DeepSeek-V3.2-Exp

Mis on DeepSeek-V3.2-Exp?

DeepSeek-V3.2-Exp oli DeepSeeki eksperimentaalne suur keelemudel, mis avaldati 29. septembril 2025. See ei olnud lihtsalt V3 perekonna väiksem või odavam variant. Selle peamine eesmärk oli katsetada pikas kontekstis tähelepanu käsitlemiseks teistsugust viisi, enne kui DeepSeek läks üle järgmisele tootmisarhitektuurile.

Mudel ühendas DeepSeek-V3.1-Terminus treeningukonfiguratsiooni uue mehhanismiga, mida nimetatakse DeepSeek Sparse Attentioniks ehk DSA-ks. Seetõttu oli V3.2-Exp eelkõige teadus- ja arendusväljalase: selle eesmärk oli näidata, kas peeneteraline hõre tähelepanu suudab vähendada pikkade viipade ja ulatuslike vestluste töötlemise kulu, põhjustamata vastuste kvaliteedis suurt langust.

DeepSeek avaldas mudeli avatud kaaludega väljalaskena oma ametliku hoidla ja Hugging Face'i kaudu. Kaalud ja nendega seotud teostuskood levitati MIT-litsentsi alusel, mis tegi mudeli litsentsitingimuste piires kättesaadavaks uurimiseks, iseseisvaks majutamiseks ja äriliseks kasutamiseks. Mudeli suurus ja spetsialiseeritud arhitektuur tähendavad siiski, et „avatud kaaludega” ei tähenda, et seda saaks mugavalt käitada tavalises lauaarvutis.

Kuhu see DeepSeeki mudelivalikus sobitus?

DeepSeek-V3.2-Exp paiknes ajutiselt DeepSeek-V3.1-Terminuse ja DeepSeek-V3.2 vahel. Hiljem avaldas DeepSeek 1. detsembril 2025 mudeli V3.2, nimetades selle eksperimentaalse mudeli järglaseks. Seetõttu tuleks V3.2-Expi tänapäeval käsitleda eelkõige ajaloolise teadusliku väljalaske ja iseseisvate katsetuste mudelina, mitte DeepSeeki praeguse vaikimisi majutatud mudelina.

Eksperimentaalse teenuse perioodil suunas DeepSeek standardsed deepseek-chat ja deepseek-reasoner API-nimed mudelile V3.2-Exp. Need nimed tähistasid vastavalt mõtlemiseta ja mõtlemise režiime. Mudel oli ajutiselt saadaval ka DeepSeeki ametliku rakenduse ja veebiliidese kaudu. Uut majutatud integratsiooni alustavad rakendused ei tohiks eeldada, et need API-nimed viitavad endiselt mudelile V3.2-Exp; ametlik tootmisteenus läks hiljem üle mudelile DeepSeek-V3.2.

Kuidas DeepSeek Sparse Attention töötab?

Tavapärases täieliku tähelepanuga transformeris saab iga jada märgendit võrrelda paljude või kõigi teiste märgenditega. See lähenemine on kasulik, kuid arvutuste hulk kasvab konteksti pikenemisel märgatavalt. Seetõttu võib pika dokumendi, suure koodibaasi või pika vestluse töötlemine olla kulukas.

DeepSeek Sparse Attention püüab seda kulu peeneteralise hõreduse abil vähendada. Kõigi võimalike märgenditevaheliste seoste arvutamise asemel valib mehhanism välja väiksema hulga tähelepanuseoseid. Eesmärk on vähendada arvutuste hulka pika kontekstiga treenimisel ja järeldamisel, säilitades samal ajal järgmise märgendi genereerimiseks kõige olulisema teabe.

Mudelikaart ja DeepSeeki väljalaskematerjalid kirjeldavad seda tõhususele suunatud arhitektuurikatsetusena, mitte garantiina, et iga töökoormus on igas teeninduskeskkonnas kiirem. Tegelik jõudlus sõltub järeldusraamistikust, riistvarast, hõreda tähelepanu komponentide teostusest, viiba pikkusest ja teeninduskonfiguratsioonist. Oluline erinevus seisneb selles, et mudel loodi selleks, et muuta pikad kontekstid arhitektuuri tasandil praktilisemaks, mitte lihtsalt reklaamida suurt konteksti limiiti.

Kontrollitud mudeli tehnilised andmed

Hugging Face'i konfiguratsioon määratleb DeepSeek-V3.2-Expi teksti genereerimise mudelina, millel on ligikaudu 685 miljardit parameetrit. See kasutab ekspertide segu ehk MoE-arhitektuuri. MoE-mudel sisaldab paljusid spetsialiseerunud alamvõrke ehk eksperte, kuid suunab iga märgendi ainult läbi nende alamhulga. See võib vähendada aktiivsete arvutuste hulka märgendi kohta võrreldes sama parameetrite koguarvuga tiheda mudeliga.

Väärtus 163 840 märgendit on konfiguratsioonis määratud maksimaalne positsioonipikkus. Seda ei tohiks käsitleda universaalse lubadusena, et iga majutatud lõpp-punkt või kohalik käituskeskkond võtab vastu nii palju märgendeid. Mälu kättesaadavus, pakktöötlus, raamistiku tugi ja serveri seaded võivad praktilisi limiite vähendada.

Võimekus ja sobivad kasutusjuhud

DeepSeek-V3.2-Exp loodi üldotstarbeliseks teksti genereerimiseks, pöörates erilist tähelepanu pika kontekstiga töökoormustele. Seda saab kasutada arutlemiseks, programmeerimise abistamiseks, dokumentide analüüsimiseks, uurimistöö töövoogudes, pikkades vestlustes ja agendilaadsetes ülesannetes. Ainult tekstil põhineva ülesehituse tõttu ei genereeri ega analüüsi see esitatud mudelispetsifikatsioonide kohaselt algupäraselt pilte, heli ega videot.

DeepSeek teatas mitme avaliku ülesande puhul DeepSeek-V3.1-Terminusega üldjoontes võrreldavast jõudlusest. Esitatud tulemuste hulka kuulusid 85,0 MMLU-Pro puhul, 79,9 GPQA-Diamondi puhul, 89,3 AIME 2025 puhul, 2121 Codeforcesi puhul, 40,1 BrowseCompi puhul ja 67,8 SWE Verifiedi puhul. Need on teenusepakkuja esitatud võrdlustulemused ning neid tuleks tõlgendada mudeli kavandatud võimekuse profiili näitajatena, mitte konkreetse rakenduse garantiina.

Programmeerimisel sobib mudel koodi genereerimiseks, teostusvalikute selgitamiseks, failide ülevaatamiseks ja tarkvaraülesannete lahenduskäigu analüüsimiseks. Uurimis- ja dokumenditöö puhul võib selle suur konfigureeritud kontekst vähendada vajadust jagada suur lähtematerjal paljudeks väiksemateks viipadeks. Arutlemise jaoks pakkus ajalooline deepseek-reasoner teenuseidentiteet mõtlemisrežiimi, samal ajal kui deepseek-chat tähistas mõtlemiseta režiimi.

Mudel toetas majutatud API konfiguratsiooni kaudu ka tööriistade või funktsioonide kasutamist. Tööriistade tugi ei tähenda, et mudel teeks toiminguid iseseisvalt ja rakenduse kontrollita. Kutsuv rakendus peab endiselt määratlema saadaolevad tööriistad, käivitama soovitud funktsioonid ja tagastama tulemused mudelile.

Ajalooline hinnastus ja API olek

DeepSeek-V3.2-Expi ajalooline API hinnastus oli 0,28 dollarit miljoni sisendmärgendi kohta, kui viipa ei teenindatud vahemälust, 0,028 dollarit miljoni vahemällu salvestatud sisendmärgendi kohta ja 0,42 dollarit miljoni väljundmärgendi kohta. Need hinnad kirjeldavad mudeli ajaloolist API kättesaadavust ning neid ei tohiks pärast teenuse üleminekut mudelile DeepSeek-V3.2 esitada selle praeguse tootmishinnana.

Sisendi vahemällu salvestamine võis korduvate viipade kulusid märgatavalt vähendada. See oli oluline rakenduste puhul, mis kasutasid korduvalt süsteemijuhiseid, pikka lähtematerjali või püsivaid vestluse alguseid. Mudel toetas ka voogedastust, mis võimaldas genereeritud teksti edastada järk-järgult, selle asemel et oodata kogu vastuse valmimist.

Ajaloolised väljundlimiidid erinesid API-režiimiti. Tavaliselt dokumenteeritud limiidid olid mõtlemiseta päringute puhul ligikaudu 8000 väljundmärgendit ja mõtlemisega päringute puhul 64 000 märgendit, samal ajal kui mudeli konfiguratsioon määras maksimaalseks väljundiks 65 536 märgendit. Kuna teenuseidentiteet oli ajutine, peaksid arendajad nende ajalooliste väärtuste uude integratsiooni kopeerimise asemel kontrollima praeguse DeepSeeki lõpp-punkti limiite.

Tugevused ja kompromissid

DeepSeek-V3.2-Expi peamine tugevus on keskendumine pika konteksti tõhususele. Suure kontekstikonfiguratsiooni ja hõreda tähelepanu kombinatsiooni eesmärk oli muuta väga pikad viibad arvutuslikult vähem kulukaks kui lihtsakoeline täieliku tähelepanuga lahendus. Selle avatud kaaludega MIT-litsentsiga väljalase on veel üks praktiline eelis organisatsioonidele, kes peavad mudelit uurima, kohandama või ise majutama, selle asemel et tugineda ainult hallatud lõpp-punktile.

Mudeli kuluprofiil oli ajalooliste API-hindade juures samuti atraktiivne, eriti vahemällu salvestatud sisendi puhul. DeepSeeki esitatud võrdlustulemused viitavad sellele, et mudel pidi jääma eelkäijaga konkurentsivõimeliseks, katsetades samal ajal teistsugust tähelepanumehhanismi.

Kompromisse on siiski olulisel määral. Ligikaudu 685 miljardi parameetri suurune kogumaht seab kõrged nõuded taristule, kuigi iga märgendi puhul aktiveeritakse ainult osa ekspertidest. Kohalik juurutamine nõuab üldjuhul mitme GPU-ga riistvara ja sellist järelduskeskkonda nagu vLLM või SGLang, mis toetab mudeli hõreda tähelepanu teostust. Seega võib mudel olla API kaudu märgendi kohta kulutõhus, kuid samal ajal privaatselt käitamiseks kallis.

V3.2-Exp ei ole ka multimodaalne mudel. See ei sobi rakendustele, mis vajavad piltide, heli või video algupärast genereerimist või töötlemist. Lisaks tähendab selle eksperimentaalne staatus, et majutatud kättesaadavust, lõpp-punkti käitumist ja optimeerimise tuge ei tohiks eeldada püsivana.

Millal valida DeepSeek-V3.2-Exp?

Vali DeepSeek-V3.2-Exp siis, kui selle avatud kaalude, hõreda tähelepanu ülesehituse või ajaloolise pika konteksti käitumise konkreetne väärtus kaalub üles eksperimentaalse mudeli käitamisega seotud tegevuskulu. See on mõistlik kandidaat järgmisteks kasutusjuhtudeks:

• Hõreda tähelepanu ja pika kontekstiga järeldamise uurimine.
• Suurte tekstikogumite dokumentide analüüs enda hallatavas keskkonnas.
• Pikaajalised arutlemise, programmeerimise või agentide katsetused.
• Rakendused, mis saavad kasu MIT-litsentsiga avatud kaaludega mudelist.
• Insenertehnilised hindamised, milles võrreldakse hõreda tähelepanu ja tavapärase pika konteksti arhitektuure.

Uue tootmis-API integratsiooni puhul on sobivam suund DeepSeek-V3.2, sest see asendas V3.2-Expi DeepSeeki ametliku tootmismudelina. Väiksem mudel võib olla eelistatum siis, kui vastuse latentsus, riistvarakulu või juurutamise lihtsus on olulisem kui maksimaalne konteksti maht. Piltide, heli või videoga seotud ülesannete jaoks sobib paremini multimodaalne mudel. Need alternatiivid ei pruugi olla iga tekstiülesande puhul paremad; need vastavad lihtsalt teistsugustele töökorralduslikele vajadustele.

Kokkuvõte

DeepSeek-V3.2-Exp oli tehniliselt keskendunud katsetus, mitte pikaajaline lõpp-punkti toode. Selle tähtsus seisnes DeepSeek Sparse Attentioni katsetamises väga suures ekspertide seguga keelemudelis, säilitades samal ajal V3.1-Terminusä lähedase jõudluse. Tulemuseks oli ainult tekstiga töötav avatud kaaludega mudel, mille konfigureeritud kontekst oli 163 840 märgendit, API ajalooline hinnastus madal ning kasutusväärtus pika konteksti uurimises ja iseseisvates katsetustes suur.

Selle ajutine roll API-na ja kõrged riistvaranõuded piiravad selle kasulikkust uutes juurutustes. Mudelit täna hindavad lugejad peaksid eristama allalaaditavat teadusmudelit DeepSeeki praegusest majutatud mudelivalikust: V3.2-Exp on endiselt kasulik uurimiseks ja kontrollitud taristus, samas kui praegused tootmisrakendused peaksid kasutama toetatud järglast ning kontrollima tänapäevaseid hindu, limiite ja lõpp-punkti käitumist.