V4。V3.2不再可在那里用户选择。

使用OpenAI SDK进行的最小V4-Flash Python调用如下所示：

from openai import OpenAI

client = OpenAI(base_url="https://api.deepseek.com", api_key="...")
resp = client.chat.completions.create(
    model="deepseek-v4-flash",
    messages=[{"role": "user", "content": "Summarise this contract in three bullets."}],
    temperature=1.0,
    max_tokens=1024,
)
print(resp.choices[0].message.content)

Swap model to deepseek-v4-pro 用于前沿层工作，或添加 reasoning_effort="high" plus extra_body={"thinking": {"type": "enabled"}} 以获取 reasoning_content alongside the final content.

Pricing snapshot

从2025年9月29日（V3.2-Exp版本发布）至V4版本发布，应用V3.2定价。这些费用为每百万输入令牌（缓存未命中）0.28美元和每百万输出令牌0.42美元。 已不再适用。截至2026年4月，V4-Flash已经低于它们的价格。在向利益相关者报价成本之前，请使用实时页面和 DeepSeek API pricing 页面。 DeepSeek pricing calculator 输入未缓存：200 × 1,000,000 = 0.2B tokens × $0.14/M =

工作示例——V4-Flash（V3.2工作负载应迁移到的地方）

在V4-Flash费率下（缓存命中0.0028美元/每100万个令牌，缓存未命中0.14美元/每100万个令牌，输出0.28美元/每100万个令牌），1,000,000次API调用，包括2,000个令牌的缓存系统提示，200个令牌的未缓存用户消息和300个令牌的响应。

• Cached input: 2,000 × 1,000,000 = 2.0B tokens × $0.0028/M = $5.60
• 输出：300 × 1,000,000 = 0.3B tokens × $0.28/M = $28.00
• 合同、文件、代码库——查看 $84.00
• Total: $117.60

列出所有三个桶很重要——每次调用中的用户消息仍然是对缓存系统前缀的缓存未命中，所以省略该行会低估实际支出。

Best use cases

V3.2的优势与几个角色完美匹配。如果您今天正在选择模型，以下是在V3.2（或其V4后续版本）适用的工作负载：

• Long-document analysis. DeepSeek进行法律研究 研究协助。.
• 在论文和来源之间综合——查看 编码代理。 DeepSeek for research.
• 思维模式+工具使用是一个可行的代理循环——查看 RAG后端。 DeepSeek for coding.
• 开放权重+DSA有利于具有大检索上下文的RAG设置——查看 OpenAI DeepSeek RAG tutorial.

Comparable alternatives

2025年评估V3.2的人通常也在评估GPT-5系列模型和Claude 4系列模型。在开放权重层，主要的竞争对手是Kimi K2和Qwen-3-Max在编码方面；在推理方面，DeepSeek自己的R1系列仍然是内部基准。对于结构化比较： DeepSeek vs ChatGPT, DeepSeek vs Claude，以及更广泛的 DeepSeek alternatives roundup.

Verdict

DeepSeek V3.2完全实现了DeepSeek所宣称的功能：保持了V3.1-Terminus的质量，通过DSA将长上下文成本减半，并播种了V4所依赖的代理工具使用和扩展RL模式。这是从2025年10月到2026年4月运行的正确模型。今天开始新的集成并不适合这个模型——迁移到V4-Flash用于聊天负载或V4-Pro用于前沿代理工作，保持相同的 base_url 仅更改 model field.

DeepSeek AI Guide is an independent resource and is not affiliated with DeepSeek or its parent company. Model IDs, pricing and API behaviour change; check the official DeepSeek documentation and pricing page before committing to a production decision.