DeepSeek V3.2是一款大语言模型，其关键特点是：V3.2-Exp在V3.1-Terminus的基础上引入了DeepSeek Sparse Attention（DSA），显著降低了计算复杂度。 该系列首先推出了V3.2Exp（实验版本），随后推出了正式版本V3.2和V3.2-Speciale。
效果：DeepSeek-V3.2-Speciale超越了GPT-5，并表现出与Gemini-3.0-Pro相当的推理能力。
性能：在保持几乎相同的模型输出质量的同时，大幅提高了长上下文训练和推理效率。
架构特点：
- Attention 模块：
- DSA：在MLA的基础上增加了Indexer模块，用于控制KV值中参与计算的tokens数量。
- Decode阶段，tokens数量限定在2k以内，因此MLA的计算量与context长度无关。
- 支持上下文长度：128K。
DSA基于MLA(Multi-Head Latent Attention)的改进，让Q(query)的每个token与最相关的K/V(key/value)值进行注意力机制运算， 其目的是降低原MLA的计算量，同时保证模型效果接近。
稀疏计算的实现模块：
- Lightning Indexer : 计算出每个Q值与历史的所有K/V值的关联关系(相关性)，得到一个分数排序；
- Top-k Selector: 选出分数最高的k个K/V进行注意力计算，实现稀疏Attention。
DSA详细介绍： DSA原理解析 超细图解DSA计算流&性能对比与优化分析
