DeepSeek: DeepSeek V3.2 Exp

DeepSeek V3.2 Exp é a edição experimental de modelo textual da DeepSeek baseada em V3.1 Terminus. A alteração que a define é DeepSeek Sparse Attention, introduzida para estudar treino e inferência mais eficientes em sequências textuais extensas. A tarefa continua textual: instruções escritas e contexto produzem uma resposta, código ou saída relacionada com agentes. Esta edição de investigação sobre atenção esparsa é distinta do modelo V3.2 final e do seu formato posterior de reflexão com ferramentas.

DSA utiliza um indexador leve e seleção granular de tokens, para o cálculo principal de atenção se concentrar em informações selecionadas de tokens anteriores. A DeepSeek alinhou deliberadamente a configuração experimental com V3.1 Terminus para isolar a mudança arquitetural. O relatório V3.2 confirma que V3.2 final e V3.2 Exp partilham a arquitetura e descreve a continuação do treino a partir da base Terminus com contexto 128K. O perfil experimental publicado utiliza essa configuração de contexto longo 128K.

A ficha experimental mantém no âmbito o raciocínio e o trabalho de agentes, preservando o perfil de tarefas anterior. As provas abrangem raciocínio sem ferramentas e utilização agentiva de ferramentas como fluxos distintos. Prepare uma pergunta clara, o contexto relevante e a forma final pretendida. Se a tarefa utiliza uma ferramenta, a aplicação fornece a definição e devolve o resultado; a ação proposta pelo modelo não equivale a uma operação já executada.

A ficha V3.2 final introduz um formato revisto de chamadas e descreve explicitamente reflexão com ferramentas. Essas atualizações pertencem à versão final e não representam necessariamente todo o contrato de interação experimental. Para V3.2 Exp, mantenha a formatação de mensagens própria da edição e o contexto herdado de Terminus, em vez de supor que nomes semelhantes tornam intercambiáveis todos os controlos ou papéis posteriores.

Para comparar documentos longos, identifique cada fonte e as secções relevantes. Um pedido ilustrativo é: «Compare estes requisitos com a implementação proposta, identifique cada discrepância e cite a passagem que a demonstra. Termine com uma lista de correções por prioridade.» Para código, forneça comportamento incorreto, fragmento relevante e resultado esperado, depois peça uma alteração focada e uma explicação clara. A organização das fontes e a regra de conclusão orientam uma tarefa de contexto longo para um resultado utilizável.

A implementação de referência inclui o indexador de atenção esparsa e a ficha regista uma correção importante: o RoPE do indexador usa uma disposição não intercalada, enquanto o módulo de atenção latente espera uma disposição intercalada. É um detalhe da referência do produtor relevante para executar o modelo com fidelidade, não um prompt diferente ou uma nova capacidade. O nome do modelo não descreve, por si só, o tratamento da arquitetura experimental em todas as implementações.

Uma tarefa continuada de agente deve orçamentar em conjunto texto de origem, conversa, raciocínio gerado e observações de ferramentas. Organize as observações úteis e peça à resposta final que distinga provas, hipóteses e ações propostas. Para um resultado factual dependente de fontes, forneça material autorizado ou uma ferramenta adequada, em vez de depender do conhecimento geral de treino. A saída continua a ser texto, código ou um registo analítico verificável face à tarefa e às entradas.