대규모 코드베이스나 여러 문서 워크플로를 관리하는 개발자는 기존 Transformer 모델을 사용할 때 높은 계산 비용, 불안정한 긴 컨텍스트 성능, 일관성 없는 코드 이해 등의 지속적인 문제에 직면합니다. 이러한 제약은 반복 효율성을 제한하고, 리포지토리 규모의 분석을 어렵게 하며, 운영 비용을 증가시킵니다. DeepSeek V3.2 의 도입은 이러한 문제점을 해결하기 위해 주의 오버헤드를 줄이고, 컨텍스트 추론을 가속화하며, 코드 생성을 안정화하도록 설계된 메커니즘인 DeepSeek Sparse Attention (DSA) 을 통합합니다.
이 글에서는 DeepSeek V3.2가 비용 효율성, 긴 컨텍스트 처리, 코드 중심 기능을 어떻게 개선하는지 살펴봅니다. Novita AI 및 Claude Code를 통해 DeepSeek V3.2를 배포하기 위한 운영 가이드를 제공합니다.
주목하세요! Novita AI가 “빌드 월” 캠페인을 시작하여 개발자에게 모든 주요 제품에 대해 최대 20% 할인 혜택을 제공합니다!
DeepSeek V3.2의 새로운 코딩 기능은 무엇인가요?
DSA는 모델이 정보를 처리하는 방식을 근본적으로 변경하는 혁신적인 주의 메커니즘입니다. 기존 Transformer는 모든 토큰이 다른 모든 토큰에 주의를 기울여야 하므로 2차 계산 비용(O(n²))이 발생하는 반면, DSA는 세분화되고 내용을 인식하는 선택 메커니즘을 도입합니다.
- 지능형 필터링: 학습 중에 모델은 특정 작업에 대해 어떤 토큰 관계가 실제로 중요한지 식별하는 방법을 학습합니다.
- 동적 연결: 입력 내용에 따라 필요한 주의 연결을 실시간으로 선택합니다.
- 작업 최적화: 코드와 법률 문서를 처리할 때 서로 다른 구조적 패턴에 집중합니다.
DSA가 가능하게 하는 세 가지 핵심 개선 사항
직접 자기 적응(Direct Self-Adaptation)은 핵심 아키텍처를 변경하지 않고 전체 모델 성능을 향상시키는 보조 메커니즘으로 사용됩니다. 이 접근 방식을 통해 모델은 v3.1과 비슷한 코드 생성 및 분석 품질을 유지하면서 추론을 더 경제적으로 만들어 상당한 비용 효율성을 달성하므로 빈번한 테스트와 빠른 반복을 지원합니다.
또한 DSA는 최대 128K 토큰의 컨텍스트 윈도우를 효과적으로 활용하여 긴 컨텍스트 활용을 강화하며, 이는 동시 다중 파일 분석, 교차 파일 종속성 이해, 복잡한 기술 문서 처리를 개선합니다.
또한 DSA는 더 빠른 추론 응답, 더 정확한 코드 이해, 더 안정적인 코드 생성 품질을 포함한 코드 관련 기능 향상에 기여하여 대규모 소프트웨어 개발 시나리오에서 모델의 신뢰성과 효율성을 종합적으로 향상시킵니다.
확장 가능한 강화 학습 프레임워크
강력한 강화 학습 프로토콜을 채택하고 사후 학습 계산을 확장함으로써 DeepSeek-V3.2는 GPT-5와 비슷한 성능을 달성합니다. 특히 높은 계산 변형인 DeepSeek-V3.2-Speciale는 GPT-5를 지속적으로 능가하며 Gemini-3.0-Pro와 동등한 추론 능력을 보여줍니다.
| 벤치마크 | 메트릭 | DeepSeek-V3.2-Speciale | DeepSeek-V3.2-Thinking | GPT-5-High | Claude-4.5-Sonnet | Gemini-3.0-Pro |
|---|---|---|---|---|---|---|
| AIME 2025 | Pass@1 (%) | 96.0 | 93.1 | 94.6 | 87.0 | 95.0 |
| HMMT 2025 | Pass@1 (%) | 99.2 | 90.2 | 88.3 | 79.2 | 97.5 |
| HLE | Pass@1 (%) | 30.6 | 25.1 | 26.3 | 13.7 | 37.7 |
| Codeforces | Rating | 2701 | 2386 | 2537 | 1480 | 2708 |
| SWE Verified | Resolved (%) | – | 73.1 | 74.9 | 77.2 | 76.2 |
| Terminal Bench 2.0 | Accuracy (%) | – | 46.4 | 35.2 | 42.8 | 54.2 |
| τ² Bench | Pass@1 (%) | – | 80.3 | 80.2 | 84.7 | 85.4 |
| Tool Decathlon | Pass@1 (%) | – | 35.2 | 29.0 | 38.6 | 36.4 |
DeepSeek V3.2: 개발자와의 협업을 위해 무엇이 개선되었나요?
도구 사용 시나리오에 추론을 더 잘 통합하기 위해 DeepSeek은 V3.2의 사후 학습 단계에서 대규모 에이전트 작업 합성 파이프라인(Large-Scale Agentic Task Synthesis Pipeline) 을 도입했습니다. 핵심 아이디어는 수작업 프롬프트나 제한된 인간 데모에 의존하지 않고 대규모로 에이전트 학습 데이터를 체계적으로 생성하는 것입니다.
이 파이프라인은 모델이 추론하고, 결정하고, 도구를 호출하고, 중간 결과를 관찰하고, 그에 따라 동작을 조정해야 하는 작업을 프로그래밍 방식으로 구성합니다. 모델을 다양한 구조화된 상호 작용에 노출시킴으로써 DeepSeek은 확장 가능한 에이전트 사후 학습을 가능하게 하여 검색, 코딩, 도구 증강 워크플로와 같은 복잡한 다단계 대화형 환경에서 행동 순응도와 일반화를 모두 크게 향상시킵니다.
가장 중요한 두 가지 업데이트는 다음과 같습니다.
수정된 도구 호출 형식: 다단계 상호 작용에서 더 명시적이고 더 안정적으로 설계되었습니다.
“도구를 사용한 사고” 의 기본 지원: 추론과 도구 사용이 느슨하게 번갈아 사용되는 것이 아니라 구조적으로 통합됩니다.
커뮤니티가 이 새로운 템플릿을 이해하고 채택할 수 있도록 DeepSeek은 전용 encoding 폴더를 제공합니다. 이 폴더에는 OpenAI 호환 메시지를 DeepSeek-V3.2가 예상하는 단일 입력 문자열로 인코딩하는 방법과 모델의 텍스트 출력을 다시 구조화된 메시지로 구문 분석하는 방법을 보여주는 Python 스크립트와 테스트 케이스가 포함되어 있습니다.
import transformers
# encoding/encoding_dsv32.py
from encoding_dsv32 import encode_messages, parse_message_from_completion_text
tokenizer = transformers.AutoTokenizer.from_pretrained("deepseek-ai/DeepSeek-V3.2")
messages = [
{"role": "user", "content": "hello"},
{"role": "assistant", "content": "Hello! I am DeepSeek.", "reasoning_content": "thinking..."},
{"role": "user", "content": "1+1=?"}
]
encode_config = dict(thinking_mode="thinking", drop_thinking=True, add_default_bos_token=True)
prompt = encode_messages(messages, **encode_config)
tokens = tokenizer.encode(prompt)
이 릴리스에는 Jinja 기반 채팅 템플릿이 포함되지 않는다는 점에 유의하십시오. 제공된 Python 구현이 공식 참조입니다. 또한 출력 구문 분석 함수는 올바른 형식의 모델 출력을 가정하며 데모 및 실험 목적으로만 사용되며 추가 오류 처리가 없는 프로덕션 사용에는 적합하지 않습니다.
developer 역할이 왜 필요한가요?
실제 에이전트 시나리오에서 모델은 종종 세 가지 유형의 정보를 동시에 처리해야 합니다.
- 사용자의 실제 의도 또는 작업 목표
- 모델 자체의 추론 및 의사 결정 프로세스
- 시스템 또는 개발자가 제공하는 검색 전략, 도구 제약 조건, 실행 규칙
이전 버전에서는 이러한 신호가 일반적으로 사용자 프롬프트나 시스템 프롬프트에 혼합되어 있었습니다. 시간이 지남에 따라 이는 두 가지 주요 문제로 이어졌습니다. 첫째, 모델이 사용자 의도와 필수 행동 제약 조건을 구분하는 데 어려움을 겪을 수 있습니다. 둘째, 도구 체인이 더 복잡해짐에 따라 도구 호출의 안정성과 신뢰성이 눈에 띄게 저하되었습니다.
DeepSeek-V3.2에 도입된 developer 역할은 본질적으로 검색 에이전트 및 도구 지향 에이전트를 위한 전용 제어 채널 역할을 합니다. 이는 검색 범위, 도구 사용 순서, 정책 제약 조건 등 에이전트 동작과 엄격하게 관련된 명령을 전달하도록 설계되었으며 일반 대화 의미론에는 참여하지 않습니다. 이러한 명시적 분리는 더 명확한 컨텍스트 이해를 가능하게 하고 확장 가능하고 강력한 에이전트 교육을 위한 구조적 기반을 마련합니다.
Claude Code에서 DeepSeek V3.2에 액세스하는 방법은 무엇인가요?
Novita AI는 현재 가장 저렴한 전체 컨텍스트 Deepseek V3.2 API를 제공합니다.
*Novita AI는 *65K 컨텍스트 ** 의 API를 제공하며, 입력 $0.269/백만 토큰 ** 및 ** 출력 $0.4/백만 토큰의 비용으로 구조화된 출력과 함수 호출을 지원하여 Deepseek V3.2의 코드 에이전트 잠재력을 최대한 활용할 수 있도록 강력하게 지원합니다.
캐시 읽기: $0.1345 / 백만 토큰 은 캐시 히트가 발생할 때 캐시된 토큰을 읽는 비용을 나타냅니다. 이러한 토큰은 이전에 계산되어 저장되었으므로 추가 모델 추론이 필요하지 않습니다. 많은 요청이 동일한 프롬프트 접두사를 공유하거나, 대화 기록, 도구 명령 또는 고정 규칙 텍스트를 재사용하거나, RAG 검색 결과가 매우 반복적인 시스템에서 높은 캐시 적중률을 달성하여 전체 추론 비용을 크게 줄일 수 있습니다.
첫 번째: API 키 받기
1단계: 계정에 로그인하고 모델 라이브러리 버튼을 클릭합니다.
2단계: 모델 선택
사용 가능한 옵션을 탐색하고 필요에 맞는 모델을 선택합니다.
3단계: 무료 평가판 시작
선택한 모델의 기능을 탐색하려면 무료 평가판을 시작하십시오.
4단계: API 키 받기
API에 인증하려면 새 API 키를 제공합니다. “설정” 페이지로 이동하여 이미지에 표시된 대로 API 키를 복사할 수 있습니다.
5단계: API 설치
프로그래밍 언어별 패키지 관리자를 사용하여 API를 설치합니다.
설치 후 필요한 라이브러리를 개발 환경으로 가져옵니다. API 키로 API를 초기화하여 Novita AI LLM과 상호 작용을 시작합니다. 다음은 Python 사용자를 위한 채팅 완성 API 사용 예입니다.
from openai import OpenAI
client = OpenAI(
api_key="<Your API Key>",
base_url="https://api.novita.ai/openai"
)
response = client.chat.completions.create(
model="deepseek/deepseek-v3.2",
messages=[
{"role": "system", "content": "당신은 유용한 비서입니다."},
{"role": "user", "content": "안녕하세요, 어떻게 지내세요?"}
],
max_tokens=65536,
temperature=0.7
)
print(response.choices[0].message.content)
Claude Code에서 DeepSeek V3.2 사용하기
1단계: Claude Code 설치
Claude Code를 설치하기 전에 시스템이 최소 요구 사항을 충족하는지 확인하십시오. 로컬 환경에 Node.js 18 이상이 설치되어 있어야 합니다. 터미널에서 node --version을 실행하여 Node.js 버전을 확인할 수 있습니다.
Windows의 경우
명령 프롬프트를 열고 다음 명령을 실행합니다.
npm install -g @anthropic-ai/claude-code
npx win-claude-code@latest
전역 설치는 시스템의 모든 디렉토리에서 Claude Code에 액세스할 수 있도록 합니다. npx win-claude-code@latest 명령은 최신 Windows 특정 버전을 다운로드하여 실행합니다.
Mac 및 Linux의 경우
터미널을 열고 다음을 실행합니다.
npm install -g @anthropic-ai/claude-code
Mac 사용자는 추가 플랫폼별 명령 없이 바로 전역 설치를 진행할 수 있습니다. 설치 프로세스는 필요한 종속성 및 PATH 변수를 자동으로 구성합니다.
2단계: 환경 변수 설정
환경 변수는 Claude Code가 Novita AI의 API 엔드포인트를 통해 Deepseek v3.2를 사용하도록 구성합니다. 이러한 변수는 Claude Code에게 요청을 보낼 위치와 인증 방법을 알려줍니다.
Windows의 경우
명령 프롬프트를 열고 다음 환경 변수를 설정합니다.
set ANTHROPIC_BASE_URL=https://api.novita.ai/anthropic
set ANTHROPIC_AUTH_TOKEN=<Novita API Key>
set ANTHROPIC_MODEL="deepseek/deepseek-v3.2"
set ANTHROPIC_SMALL_FAST_MODEL="deepseek/deepseek-v3.2"
<Novita API Key>를 Novita AI 플랫폼에서 얻은 실제 API 키로 바꾸십시오. 이러한 변수는 현재 세션 동안 활성 상태로 유지되며 명령 프롬프트를 닫으면 다시 설정해야 합니다.
Mac 및 Linux의 경우
터미널을 열고 다음 환경 변수를 내보냅니다.
export ANTHROPIC_BASE_URL="https://api.novita.ai/anthropic"
export ANTHROPIC_AUTH_TOKEN="<Novita API Key>"
export ANTHROPIC_MODEL="deepseek/deepseek-v3.2"
export ANTHROPIC_SMALL_FAST_MODEL="deepseek/deepseek-v3.2"
3단계: Claude Code 시작
설치 및 구성이 완료되면 이제 프로젝트 디렉토리에서 Claude Code를 시작할 수 있습니다. cd 명령을 사용하여 원하는 프로젝트 위치로 이동합니다.
cd <your-project-directory>
claude .
점(.) 매개변수는 Claude Code가 현재 디렉토리에서 작동하도록 지시합니다. 시작 시 대화형 세션에서 Claude Code 프롬프트가 나타납니다.
이는 도구가 명령을 받을 준비가 되었음을 나타냅니다. 인터페이스는 자연어 프로그래밍 상호 작용을 위한 깔끔하고 직관적인 환경을 제공합니다.
4단계: VSCode 또는 Cursor에서 Claude Code 사용
Claude Code는 인기 있는 개발 환경과 원활하게 통합됩니다. 기존 워크플로를 대체하지 않고 향상시킵니다.
VSCode 또는 Cursor의 터미널에서 직접 Claude Code를 사용할 수 있습니다. 이는 친숙한 개발 도구에 대한 액세스를 유지하면서 AI 지원을 활용합니다.
또한 VSCode 및 Cursor 모두에 Claude Code 플러그인을 사용할 수 있습니다.
Claude Code에서 외부 모델을 사용하는 방법은 무엇인가요?
개발 워크플로에서 다양한 대규모 언어 모델(예: Anthropic의 Claude, Zhipu의 GLM, Moonshot의 Kimi) 간에 동적으로 전환하려는 경우 많은 코드 변경 없이 수행할 수 있는 전략이 있습니다. 이 섹션에서는 통합 API 및 구성 전환을 사용하여 모델을 빠르게 교체하는 방법을 설명합니다.
환경 변수 사용 (Claude Code 방식):
Claude Code 또는 특정 API에 연결된 SDK와 같은 도구로 작업하는 경우 환경 구성을 조정하기만 하면 모델을 전환할 수 있습니다. Novita AI는 실험하여 가장 적합한 모델을 찾을 수 있는 여러 모델 옵션을 제공합니다.
DeepSeek V3.2는 경쟁력 있는 추론 성능을 유지하면서 계산 비용을 크게 낮추고, 긴 컨텍스트 효율성을 높이며, 코드 중심 정확도를 향상시키는 타겟 아키텍처 업그레이드인 DSA를 도입합니다. 이 모델은 대규모 리포지토리 및 복잡한 기술 문서의 확장 가능한 분석을 가능하게 하며 DeepSeek V3.1-Terminus 및 독점 대안과 비교하여 효율성과 성능 간의 유리한 균형을 보여줍니다. 이러한 발전은 DeepSeek V3.2를 지속적인 개발 워크플로 및 긴 컨텍스트 AI 애플리케이션을 위한 비용 효율적인 솔루션으로 자리매김하게 합니다.
자주 묻는 질문
DeepSeek V3.2 내부의 DeepSeek Sparse Attention (DSA)의 주요 이점은 무엇인가요?
DeepSeek V3.2는 DSA를 사용하여 주의 연결을 선택적으로 활성화하여 2차 주의 비용을 줄이면서 긴 컨텍스트에서 정확한 코드 이해를 유지합니다.
실제 코딩 워크플로에서 DeepSeek V3.2는 DeepSeek V3.1-Terminus와 어떻게 다른가요?
DeepSeek V3.2는 DeepSeek V3.1-Terminus에 비해 더 낮은 운영 비용, 128K 컨텍스트 윈도우, 더 빠른 추론 안정성을 제공하여 더 효율적인 리포지토리 규모의 코드 분석을 가능하게 합니다.
DeepSeek V3.2가 긴 컨텍스트 기술 문서 처리를 개선하나요?
예. DeepSeek V3.2는 복잡한 문서와 교차 파일 관계의 동시 분석을 지원하며 다중 문서 추론 작업에서 DeepSeek V3.1-Terminus보다 뛰어납니다.
Novita AI는 AI 야망을 실현하는 올인원 클라우드 플랫폼입니다. 통합 API, 서버리스, GPU 인스턴스 — 필요한 비용 효율적인 도구입니다. 인프라를 제거하고, 무료로 시작하여 AI 비전을 현실로 만드세요.
추천 자료
Novita AI를 통해 Claude Code에서 Kimi K2.7 Code를 사용하는 방법
