DeepSeek: DeepSeek V3.2

DeepSeek V3.2 er DeepSeek’s tekstmodel til ræsonnering og agentarbejde med vægt på effektiv behandling af lang kontekst. Producenten organiserer de vigtigste ændringer omkring DeepSeek Sparse Attention, et opskaleret framework til forstærkningslæring og en pipeline til træning i agentopgaver. Den accepterer skriftlige spørgsmål og kontekst og producerer tekst, herunder svar, kode eller indhold til værktøjskald. Den er adskilt fra den tidligere V3.2 Exp-udgivelse og den særskilte Speciale-ræsonneringsvariant.

DeepSeek Sparse Attention føjer en indekseringskomponent og finmasket tokenudvælgelse til latent-attention-arkitekturen. For en lang sekvens vælger indekseringskomponenten de tidligere tokenoplysninger, der bruges i den primære attention-beregning. Rapporten angiver dette som den arkitektoniske ændring fra V3.1 Terminus og bruger samme arkitektur som V3.2 Exp. Den offentliggjorte kontekst er 128K tokens, hvilket understøtter omfattende kildemateriale og en fortsat opgave, mens genereret ræsonnering og værktøjshistorik også optager den tilgængelige kontekst.

Eftertræningen dækker både svar med og uden tænkning på tværs af matematik, programmering, logisk ræsonnering, generelle agentopgaver, agentbaseret kodning og søgning. Domænespecialister leverer data, som samles i den endelige model, efterfulgt af blandet forstærkningslæring. Til et almindeligt spørgsmål kan et direkte svar være passende; til et vanskeligt problem kan tænkningsforløbet udvikle en løsning, før det endelige resultat præsenteres. Angiv det nødvendige svar eller produkt uafhængigt af den mellemliggende ræsonnering.

En væsentlig ændring i udgaven er tænkning med værktøjer. Det opdaterede chatformat gør det muligt at fortsætte ræsonneringen gennem en opgave med værktøjskald i stedet for at behandle analyse og handling som uafhængige stadier. En operation valgt af modellen udføres af applikationen, som returnerer resultatet til næste trin. Producentens regel for værktøjskontekst bevarer historisk ræsonnering, så længe der kun tilføjes værktøjsrelaterede beskeder; når en ny brugerbesked ankommer, kasseres ræsonneringen, mens værktøjskald og resultater bevares. Korrekt adskilte samtaleroller er vigtige for den adfærd.

Til kodning skal du medtage kildefragmentet eller de relevante filer, det observerede problem, det forventede resultat og de betingelser, ændringen skal bevare. Et eksempel på en opgavebeskrivelse er: “Brug den vedlagte kode og værktøjsresultaterne til at lokalisere årsagen, foreslå den mindste rettelse, og returner den endelige patch med det understøttende valideringsresultat.” Til en søgeopgave skal du beskrive spørgsmålet, den nødvendige dokumentation og kriterierne for et færdigt svar. Søge- og kørselsværktøjer leveres af den omgivende applikation frem for af teksten alene.

Producenten anbefaler temperature 1.0 og top-p 0.95 til lokal brug. V3.2 indfører en revideret repræsentation af værktøjskald og en dedikeret beskedencoder. Dens developer-rolle er reserveret til producentens søgeagentskabelon, og den officielle API accepterer ikke denne rolle. Referenceparseren forventer velformet output og reparerer ikke fejlformede resultater; når en applikation bruger genererede felter eller værktøjsargumenter, skal den kontrollere deres struktur, før den handler på dem.

Den tekniske rapport identificerer lange ræsonneringsforløb og overflødig selvverificering som praktiske begrænsninger. En agentopgave kan nå 128K-grænsen, selv om det oprindelige kildemateriale kan rummes, fordi værktøjsoutput og gentagen ræsonnering akkumuleres. Bevar en kort oversigt over relevante observationer, og gør slutresultatet udtrykkeligt. Ved vidensfølsomt arbejde skal du vedlægge det autoritative materiale eller tilbyde et passende søgeværktøj frem for at forvente, at træningsviden fastlægger alle fakta.

DeepSeek V3.2 Speciale er en særskilt variant til dyb ræsonnering med stort beregningsforbrug og understøtter ifølge modelkortet ikke værktøjskald. Dens funktioner skal ikke bruges som værktøjsprofil for standardudgaven af V3.2. Tilsvarende har den senere V4-generation og den eksperimentelle forgænger særskilte identiteter og konfigurationsvalg. Bevar den navngivne V3.2-udgave, når du sammenligner opgaver, hvor model og promptformat har betydning.

Til en praktisk kildebaseret analyse skal du mærke materialet og bede om en konklusion underbygget af relevante passager med antagelser og manglende oplysninger holdt adskilt. Til en agent skal du angive de tilladte funktioner, det forventede slutresultat og afslutningskriteriet. Det forbereder modellens forløb med ræsonnering og værktøjer omkring et tekst-, kode- eller analyseresultat, der kan gennemgås og er knyttet til den vedlagte dokumentation.