DeepSeek: DeepSeek V3.2 Exp

DeepSeek V3.2 Exp es la edición experimental de modelo de texto de DeepSeek basada en V3.1 Terminus. Su cambio distintivo es DeepSeek Sparse Attention, introducido para estudiar un entrenamiento y una inferencia más eficientes con secuencias de texto extensas. La tarea sigue siendo textual: las instrucciones escritas y el contexto producen una respuesta de texto, código o una salida relacionada con agentes. Esta es la edición de investigación sobre atención dispersa, distinta del modelo V3.2 final y de su posterior formato de razonamiento con herramientas.

DSA utiliza un indexador ligero y una selección de tokens de grano fino para que el cálculo principal de atención se concentre en información de tokens anteriores seleccionados. DeepSeek alineó deliberadamente la configuración de entrenamiento experimental con V3.1 Terminus para aislar el cambio de arquitectura. El informe de V3.2 confirma que V3.2 final y V3.2 Exp comparten esta arquitectura y describe la continuación del entrenamiento a partir de la base Terminus de contexto 128K. El perfil experimental publicado utiliza ese ajuste de contexto largo de 128K.

La ficha experimental del productor mantiene el razonamiento y el trabajo con agentes dentro de su alcance, conservando el perfil de tareas del modelo anterior. Sus pruebas abarcan el razonamiento sin herramientas y el uso de herramientas por agentes como flujos distintos. Prepara una pregunta clara, el contexto de origen pertinente y la forma final deseada. Si la tarea utiliza una herramienta, la aplicación proporciona su definición y devuelve el resultado; la acción propuesta por el modelo no es lo mismo que una operación ya ejecutada.

La ficha de V3.2 final introduce un formato revisado de llamadas a herramientas y describe explícitamente el razonamiento con herramientas. Esas actualizaciones corresponden a la versión final y no deben considerarse el contrato de interacción completo de la edición experimental. Para V3.2 Exp, conserva el formato de mensajes propio de la edición y el contexto de tareas heredado de Terminus, en lugar de suponer que un nombre parecido hace intercambiables todos los controles o roles posteriores.

Para comparar documentos largos, etiqueta cada fuente e identifica las secciones pertinentes para la pregunta. Un encargo ilustrativo es: «Compara estos requisitos con la implementación propuesta, identifica cada discrepancia y cita el pasaje que la demuestra. Termina con una lista priorizada de correcciones». Para código, proporciona el comportamiento fallido, el fragmento pertinente y el resultado esperado, y después pide un cambio concreto con una explicación clara. La organización de las fuentes y la regla de finalización ayudan a dirigir una tarea de contexto largo hacia un resultado utilizable.

La implementación de referencia del productor incluye el indexador de atención dispersa, y su ficha registra una corrección importante de implementación: RoPE del indexador utiliza una disposición no intercalada, mientras que el módulo de atención latente espera una disposición intercalada. Es un detalle de la referencia del productor pertinente para ejecutar fielmente el modelo, no una instrucción de usuario diferente ni una capacidad nueva. También significa que el nombre de un modelo por sí solo no describe cómo trata cada implementación su arquitectura experimental.

Una tarea continuada de agente debe presupuestar conjuntamente su texto de origen, la conversación, el razonamiento generado y las observaciones de herramientas. Mantén organizadas las observaciones útiles y pide que la respuesta final diferencie pruebas, suposiciones y acciones propuestas. Para un resultado factual dependiente de fuentes, proporciona el material autorizado o una herramienta adecuada en lugar de apoyarte en conocimientos generales del entrenamiento. La salida sigue siendo un texto, código o registro analítico que se puede comprobar frente a la tarea y sus entradas.