DeepSeek: DeepSeek V3.2

DeepSeek V3.2 est le modèle textuel de DeepSeek pour le raisonnement et le travail d’agents, avec un accent sur le traitement efficace des contextes longs. Le producteur organise ses principaux changements autour de DeepSeek Sparse Attention, d’un cadre d’apprentissage par renforcement à grande échelle et d’une chaîne d’entraînement aux tâches d’agents. Il accepte des questions et un contexte écrits et produit du texte, notamment une réponse, du code ou du contenu d’appel d’outil. Il se distingue de la version antérieure V3.2 Exp et de la variante de raisonnement Speciale distincte.

DeepSeek Sparse Attention ajoute un indexeur et une sélection fine des tokens à l’architecture d’attention latente. Pour une longue séquence, l’indexeur sélectionne les informations des tokens précédents utilisées par le calcul principal d’attention. Le rapport indique qu’il s’agit du changement architectural par rapport à V3.1 Terminus et que cette architecture est la même que celle de V3.2 Exp. Son contexte publié est de 128K tokens, ce qui permet un contenu source substantiel et une tâche continue, tandis que le raisonnement généré et l’historique des outils consomment aussi le contexte disponible.

Le post-entraînement couvre les réponses avec et sans raisonnement en mathématiques, en programmation, en raisonnement logique, en tâches générales d’agents, en programmation par des agents et en recherche. Des spécialistes de domaines fournissent des données consolidées dans le modèle final, suivies d’un apprentissage par renforcement mixte. Pour une question ordinaire, une réponse directe peut convenir ; pour un problème difficile, le processus de raisonnement peut développer une solution avant de présenter le résultat final. Précisez la réponse ou le livrable requis indépendamment du raisonnement intermédiaire.

Un changement substantiel de cette édition est le raisonnement avec des outils. Le format de discussion actualisé permet au raisonnement de se poursuivre au cours d’une tâche d’appel d’outils, plutôt que de traiter l’analyse et l’action comme des étapes sans lien. Une opération sélectionnée par le modèle est exécutée par l’application, qui renvoie son résultat pour l’étape suivante. La règle de contexte d’outils du producteur conserve le raisonnement historique tant que seuls des messages liés aux outils sont ajoutés ; lorsqu’un nouveau message utilisateur arrive, elle supprime ce raisonnement tout en préservant les appels d’outils et leurs résultats. Une distinction correcte des rôles de conversation est importante pour ce comportement.

Pour la programmation, fournissez le fragment source ou les fichiers pertinents, le problème observé, le résultat attendu et les conditions que la modification doit préserver. Exemple de consigne : « Utilisez le code fourni et les résultats des outils pour localiser la cause, proposer la plus petite correction et renvoyer le correctif final avec le résultat de validation qui l’étaye. » Pour une tâche de recherche, décrivez la question, les preuves requises et ce qui constitue une réponse achevée. Les outils de recherche et d’exécution sont fournis par l’application environnante plutôt que par le texte seul.

Le producteur recommande une température de 1.0 et top-p à 0.95 pour un usage local. V3.2 introduit une représentation révisée des appels d’outils et un encodeur de messages dédié. Son rôle developer est réservé au gabarit d’agent de recherche du producteur, et l’API officielle n’accepte pas ce rôle. L’analyseur de référence attend une sortie bien formée et ne répare pas les résultats mal formés ; lorsqu’une application utilise des champs générés ou des arguments d’outils, elle doit vérifier leur structure avant d’agir à partir de ceux-ci.

Le rapport technique identifie les longues trajectoires de raisonnement et les auto-vérifications redondantes comme des limites pratiques. Une tâche d’agent peut atteindre la limite de 128K même lorsque les sources d’origine tiennent dans le contexte, car les sorties d’outils et les raisonnements répétés s’accumulent. Gardez une trace concise des observations pertinentes et explicitez le livrable final. Pour un travail qui dépend de connaissances précises, joignez les éléments faisant autorité ou fournissez un outil de recherche adapté plutôt que d’attendre des connaissances d’entraînement qu’elles définissent chaque fait.

DeepSeek V3.2 Speciale est une variante distincte de raisonnement approfondi mobilisant davantage de calcul ; sa fiche de modèle indique qu’elle ne prend pas en charge l’appel d’outils. Ses caractéristiques ne doivent pas servir de profil d’outils standard pour V3.2. De même, la génération V4 ultérieure et le prédécesseur expérimental possèdent des identités et des choix de configuration distincts. Conservez l’édition V3.2 nommée lorsque vous comparez des tâches où le modèle et le format de prompt comptent.

Pour une analyse pratique fondée sur des sources, identifiez les éléments et demandez une conclusion étayée par les passages pertinents, en distinguant les hypothèses et les informations manquantes. Pour un agent, précisez les fonctions autorisées, le résultat final attendu et le critère d’achèvement. Cela organise le processus de raisonnement et d’outils du modèle autour d’un livrable textuel, de code ou d’analyse examinable et lié aux preuves fournies.