DeepSeek: DeepSeek V3.2 Exp

DeepSeek V3.2 Exp est l’édition expérimentale de modèle textuel de DeepSeek fondée sur V3.1 Terminus. Son changement déterminant est DeepSeek Sparse Attention, introduit pour étudier l’efficacité accrue de l’entraînement et de l’inférence sur de longues séquences textuelles. La tâche reste textuelle : des instructions écrites et un contexte produisent une réponse en texte, du code ou une sortie liée aux agents. Cette édition de recherche sur l’attention creuse est distincte du modèle V3.2 final et de son format ultérieur de réflexion avec outils.

DSA utilise un indexeur léger et une sélection fine des jetons pour que le calcul principal d’attention se concentre sur des informations choisies parmi les jetons antérieurs. DeepSeek a volontairement aligné la configuration expérimentale d’entraînement sur V3.1 Terminus afin d’isoler le changement architectural. Le rapport V3.2 confirme que V3.2 final et V3.2 Exp partagent cette architecture et décrit la poursuite de l’entraînement à partir de la base Terminus à contexte 128K. Le profil expérimental publié utilise ce réglage de contexte long 128K.

La fiche expérimentale du fabricant conserve le raisonnement et le travail d’agents dans son périmètre tout en préservant le profil de tâches du modèle antérieur. Ses éléments distinguent le raisonnement sans outils et l’utilisation d’outils par des agents. Préparez une question claire, le contexte source pertinent et la forme finale attendue. Si la tâche utilise un outil, l’application fournit sa définition et renvoie son résultat; l’action proposée par le modèle n’est pas une opération déjà exécutée.

La fiche V3.2 finale introduit un format révisé d’appel d’outils et décrit explicitement la réflexion avec outils. Ces nouveautés appartiennent à la version finale et ne constituent pas nécessairement l’ensemble du contrat d’interaction expérimental. Pour V3.2 Exp, conservez le format de messages propre à l’édition et le contexte de tâches hérité de Terminus, plutôt que de supposer qu’un nom voisin rend interchangeables tous les réglages ou rôles ultérieurs.

Pour comparer de longs documents, identifiez chaque source et les sections pertinentes. Voici une consigne illustrative : « Compare ces exigences à l’implémentation proposée, relève chaque écart et cite le passage qui l’établit. Termine par une liste de corrections classées par priorité. » Pour du code, fournissez le comportement défaillant, le fragment pertinent et le résultat attendu, puis demandez une modification ciblée et clairement expliquée. La disposition des sources et la règle d’achèvement orientent une tâche à long contexte vers un livrable utilisable.

L’implémentation de référence du fabricant comprend l’indexeur d’attention creuse, et sa fiche consigne une correction importante : le RoPE de l’indexeur utilise une disposition non entrelacée, alors que le module d’attention latente attend une disposition entrelacée. Ce détail de référence est pertinent pour une exécution fidèle du modèle; il ne constitue ni un autre prompt utilisateur ni une nouvelle capacité. Un nom de modèle ne décrit donc pas à lui seul la manière dont chaque implémentation traite cette architecture expérimentale.

Une tâche d’agent continue doit budgéter ensemble ses sources textuelles, sa conversation, son raisonnement généré et les observations des outils. Organisez les observations utiles et demandez à la réponse finale de distinguer les preuves, les hypothèses et les actions proposées. Pour un résultat factuel dépendant de sources, fournissez les documents faisant autorité ou un outil approprié plutôt que de compter sur des connaissances générales d’entraînement. La sortie reste un texte, du code ou une fiche d’analyse vérifiable par rapport à la tâche et à ses entrées.