DeepSeek 發表 V3.2-Exp 實驗版：稀疏注意力機制把運算成本砍半
DeepSeek於2025年9月30日發表V3.2-Exp實驗版，首度導入DSA稀疏注意力機制，長文件處理能力提升、運算成本降近半，效能與前代V3.1-Terminus相當，定位為下一代架構的過渡步驟。
2025年9月30日，中國AI實驗室DeepSeek發表最新實驗版模型DeepSeek-V3.2-Exp。這是在9月稍早發表的DeepSeek-V3.1-Terminus基礎上推出的過渡版本，官方在技術文件中明確將其定位為「邁向下一代模型架構的中間步驟」，而非一次正式的大改版。
此次發表的最大技術亮點，是首度在DeepSeek模型上導入DSA（DeepSeek Sparse Attention，稀疏注意力機制）。根據官方公布的資料，DSA的作用是讓模型在處理長文件、長對話時，不需要對輸入的每一段文字都做同樣份量的運算，而是有選擇性地聚焦在真正相關的部分。結果是模型處理長內容的能力提升，同時運算成本降低了將近一半。
技術意義：注意力機制的效率轉型
Transformer架構的標準注意力機制，運算量會隨輸入長度呈平方成長——文件越長，運算負擔越重，這也是長文件、長對話一直是大型語言模型的痛點所在。稀疏注意力機制的思路，是讓模型學會「該看哪裡」而非「每個字都同樣力道地看」，藉此用更少的運算資源達到接近的效果。DeepSeek這次把這個技術方向實際落地到可用模型上，是效率工程上的一步，而非單純堆更大參數量。
與前代比較：效能持平、成本減半
官方數據顯示，V3.2-Exp的整體效能表現與V3.1-Terminus相當，並沒有明顯躍進。這點很關鍵——這次發表的重點不是「更聰明」，而是「用一半的運算成本做到差不多聰明」。對於需要大量呼叫模型處理長內容（如大量文件摘要、長對話客服紀錄）的應用場景，這種效能持平但成本降低的版本，實際使用價值可能比效能小幅提升的版本更高。
業界反應：過渡版本釋放的訊號
DeepSeek官方自己將V3.2-Exp定調為「實驗版」與「過渡步驟」，而非正式旗艦版本，這種謹慎的命名與定位方式，也被視為釋放一個訊號：稀疏注意力機制未來很可能會成為DeepSeek下一代主力模型的核心架構之一，此次發表更像是先在社群與開發者間驗證技術可行性。
對管理者的意義
當AI模型的運算成本持續下探，代表未來大量處理長文件、長會議記錄、長客戶對話紀錄這類任務的AI導入門檻會愈來愈低；管理者可以留意，長文本分析類的AI應用（如整份合約審閱、整季會議紀錄摘要）未來的可負擔性會明顯改善，值得提前規劃導入時機。