DeepSeek: DeepSeek V3.2

DeepSeek V3.2 ist das Textmodell von DeepSeek für Reasoning und Agentenarbeit mit Schwerpunkt auf effizienter Verarbeitung langer Kontexte. Der Hersteller gliedert seine wesentlichen Änderungen in DeepSeek Sparse Attention, ein skaliertes Framework für bestärkendes Lernen und eine Pipeline zum Training agentischer Aufgaben. Es nimmt schriftliche Fragen und Kontext entgegen und erzeugt Text, darunter eine Antwort, Code oder Inhalte für Werkzeugaufrufe. Es unterscheidet sich von der früheren Version V3.2 Exp und der separaten Reasoning-Variante Speciale.

DeepSeek Sparse Attention ergänzt die Latent-Attention-Architektur um einen Indexer und eine feingranulare Tokenauswahl. Bei einer langen Sequenz wählt der Indexer frühere Tokeninformationen aus, die in der eigentlichen Attention-Berechnung verwendet werden. Laut Bericht ist dies die architektonische Änderung gegenüber V3.1 Terminus; sie nutzt dieselbe Architektur wie V3.2 Exp. Der veröffentlichte Kontext umfasst 128K Tokens und unterstützt damit umfangreiches Quellenmaterial und eine fortlaufende Aufgabe. Generiertes Reasoning und Werkzeugverlauf beanspruchen allerdings ebenfalls den verfügbaren Kontext.

Das Nachtraining umfasst Antworten mit und ohne Denkmodus in Mathematik, Programmieren, logischem Schlussfolgern, allgemeinen Agentenaufgaben, agentischem Programmieren und Suche. Fachspezialisten liefern Daten, die im endgültigen Modell zusammengeführt werden; darauf folgt gemischtes bestärkendes Lernen. Für eine gewöhnliche Frage kann eine direkte Antwort angemessen sein; bei einem schwierigen Problem kann der Denkablauf eine Lösung entwickeln, bevor er das endgültige Ergebnis vorlegt. Legen Sie die erforderliche Antwort oder das Arbeitsergebnis unabhängig vom zwischenzeitlichen Reasoning fest.

Eine wesentliche Änderung dieser Edition ist das Denken mit Werkzeugen. Das aktualisierte Chatformat erlaubt, das Reasoning während einer Aufgabe mit Werkzeugaufrufen fortzusetzen, statt Analyse und Aktion als unverbundene Phasen zu behandeln. Eine vom Modell ausgewählte Operation wird von der Anwendung ausgeführt, die ihr Ergebnis für den nächsten Schritt zurückgibt. Die Werkzeugkontextregel des Herstellers behält früheres Reasoning bei, solange nur werkzeugbezogene Nachrichten hinzukommen; bei einer neuen Nutzernachricht verwirft sie dieses Reasoning, bewahrt aber Werkzeugaufrufe und Ergebnisse. Korrekt unterschiedene Gesprächsrollen sind für dieses Verhalten wichtig.

Stellen Sie bei Programmieraufgaben das Quellfragment oder die relevanten Dateien, das beobachtete Problem, das erwartete Ergebnis und die Bedingungen bereit, die die Änderung bewahren muss. Ein beispielhafter Auftrag lautet: „Nutze den bereitgestellten Code und die Werkzeugergebnisse, um die Ursache zu finden, schlage die kleinste Korrektur vor und gib den endgültigen Patch mit dem ihn stützenden Validierungsergebnis zurück.“ Beschreiben Sie bei einer Suchaufgabe die Frage, die benötigte Evidenz und das Kriterium für eine abgeschlossene Antwort. Such- und Ausführungswerkzeuge werden von der umgebenden Anwendung bereitgestellt und nicht vom Text allein.

Der Hersteller empfiehlt für den lokalen Einsatz temperature 1.0 und top-p 0.95. V3.2 führt eine überarbeitete Darstellung von Werkzeugaufrufen und einen eigenen Nachrichtenencoder ein. Seine developer-Rolle ist für die Suchagentenvorlage des Herstellers reserviert; die offizielle API akzeptiert diese Rolle nicht. Der Referenzparser erwartet korrekt geformte Ausgabe und repariert keine fehlerhaften Ergebnisse. Verwendet eine Anwendung generierte Felder oder Werkzeugargumente, sollte sie deren Struktur prüfen, bevor sie danach handelt.

Der technische Bericht nennt lange Reasoning-Verläufe und redundante Selbstprüfung als praktische Einschränkungen. Eine Agentenaufgabe kann die Grenze von 128K erreichen, selbst wenn das ursprüngliche Quellenmaterial hineinpasst, weil Werkzeugausgaben und wiederholtes Reasoning anwachsen. Halten Sie relevante Beobachtungen knapp fest und definieren Sie das endgültige Arbeitsergebnis ausdrücklich. Fügen Sie bei wissensabhängigen Aufgaben maßgebliches Material hinzu oder stellen Sie ein geeignetes Suchwerkzeug bereit, statt zu erwarten, dass Trainingswissen jede Tatsache festlegt.

DeepSeek V3.2 Speciale ist eine separate Variante für tiefgehendes Reasoning mit hohem Rechenaufwand und unterstützt laut Modellkarte keine Werkzeugaufrufe. Ihre Merkmale sollten nicht als Standard-Werkzeugprofil von V3.2 verwendet werden. Ebenso besitzen die spätere V4-Generation und der experimentelle Vorgänger separate Identitäten und Konfigurationsmöglichkeiten. Bewahren Sie die benannte Edition V3.2, wenn Sie Aufgaben vergleichen, bei denen Modell und Promptformat eine Rolle spielen.

Kennzeichnen Sie für eine praktische quellenbasierte Analyse die Materialien und bitten Sie um eine durch relevante Passagen gestützte Schlussfolgerung, wobei Annahmen und fehlende Informationen getrennt bleiben. Geben Sie für einen Agenten die zulässigen Funktionen, das erwartete endgültige Ergebnis und das Abschlusskriterium an. So richten Sie den Reasoning- und Werkzeugablauf des Modells auf ein überprüfbares Text-, Code- oder Analyseergebnis aus, das an die bereitgestellte Evidenz gebunden ist.