去年九月底，DeepSeek 悄悄放出了 V3.2，沒有大張旗鼓，但這個版本搞了一個挺有意思的架構變動。
V3.2 的核心改動不是參數規模，而是注意力機制。他們做了一個叫做 DeepSeek Sparse Attention（DSA） 的東西，把傳統的稠密注意力改成了稀疏版。
稀疏注意力到底省在哪裡
傳統注意力機制是 O(L²) 複雜度——序列長度翻倍，計算量翻四倍。當你的上下文視窗拉到 128K token 的時候，這個開銷就非常可觀了。
DSA 的做法是：
- 先用 Lightning Indexer（FP8 精度）快速算出每個 query 和歷史 token 之間的相關性分數
- 然後只選最相關的 Top-k 個 token 做注意力計算
- 複雜度從 O(L²) 降到 O(Lk)，k 是固定的一個較小的數
簡單說就是「不是每個詞都需要看所有其他詞，只看最重要的那些就夠了」。這個思路不新鮮，但 DeepSeek 把它跑通了而且上了生產。
效能：沒特別漲，也沒特別降
這裡要說實話：V3.2 的 benchmark 跟 V3.1 比，整體上差不多，不是「更強」的發布。
| 任務 | V3.2 結果 |
|---|---|
| MMLU-Pro | 85.0 |
| AIME 2025 | 89.3 |
| Codeforces Rating | 2121（從 2046 提升） |
| GPQA/HLE 推理類 | 略有下降 |
程式能力確實有提升，Codeforces 評分從 2046 漲到 2121，這個幅度不小。但推理類 benchmark 因為「生成的推理 token 減少了」而略有下降——這是稀疏注意力的代價之一，生成的思維鏈變短了。
所以 V3.2 是一個 效率換能力的 trade-off，而不是全面超越。
便宜才是賣點
價格：輸入 $0.28/M，輸出 $0.42/M。
快取命中：$0.028/M，比快取未命中便宜 90%。
橫向對比：
| 模型 | 輸入（/M） | 輸出（/M） |
|---|---|---|
| GPT-5 | $1.25 | $10 |
| Claude Sonnet 4 | $3 | $15 |
| DeepSeek V3.2 | $0.28 | $0.42 |
跟 GPT-5 相比，成本差距接近 5 倍。這不是效能最強的模型，但如果你的場景是大批量呼叫、成本敏感的應用，V3.2 的性價比確實沒什麼對手。
上下文視窗 128K token，權重在 Hugging Face 上，MIT 協議，商用自由。
架構細節
DSA 嵌在 Transformer 底座裡，運行於 MLA 的 MQA 模式之下。推理主要針對 H800 GPU 叢集最佳化，其他硬體的实际效果可能有出入，DeepSeek 說還在做更大範圍的驗證。
訓練階段做了統一的 GRPO 強化學習，把推理對齊、指令跟隨和 agent 任務揉到了一起訓。
怎麼看這件事
V3.2 不是「更聰明」的模型，是「更省」的模型。
稀疏注意力機制是一個工程上的取捨——用一點推理能力的損失來換取大量的計算成本節省，然後把這個節省直接反映到 API 價格上。
對應用開發者來說，這條路線比死磕 benchmark 更實用。不是每個場景都需要最強的模型，但每個創業公司都在乎 API 成本。
DeepSeek 在這件事上的思路跟 OpenAI 和 Anthropic 不一樣——後者更傾向於先發最強的，再慢慢最佳化成本。DeepSeek 是先把成本打下來，把用戶量拉上來，再在上面做差異化。
這個打法在中國科技行業見慣了，但在大模型領域能跑通，還是挺值得關注的。
參考來源：CocoLoop、DeepSeek V3.2-Exp Release: Pricing, API Costs, Context Window & Benchmarks（llm-stats.com）；DeepSeek V3.2 Exp Model Specs, Costs & Benchmarks（Galaxy.ai）；Top 10 Cheapest Providers for DeepSeek V3.2 in 2026（DEV Community）