DeepSeek: DeepSeek V3.2

DeepSeek V3.2 est le modèle textuel de DeepSeek pour le raisonnement et le travail agentique, avec un accent sur le traitement efficace des longs contextes. Le producteur organise ses principales évolutions autour de DeepSeek Sparse Attention, d'un cadre d'apprentissage par renforcement à plus grande échelle et d'une chaîne d'entraînement aux tâches agentiques. Il accepte des questions écrites et du contexte 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 distincte Speciale.

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

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

Une évolution majeure de l'édition est la réflexion avec des outils. Le format de conversation mis à jour permet de poursuivre le raisonnement dans une tâche d'appels 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 des 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. Des rôles de conversation correctement distingués sont importants pour ce comportement.

Pour le développement, fournissez le fragment source ou les fichiers pertinents, le problème observé, le résultat attendu et les conditions que la modification doit préserver. Exemple de brief : « Utilise le code et les résultats d'outils fournis pour localiser la cause, proposer la plus petite correction et renvoyer le correctif final avec le résultat de validation qui le soutient. » Pour une tâche de recherche, décrivez la question, les éléments probants requis et ce qui constitue une réponse terminée. Les outils de recherche et d'exécution sont fournis par l'application qui entoure le modèle, et non par le texte seul.

Le producteur recommande une température de 1,0 et un top-p de 0,95 pour l'utilisation locale. V3.2 introduit une représentation révisée des appels d'outils et un encodeur de messages dédié. Son rôle developer est réservé au modèle de prompt d'agent de recherche du producteur, et l'API officielle n'accepte pas ce rôle. Le parseur 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 dessus.

Le rapport technique identifie les longues trajectoires de raisonnement et les auto-vérifications redondantes comme des limites pratiques. Une tâche agentique peut atteindre la limite de 128K même si les ressources sources initiales y tiennent, car les sorties d'outils et les raisonnements répétés s'accumulent. Conservez une trace concise des observations pertinentes et rendez le livrable final explicite. Pour un travail qui dépend de connaissances précises, joignez les ressources 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 à forte intensité de calcul, et, selon sa fiche de modèle, elle ne prend pas en charge les appels d'outils. Ses fonctionnalités ne doivent pas servir de profil d'outils standard pour V3.2. De même, la génération ultérieure V4 et le prédécesseur expérimental ont des identités et des choix de configuration distincts. Conservez l'édition nommée V3.2 lorsque vous comparez des tâches pour lesquelles le modèle et le format de prompt comptent.

Pour une analyse pratique fondée sur des sources, identifiez les ressources et demandez une conclusion appuyée sur les passages pertinents, en gardant les hypothèses et les informations manquantes distinctes. Pour un agent, indiquez les fonctions autorisées, le résultat final attendu et le critère d'achèvement. Cela prépare le processus de raisonnement et d'outils du modèle autour d'un livrable textuel, de code ou d'analyse examinable et relié aux éléments fournis.