DeepSeek: DeepSeek V3.2

DeepSeek V3.2 is het tekstmodel van DeepSeek voor redeneren en agentwerk, met de nadruk op efficiënte verwerking van lange contexten. De producent groepeert de belangrijkste wijzigingen rond DeepSeek Sparse Attention, een opgeschaald framework voor reinforcement learning en een pipeline voor het trainen van agenttaken. Het accepteert geschreven vragen en context en produceert tekst, waaronder een antwoord, code of inhoud van toolaanroepen. Het staat los van de eerdere V3.2 Exp-release en de afzonderlijke Speciale-redeneervariant.

DeepSeek Sparse Attention voegt een indexeerder en fijnmazige tokenselectie toe aan de architectuur voor latent attention. Bij een lange reeks selecteert de indexeerder de eerdere tokeninformatie die voor de hoofdberekening van attention wordt gebruikt. Volgens het rapport is dit de architectuurwijziging ten opzichte van V3.1 Terminus en gebruikt het dezelfde architectuur als V3.2 Exp. De gepubliceerde context bedraagt 128K tokens. Die biedt ruimte voor omvangrijk bronmateriaal en een doorlopende taak, terwijl gegenereerde redeneringen en toolgeschiedenis ook beschikbare context innemen.

De natraining omvat zowel antwoorden met als zonder denkmodus voor wiskunde, programmeren, logisch redeneren, algemene agenttaken, programmeren met agents en zoeken. Domeinspecialisten leveren gegevens die in het uiteindelijke model worden samengebracht, gevolgd door gemengde reinforcement learning. Voor een gewone vraag kan een direct antwoord passen; bij een moeilijk probleem kan de denkworkflow een oplossing ontwikkelen voordat het eindresultaat wordt gepresenteerd. Specificeer het vereiste antwoord of eindproduct los van de tussenliggende redenering.

Een belangrijke wijziging in deze editie is denken met tools. Het bijgewerkte chatformaat laat redeneringen doorlopen tijdens een taak met toolaanroepen, in plaats van analyse en actie als ongerelateerde fasen te behandelen. Een door het model gekozen handeling wordt uitgevoerd door de toepassing, die het resultaat voor de volgende stap teruggeeft. De toolcontextregel van de producent bewaart historische redeneringen zolang alleen toolgerelateerde berichten worden toegevoegd; wanneer een nieuw gebruikersbericht binnenkomt, verwijdert ze die redeneringen en bewaart ze toolaanroepen en resultaten. Correct onderscheiden gespreksrollen zijn van belang voor dat gedrag.

Geef bij programmeren het bronfragment of de relevante bestanden, het waargenomen probleem, het verwachte resultaat en de voorwaarden die de wijziging moet bewaren mee. Een voorbeeldopdracht is: “Gebruik de aangeleverde code en toolresultaten om de oorzaak te vinden, stel de kleinste correctie voor en geef de uiteindelijke patch terug met het ondersteunende validatieresultaat.” Beschrijf bij een zoektaak de vraag, het benodigde bewijsmateriaal en wanneer een antwoord als voltooid geldt. Zoek- en uitvoeringstools worden door de omringende toepassing geleverd, niet door de tekst alleen.

De producent beveelt voor lokaal gebruik temperature 1.0 en top-p 0.95 aan. V3.2 introduceert een herziene weergave van toolaanroepen en een specifieke berichtencoder. De developer-rol is voorbehouden aan de zoekagenttemplate van de producent en de officiële API accepteert die rol niet. De referentieparser verwacht correct gevormde uitvoer en herstelt geen foutieve resultaten; wanneer een toepassing gegenereerde velden of toolargumenten gebruikt, moet ze de structuur controleren voordat ze ermee handelt.

Het technische rapport noemt lange redeneertrajecten en overbodige zelfverificatie als praktische beperkingen. Een agenttaak kan de grens van 128K bereiken, ook wanneer het oorspronkelijke bronmateriaal past, doordat tooluitvoer en herhaalde redeneringen zich opstapelen. Houd een beknopt overzicht van relevante waarnemingen bij en maak het eindproduct expliciet. Voeg voor kennisgevoelig werk gezaghebbend materiaal toe of bied een geschikte zoektool aan, in plaats van te verwachten dat trainingskennis elk feit vastlegt.

DeepSeek V3.2 Speciale is een afzonderlijke variant voor diep redeneren met veel rekenwerk en ondersteunt volgens de modelkaart geen toolaanroepen. De functies ervan mogen niet als het standaardtoolprofiel van V3.2 worden gebruikt. Ook de latere V4-generatie en de experimentele voorganger hebben afzonderlijke identiteiten en configuratiekeuzes. Behoud de benoemde V3.2-editie bij vergelijkingen van taken waarbij het model en het promptformaat van belang zijn.

Label bij een praktische analyse op basis van bronnen het materiaal en vraag een conclusie die door de relevante passages wordt ondersteund, waarbij aannames en ontbrekende informatie apart blijven. Vermeld voor een agent de toegelaten functies, het verwachte eindresultaat en het voltooiingscriterium. Zo wordt de redeneer- en toolworkflow van het model voorbereid rond een beoordeelbaar tekst-, code- of analyseresultaat dat aan het aangeleverde bewijsmateriaal is gekoppeld.