Разработчики, работающие с большими кодовыми базами или многодокументными процессами, сталкиваются с постоянными проблемами: высокие вычислительные затраты, нестабильная производительность на длинных контекстах и непоследовательное понимание кода при использовании обычных Transformer-моделей. Эти ограничения снижают эффективность итераций, ограничивают анализ на уровне репозитория и увеличивают эксплуатационные расходы. Внедрение DeepSeek V3.2 решает эти проблемы благодаря интеграции DeepSeek Sparse Attention (DSA) — механизма, предназначенного для снижения накладных расходов на внимание, ускорения обработки контекста и стабилизации генерации кода.
В этой статье рассматривается, как DeepSeek V3.2 повышает экономическую эффективность, обработку длинных контекстов и возможности, ориентированные на код. Приводятся практические рекомендации по развертыванию DeepSeek V3.2 через Novita AI и Claude Code.
Ваше внимание! Novita AI запускает кампанию «Build Month», предлагая разработчикам эксклюзивную скидку до 20% на все основные продукты!
Принять участие в Build Month!
Какие новые функции кодирования появились в DeepSeek V3.2?
DSA — это революционный механизм внимания, который принципиально меняет способ обработки информации моделью. В то время как традиционные Transformers требуют, чтобы каждый токен взаимодействовал со всеми остальными токенами — что приводит к квадратичным вычислительным затратам (O(n²)), — DSA вводит детальный, учитывающий содержимое механизм выбора:
- Интеллектуальная фильтрация: в процессе обучения модель учится определять, какие связи между токенами действительно важны для конкретных задач.
- Динамические связи: выбор необходимых связей внимания в реальном времени на основе входного содержимого.
- Оптимизация под задачу: фокусируется на различных структурных шаблонах при обработке кода по сравнению с юридическими документами.
Три ключевых улучшения, обеспечиваемых DSA
Прямая самоадаптация используется как вспомогательный механизм для повышения общей производительности модели без изменения основной архитектуры. Благодаря этому подходу модель достигает значительной экономической эффективности за счет более экономного вывода, сохраняя при этом качество генерации и анализа кода на уровне v3.1, что поддерживает частое тестирование и быстрые итерации.
DSA также усиливает использование длинных контекстов, эффективно работая с окном контекста до 128K токенов, что улучшает одновременный анализ нескольких файлов, понимание межфайловых зависимостей и обработку сложной технической документации.
Кроме того, DSA способствует улучшению возможностей, связанных с кодом, включая более быстрый ответ вывода, более точное понимание кода и более стабильное качество генерации кода, что в совокупности повышает надежность и эффективность модели в крупномасштабных сценариях разработки программного обеспечения.
Масштабируемый фреймворк обучения с подкреплением
Приняв надежный протокол обучения с подкреплением и масштабировав пост-тренировочные вычисления, DeepSeek-V3.2 достигает производительности, сравнимой с GPT-5. Примечательно, что вариант с высокими вычислениями, DeepSeek-V3.2-Speciale, стабильно превосходит GPT-5 и демонстрирует способности к рассуждению на уровне Gemini-3.0-Pro.
| Бенчмарк | Метрика | 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 | Рейтинг | 2701 | 2386 | 2537 | 1480 | 2708 |
| SWE Verified | Решено (%) | – | 73.1 | 74.9 | 77.2 | 76.2 |
| Terminal Bench 2.0 | Точность (%) | – | 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 |
Попробуйте Deepseek V3.2 со скидкой 20%!
DeepSeek V3.2: Что было сделано для лучшего взаимодействия с разработчиками?
Чтобы лучше интегрировать рассуждения в сценарии использования инструментов, DeepSeek внедрила крупномасштабный конвейер синтеза агентных задач на этапе пост-тренировки V3.2. Основная идея — систематически генерировать агентные обучающие данные в масштабе, а не полагаться на ручные подсказки или ограниченные демонстрации от людей.
Этот конвейер программно конструирует задачи, требующие от модели рассуждения, принятия решений, вызова инструментов, наблюдения за промежуточными результатами и соответствующей корректировки поведения. Предоставляя модели разнообразные структурированные взаимодействия, DeepSeek обеспечивает масштабируемую агентную пост-тренировку, значительно улучшая как поведенческую согласованность, так и обобщение в сложных многошаговых интерактивных средах, таких как поиск, кодирование и рабочие процессы с инструментами.
Два наиболее важных обновления:
Пересмотренный формат вызова инструментов, разработанный для большей явности и стабильности в многошаговых взаимодействиях.
Встроенная поддержка «рассуждения с инструментами», где рассуждение и использование инструментов структурно интегрированы, а не просто переплетены.
Чтобы помочь сообществу понять и принять этот новый шаблон, DeepSeek предоставляет специальную папку encoding. Эта папка включает скрипты Python и тестовые примеры, демонстрирующие: как кодировать сообщения, совместимые с OpenAI, в единую входную строку, ожидаемую DeepSeek-V3.2, и как анализировать текстовый вывод модели обратно в структурированные сообщения.
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)
Стоит отметить, что этот релиз не включает Jinja-шаблон чата. Предоставленная реализация на Python является эталонной. Кроме того, функция разбора вывода предполагает хорошо сформированный вывод модели и предназначена для демонстрации и экспериментов, а не для непосредственного использования в производстве без дополнительной обработки ошибок.
Попробуйте Deepseek V3.2 со скидкой 20%!
Зачем нужна роль разработчика
В реальных агентных сценариях модель часто должна одновременно обрабатывать три различных типа информации:
- Фактическое намерение пользователя или цель задачи
- Собственные рассуждения и процесс принятия решений модели
- Стратегии поиска, ограничения инструментов и правила выполнения, предоставленные системой или разработчиком
В более ранних версиях эти сигналы обычно смешивались в пользовательских или системных подсказках. Со временем это привело к двум основным проблемам. Во-первых, модель могла с трудом отличать намерение пользователя от обязательных поведенческих ограничений. Во-вторых, по мере усложнения цепочек инструментов стабильность и надежность вызова инструментов заметно снижались.
Роль разработчика, введенная в DeepSeek-V3.2, по сути, служит выделенным каналом управления для поисковых агентов и агентов, ориентированных на инструменты. Она предназначена для передачи инструкций, строго связанных с поведением агента, таких как область поиска, порядок использования инструментов или политические ограничения, без участия в обычной семантике разговора. Это явное разделение обеспечивает более четкое понимание контекста и создает структурную основу для более масштабируемого и надежного агентного обучения.
Как получить доступ к DeepSeek V3.2 в Claude Code?
Novita AI в настоящее время предлагает самый доступный API Deepseek V3.2 с полным контекстом.
Novita AI предоставляет API с контекстом 65K, стоимостью $0,269/входной токен и $0,4/выходной токен, с поддержкой структурированного вывода и вызова функций, что обеспечивает мощную поддержку для максимального использования потенциала кодового агента Deepseek V3.2.
Cache Read: $0,1345 / M Token — указывает стоимость чтения кэшированных токенов при попадании в кэш. Эти токены были ранее вычислены и сохранены, поэтому дополнительный вывод модели не требуется. В системах, где многие запросы имеют общий префикс подсказки, повторно используют историю разговоров, инструкции инструментов или фиксированные тексты правил, или где результаты RAG-поиска сильно повторяются, может быть достигнут высокий процент попаданий в кэш, что значительно снижает общую стоимость вывода.
Первый шаг: Получить API-ключ
Шаг 1: Войдите в свою учетную запись и нажмите кнопку «Model Library».
Шаг 2: Выберите модель
Просмотрите доступные варианты и выберите модель, подходящую для ваших задач.
Шаг 3: Начните бесплатный пробный период
Начните бесплатный пробный период, чтобы изучить возможности выбранной модели.
Шаг 4: Получите свой API-ключ
Для аутентификации в API мы предоставим вам новый API-ключ. Перейдите на страницу «Settings», чтобы скопировать API-ключ, как показано на изображении.
Шаг 5: Установите API
Установите API с помощью менеджера пакетов, соответствующего вашему языку программирования.
После установки импортируйте необходимые библиотеки в среду разработки. Инициализируйте API с помощью вашего API-ключа, чтобы начать взаимодействие с Novita AI LLM. Это пример использования chat completions API для пользователей Python.
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": "You are a helpful assistant."},
{"role": "user", "content": "Hello, how are you?"}
],
max_tokens=65536,
temperature=0.7
)
print(response.choices[0].message.content)
Использование DeepSeek V3.2 с Claude Code
Шаг 1: Установка Claude Code
Перед установкой Claude Code убедитесь, что ваша система соответствует минимальным требованиям. Node.js версии 18 или выше должен быть установлен в вашем локальном окружении. Проверьте версию Node.js, выполнив node --version в терминале.
Для Windows
Откройте командную строку и выполните следующие команды:
npm install -g @anthropic-ai/claude-code
npx win-claude-code@latest
Глобальная установка гарантирует, что Claude Code будет доступен из любого каталога в вашей системе. Команда npx win-claude-code@latest загружает и запускает последнюю версию для Windows.
Для Mac и Linux
Откройте терминал и выполните:
npm install -g @anthropic-ai/claude-code
Пользователи Mac могут сразу перейти к глобальной установке без дополнительных команд, специфичных для платформы. Процесс установки автоматически настраивает необходимые зависимости и переменные PATH.
Шаг 2: Настройка переменных окружения
Переменные окружения настраивают Claude Code на использование Deepseek v3.2 через конечные точки API Novita AI. Эти переменные сообщают Claude Code, куда отправлять запросы и как аутентифицироваться.
Для Windows
Откройте командную строку и задайте следующие переменные окружения:
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"
Замените <Novita API Key> на ваш реальный API-ключ, полученный на платформе Novita AI. Эти переменные активны в течение текущего сеанса и должны быть сброшены, если вы закроете командную строку.
Для Mac и Linux
Откройте терминал и экспортируйте следующие переменные окружения:
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"
Шаг 3: Запуск Claude Code
После завершения установки и настройки вы можете запустить Claude Code в своем каталоге проекта. Перейдите в нужный каталог проекта с помощью команды cd:
cd <your-project-directory>
claude .
Параметр точка (.) указывает Claude Code работать в текущем каталоге. При запуске появится приглашение Claude Code в интерактивном сеансе.
Это означает, что инструмент готов к приему ваших инструкций. Интерфейс предоставляет чистую интуитивно понятную среду для взаимодействия с программированием на естественном языке.
Шаг 4: Использование Claude Code в VSCode или Cursor
Claude Code легко интегрируется с популярными средами разработки. Он улучшает ваш существующий рабочий процесс, не заменяя его.
Вы можете использовать Claude Code непосредственно в терминале VSCode или Cursor. Это обеспечивает доступ к вашим привычным инструментам разработки, используя возможности ИИ.
Кроме того, плагины Claude Code доступны как для VSCode, так и для Cursor.
Как использовать внешние модели в Claude Code?
Если вы хотите динамически переключаться между различными большими языковыми моделями (например, Anthropic Claude, Zhipu GLM и Moonshot Kimi) в своем рабочем процессе разработки, существуют стратегии, позволяющие сделать это без серьезных изменений кода. В этом разделе объясняется, как быстро менять модели с помощью унифицированных API и переключения конфигурации.
Использование переменных окружения (подход Claude Code):
Если вы работаете с инструментами типа Claude Code или SDK, привязанным к определенному API, вы можете переключать модели, просто изменив конфигурацию окружения. Novita AI предлагает несколько вариантов моделей, которые вы можете протестировать, чтобы найти наилучший вариант.
Посмотреть другие модели сейчас!
DeepSeek V3.2 представляет DSA как целенаправленное архитектурное обновление, которое существенно снижает вычислительные затраты, повышает эффективность работы с длинным контекстом и улучшает точность, ориентированную на код, сохраняя при этом конкурентоспособную производительность рассуждений. Модель обеспечивает масштабируемый анализ больших репозиториев и сложных технических документов, демонстрируя выгодный баланс между эффективностью и возможностями по сравнению с DeepSeek V3.1-Terminus и проприетарными альтернативами. Эти достижения делают DeepSeek V3.2 экономически эффективным решением для устойчивых рабочих процессов разработки и ИИ-приложений с длинным контекстом.
Часто задаваемые вопросы
В чем основное преимущество DeepSeek Sparse Attention (DSA) в DeepSeek V3.2?
DeepSeek V3.2 использует DSA для избирательной активации связей внимания, снижая квадратичные затраты на внимание, сохраняя при этом точное понимание кода в длинных контекстах.
Чем DeepSeek V3.2 отличается от DeepSeek V3.1-Terminus в практических задачах кодирования?
DeepSeek V3.2 обеспечивает более низкие эксплуатационные расходы, окно контекста 128K и более высокую стабильность вывода по сравнению с DeepSeek V3.1-Terminus, что приводит к более эффективному анализу кода на уровне репозитория.
Улучшает ли DeepSeek V3.2 обработку технических документов с длинным контекстом?
Да. DeepSeek V3.2 поддерживает одновременный анализ сложных документов и межфайловых зависимостей, превосходя DeepSeek V3.1-Terminus в задачах рассуждения над несколькими документами.
Novita AI — это облачная платформа «все в одном», которая расширяет ваши ИИ-амбиции. Интегрированные API, бессерверные вычисления, GPU-инстансы — экономически эффективные инструменты, которые вам нужны. Устраните инфраструктурные проблемы, начните бесплатно и воплотите свое ИИ-видение в реальность.
Рекомендуемое чтение
Как использовать Kimi K2.7 Code в Claude Code через Novita AI
Как получить доступ к Qwen 3 Coder: Qwen Code; Claude Code; Trae
DeepSeek vs Qwen: Определите, какая экосистема подходит для производственных нужд
