管理大型代码库或多文档工作流的开发者在传统Transformer模型中持续面临挑战，包括高计算成本、不稳定的长上下文性能以及不一致的代码理解。这些限制降低了迭代效率，限制了仓库级分析，并增加了运营开支。DeepSeek V3.2 的推出通过集成 DeepSeek 稀疏注意力（DSA） 解决了这些痛点，DSA 是一种旨在降低注意力开销、加速上下文推理并稳定代码生成的机制。
本文探讨了 DeepSeek V3.2 如何提升成本效率、长上下文处理和专注代码的能力。本文还提供了通过 Novita AI 和 Claude Code 部署 DeepSeek V3.2 的操作指南。
请注意！Novita AI 正在推出其“Build Month”活动，为开发者提供所有主要产品高达 8 折的专属优惠！
DeepSeek V3.2 中有哪些新的编码功能？
DSA 是一种革命性的注意力机制，从根本上改变了模型处理信息的方式。传统 Transformer 要求每个 token 关注所有其他 token（导致二次计算成本 O(n²)），而 DSA 引入了一种细粒度的、基于内容的选择机制：
- 智能过滤：在训练过程中，模型学习识别哪些 token 关系对特定任务真正重要。
- 动态连接：根据输入内容实时选择必要的注意力连接。
- 任务优化：处理代码与法律文档时关注不同的结构模式。
DSA 带来的三大核心改进
直接自适应被用作辅助机制，以在不改变核心架构的情况下增强整体模型性能。通过这种方法，该模型在实现更经济的推理同时，保持了与 v3.1 相当的代码生成和分析质量，从而支持频繁测试和快速迭代。
DSA 还通过有效利用高达 128K token 的上下文窗口来增强长上下文利用能力，从而改进了同时进行多文件分析、跨文件依赖理解以及处理复杂技术文档的能力。
此外，DSA 有助于提升与代码相关的能力，包括更快的推理响应、更准确的代码理解以及更稳定的代码生成质量，从而共同提高了模型在大型软件开发场景中的可靠性和效率。
可扩展的强化学习框架
通过采用强健的强化学习协议并扩展训练后计算量，DeepSeek-V3.2 实现了与 GPT-5 相当的性能。值得注意的是，高计算变体 DeepSeek-V3.2-Speciale 持续优于 GPT-5，并展现出与 Gemini-3.0-Pro 相当的推理能力。
| 基准 | 指标 | 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：如何更好地与开发者协作？
为了更好地将推理集成到工具使用场景中，DeepSeek 在 V3.2 的训练后阶段引入了 大规模智能体任务合成流水线。核心思想是系统地大规模生成智能体训练数据，而不是依赖于手工设计的提示或有限的人类演示。
该流水线以编程方式构建任务，要求模型推理、决策、调用工具、观察中间结果并相应调整行为。通过让模型接触各种结构化交互，DeepSeek 实现了可扩展的智能体后训练，在复杂的多步交互环境（如搜索、编码和工具增强工作流）中显著提高了行为合规性和泛化能力。
两个最重要的更新是：
修订后的 工具调用格式，设计得更明确，在多步交互中更稳定
原生支持 “带工具的思考”，其中推理和工具使用在结构上集成，而不是松散地交错排列
为了帮助社区理解并采用这一新模板，DeepSeek 提供了一个专门的 encoding 文件夹。该文件夹包含 Python 脚本和测试用例，演示了：如何将 OpenAI 兼容的消息编码为 DeepSeek-V3.2 期望的单个输入字符串，以及如何将模型的文本输出解析回结构化消息。
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)
值得注意的是，此版本不包含基于 Jinja 的聊天模板。提供的 Python 实现是权威参考。此外，输出解析函数假设模型输出格式良好，仅用于演示和实验，未经额外错误处理不适用于直接生产使用。
为什么需要 developer 角色
在实际的智能体场景中，模型通常需要同时处理三种不同类型的信息：
- 用户的实际意图或任务目标
- 模型自身的推理和决策过程
- 系统或开发者提供的搜索策略、工具约束和执行规则
在早期版本中，这些信号通常混杂在用户提示或系统提示中。随着时间的推移，这导致两个主要问题。首先，模型可能难以区分用户意图与强制行为约束。其次，随着工具链变得更加复杂，工具调用的稳定性和可靠性明显下降。
DeepSeek-V3.2 引入的 developer 角色本质上为搜索代理和工具导向代理提供了一个专用的 控制通道。它被设计用来承载与代理行为严格相关的指令，例如搜索范围、工具使用顺序或策略约束，而不参与普通的对话语义。这种明确的分离使得上下文理解更加清晰，并为更可扩展、更健壮的代理训练奠定了结构基础。
如何在 Claude Code 中访问 DeepSeek V3.2？
Novita AI 目前提供最具性价比的全上下文 Deepseek V3.2 API。
Novita AI 提供 65K 上下文 的 API，成本为 输入 $0.269 / M Token 和 输出 $0.4 / M Token，支持结构化输出和函数调用，为最大化 Deepseek V3.2 的代码代理潜力提供了有力支持。
缓存读取：$0.1345 / M Token 表示在缓存命中时读取缓存 token 的成本。这些 token 之前已被计算并存储，因此无需额外的模型推理。在多个请求共享相同提示前缀、重用对话历史、工具指令或固定规则文本，或者 RAG 检索结果高度重复的系统中，可以实现高缓存命中率，从而显著降低总体推理成本。
第一步：获取 API 密钥
步骤 1：登录您的账户，点击“模型库”按钮。
步骤 2：选择模型
浏览可用选项，选择满足您需求的模型。
步骤 3：开始免费试用
开始免费试用，探索所选模型的能力。
步骤 4：获取 API 密钥
为了向 API 进行身份验证，我们将为您提供一个新的 API 密钥。进入“设置”页面，您可以按照图中所示复制 API 密钥。
步骤 5：安装 API
使用您的编程语言特定的包管理器安装 API。
安装后，将必要的库导入到您的开发环境中。使用您的 API 密钥初始化 API，以便开始与 Novita AI LLM 交互。以下是适用于 Python 用户的聊天补全 API 示例。
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)
在 Claude Code 中使用 DeepSeek V3.2
步骤 1：安装 Claude Code
在安装 Claude Code 之前，请确保您的系统满足最低要求。您的本地环境必须安装 Node.js 18 或更高版本。您可以通过在终端中运行 node --version 来验证您的 Node.js 版本。
对于 Windows
打开命令提示符并执行以下命令：
npm install -g @anthropic-ai/claude-code
npx win-claude-code@latest
全局安装可确保从您系统上的任何目录访问 Claude Code。npx win-claude-code@latest 命令下载并运行最新的特定于 Windows 的版本。
对于 Mac 和 Linux
打开终端并运行：
npm install -g @anthropic-ai/claude-code
Mac 用户可以直接进行全局安装，无需额外的平台特定命令。安装过程会自动配置必要的依赖项和 PATH 变量。
步骤 2：设置环境变量
环境变量将 Claude Code 配置为通过 Novita AI 的 API 端点使用 Deepseek v3.2。这些变量告诉 Claude Code 将请求发送到哪里以及如何进行身份验证。
对于 Windows
打开命令提示符并设置以下环境变量：
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"
将 <Novita API Key> 替换为您从 Novita AI 平台获得的实际 API 密钥。这些变量在当前会话期间保持有效，如果关闭命令提示符，必须重新设置。
对于 Mac 和 Linux
打开终端并导出以下环境变量：
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"
步骤 3：启动 Claude Code
完成安装和配置后，您现在可以在项目目录中启动 Claude Code。使用 cd 命令导航到您想要的项目位置：
cd <your-project-directory>
claude .
点 (.) 参数指示 Claude Code 在当前目录中运行。启动后，您将在交互会话中看到 Claude Code 提示符。
这表明该工具已准备好接收您的指令。该界面为自然语言编程交互提供了一个干净、直观的环境。
步骤 4：在 VSCode 或 Cursor 中使用 Claude Code
Claude Code 与流行的开发环境无缝集成。它增强了您现有的工作流程，而不是取代它。
您可以直接在 VSCode 或 Cursor 的终端中使用 Claude Code。这样可以在利用 AI 辅助的同时，保持对您熟悉的开发工具的访问。
此外，Claude Code 插件也可用于 VSCode 和 Cursor。
如何在 Claude Code 中使用外部模型？
如果您希望在工作流程中动态切换不同的大型语言模型（例如 Anthropic 的 Claude、智谱的 GLM 以及月之暗面的 Kimi），有一些策略可以在不进行大量代码更改的情况下实现。本节将解释如何使用统一 API 和配置切换快速更换模型。
使用环境变量（Claude Code 方法）：
如果您正在使用像 Claude Code 或绑定到特定 API 的 SDK 之类的工具，您可以简单地通过调整环境配置来切换模型。Novita AI 提供了多种模型选项，您可以尝试以找到最合适的一个。
DeepSeek V3.2 引入了 DSA 作为有针对性的架构升级，大幅降低了计算成本，提高了长上下文有效性，并改善了以代码为中心的准确性，同时保持了有竞争力的推理性能。该模型支持对大型仓库和复杂技术文档进行可扩展分析，与 DeepSeek V3.1-Terminus 和专有替代方案相比，在效率和能力之间展现了有利的平衡。这些进步使 DeepSeek V3.2 成为持续开发工作流和长上下文 AI 应用的成本效益解决方案。
常见问题解答
DeepSeek V3.2 中 DeepSeek 稀疏注意力 (DSA) 的主要优势是什么？
DeepSeek V3.2 使用 DSA 选择性地激活注意力连接，在降低二次注意力成本的同时，保持跨长上下文的准确代码理解。
DeepSeek V3.2 在实际编码工作流中与 DeepSeek V3.1-Terminus 有何不同？
与 DeepSeek V3.1-Terminus 相比，DeepSeek V3.2 提供更低的运营成本、128K 上下文窗口和更快的推理稳定性，从而实现更高效的仓库级代码分析。
DeepSeek V3.2 是否改进了长上下文技术文档处理？
是的。DeepSeek V3.2 支持同时分析复杂文档和跨文件关系，在多文档推理任务中优于 DeepSeek V3.1-Terminus。
Novita AI 是一体化云平台，助力您的 AI 梦想。集成 API、无服务器、GPU 实例——您需要的经济高效的工具。消除基础设施障碍，免费开始，让您的 AI 愿景成为现实。
推荐阅读
如何访问 Qwen 3 Coder：Qwen Code；Claude Code；Trae
