DeepSeek: DeepSeek V3.2 Exp

DeepSeek V3.2 Exp est l’édition expérimentale du modèle textuel de DeepSeek, construite sur V3.1 Terminus. Son évolution distinctive est DeepSeek Sparse Attention, introduite pour étudier un entraînement et une inférence plus efficaces sur des séquences textuelles étendues. La tâche reste textuelle : des consignes écrites et un contexte produisent une réponse textuelle, du code ou une sortie liée au travail d’agent. Il s’agit de l’édition de recherche sur l’attention parcimonieuse, distincte du modèle V3.2 final et de son format ultérieur de raisonnement avec outils.

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

La fiche expérimentale du producteur conserve le raisonnement et le travail d’agent dans son périmètre tout en préservant le profil de tâches du modèle antérieur. Ses éléments de preuve couvrent le raisonnement sans outils et l’utilisation d’outils par un agent comme des workflows distincts. Préparez une question claire, les sources pertinentes et la forme finale souhaitée. Si la tâche utilise un outil, l’application fournit sa définition et renvoie le résultat ; l’action proposée par le modèle n’est pas la même chose qu’une opération déjà exécutée.

La fiche du modèle V3.2 final introduit un format d’appel d’outils révisé et décrit explicitement le raisonnement avec outils. Ces évolutions appartiennent à la version finale et ne doivent pas être considérées comme l’intégralité du contrat d’interaction de l’édition expérimentale. Pour V3.2 Exp, conservez le formatage des messages propre à l’édition et le contexte de tâches hérité de Terminus, plutôt que de supposer qu’un nom similaire rend chaque réglage ou rôle ultérieur interchangeable.

Pour comparer de longs documents, identifiez chaque source et les sections pertinentes pour la question. Voici un brief illustratif : « Comparez ces exigences à l’implémentation proposée, identifiez chaque écart et citez le passage qui l’établit. Terminez par une liste de corrections classées par priorité. » Pour du code, fournissez le comportement en échec, le fragment pertinent et le résultat attendu, puis demandez une modification ciblée avec une explication claire. L’organisation des sources et la règle d’achèvement aident à diriger une tâche à contexte long vers un livrable utilisable.

L’implémentation de référence du producteur comprend l’indexeur d’attention parcimonieuse, et sa fiche consigne une correction importante de l’implémentation : le RoPE de l’indexeur utilise une disposition non entrelacée, tandis que le module d’attention latente attend une disposition entrelacée. Il s’agit d’un détail de la référence du producteur pertinent pour une exécution fidèle du modèle, plutôt que d’un prompt utilisateur différent ou d’une nouvelle capacité. Cela signifie aussi que le seul nom du modèle ne décrit pas la manière dont chaque implémentation traite l’architecture expérimentale.

Une tâche d’agent continue doit budgéter ensemble ses sources textuelles, la conversation, le raisonnement généré et les observations d’outils. Organisez les observations utiles et demandez que la réponse finale distingue les preuves, les hypothèses et les actions proposées. Pour un résultat factuel dépendant de sources, fournissez les documents faisant autorité ou un outil adapté plutôt que de vous fier à de larges connaissances d’entraînement. La sortie reste un texte, du code ou un relevé analytique vérifiable par rapport à la tâche et à ses entrées.