DeepSeek: DeepSeek V3.2 Exp

DeepSeek V3.2 Exp is DeepSeek’s experimentele tekstmodeleditie, gebouwd op V3.1 Terminus. De kenmerkende verandering is DeepSeek Sparse Attention, geïntroduceerd om efficiëntere training en inferentie voor uitgebreide tekstreeksen te onderzoeken. De taak blijft tekstgericht: geschreven instructies en context leveren een tekstantwoord, code of agentgerelateerde uitvoer op. Dit is de onderzoekseditie voor sparse attention, los van het uiteindelijke V3.2-model en diens latere formaat voor redeneren met tools.

DSA gebruikt een lichte indexer en fijnmazige tokenselectie, zodat de belangrijkste aandachtsberekening zich richt op geselecteerde informatie uit eerdere tokens. DeepSeek heeft de experimentele trainingsconfiguratie bewust afgestemd op V3.1 Terminus om de architectuurverandering te isoleren. Het V3.2-rapport bevestigt dat de definitieve V3.2 en V3.2 Exp deze architectuur delen en beschrijft verdere training vanuit de Terminus-basis met een context van 128K. Het gepubliceerde experimentele profiel gebruikt die langcontextinstelling van 128K.

De experimentele modelkaart van de ontwikkelaar omvat redenering en agentwerk en behoudt tegelijk het taakprofiel van het eerdere model. De onderbouwing behandelt redeneren zonder tools en agentisch toolgebruik als afzonderlijke workflows. Bereid een duidelijke vraag, relevante broncontext en de gewenste eindvorm voor. Als de taak een tool gebruikt, levert de applicatie de definitie ervan aan en geeft zij het resultaat terug; de voorgestelde handeling van het model is niet hetzelfde als een handeling die al is uitgevoerd.

De definitieve V3.2-modelkaart introduceert een herzien formaat voor toolaanroepen en beschrijft expliciet redeneren met tools. Die aanpassingen horen bij de definitieve release en mogen niet worden beschouwd als de volledige interactieafspraken van de experimentele editie. Behoud bij V3.2 Exp de eigen berichtopmaak en de overgenomen Terminus-taakcontext, in plaats van aan te nemen dat door een vergelijkbare naam elke latere instelling of rol uitwisselbaar is.

Geef bij een vergelijking van lange documenten elke bron een label en benoem de onderdelen die relevant zijn voor de vraag. Een voorbeeldopdracht is: “Vergelijk deze eisen met de voorgestelde implementatie, benoem elke afwijking en citeer de passage die haar aantoont. Sluit af met een geprioriteerde lijst met correcties.” Geef bij code het ongewenste gedrag, het relevante fragment en het verwachte resultaat, en vraag vervolgens om een gerichte wijziging met een duidelijke uitleg. De bronindeling en de regel voor voltooiing helpen een taak met lange context naar een bruikbaar resultaat te sturen.

De referentie-implementatie van de ontwikkelaar bevat de indexer voor sparse attention en de modelkaart vermeldt een belangrijke implementatiecorrectie: RoPE van de indexer gebruikt een niet-vervlochten indeling, terwijl de module voor latent attention een vervlochten indeling verwacht. Dit is een detail uit de referentie van de ontwikkelaar dat van belang is voor een getrouwe uitvoering van het model, geen andere gebruikersprompt of nieuwe functionaliteit. Het betekent ook dat alleen een modelnaam niet beschrijft hoe elke implementatie met de experimentele architectuur omgaat.

Een doorlopende agenttaak moet bronmateriaal, gesprek, gegenereerde redeneringen en toolwaarnemingen samen binnen het budget houden. Organiseer de nuttige waarnemingen en vraag het eindantwoord om onderscheid te maken tussen onderbouwing, aannames en voorgestelde handelingen. Geef voor een feitelijk resultaat dat van bronnen afhangt het gezaghebbende materiaal of een geschikte tool, in plaats van op brede trainingskennis te vertrouwen. De uitvoer blijft een tekst-, code- of analyseresultaat dat aan de taak en de invoer kan worden getoetst.