管理大型程式碼庫或多文件工作流程的開發者，在使用傳統 Transformer 模型時會持續面臨挑戰，包括高運算成本、不穩定的長上下文效能，以及不一致的程式碼理解。這些限制降低了迭代效率，限制了倉儲級別的分析，並增加了營運支出。DeepSeek V3.2 的推出透過整合 DeepSeek 稀疏注意力（DSA） 解決了這些痛點，這是一種旨在降低注意力開銷、加速上下文推理，並穩定程式碼生成的機制。
本文探討 DeepSeek V3.2 如何提升成本效率、長上下文處理能力及程式碼相關功能。文章將提供透過 Novita AI 與 Claude Code 部署 DeepSeek V3.2 的操作指引。
請注意！Novita AI 正在推出「建構月」活動，為開發者提供所有主要產品最高 20% 的獨家優惠！
DeepSeek V3.2 新增了哪些程式碼相關功能？
DSA 是一種革命性的注意力機制，從根本上改變了模型處理資訊的方式。傳統 Transformer 要求每個 token 與所有其他 token 進行交互，導致二次方運算成本（O(n²)），而 DSA 則引入了細粒度、內容感知的選擇機制：
- 智慧過濾：在訓練過程中，模型學會識別哪些 token 關係對特定任務真正重要
- 動態連接：根據輸入內容即時選擇必要的注意力連接。
- 任務最佳化：處理程式碼與處理法律文件時，會聚焦於不同的結構模式。
DSA 帶來的三大核心改進
採用直接自適應作為輔助機制，在不改變核心架構的前提下提升整體模型效能。透過這種方法，模型實現了顯著的成本效率，支援更經濟的推論，同時維持與 v3.1 相當的程式碼生成與分析品質，從而支援頻繁測試與快速迭代。
DSA 也強化了長上下文利用率，有效運用高達 128K token 的上下文視窗，從而改進同時多文件分析、跨文件依賴理解，以及複雜技術文件的處理。
此外，DSA 有助於提升程式碼相關能力，包括更快的推論回應、更準確的程式碼理解，以及更穩定的程式碼生成品質，共同增強模型在大規模軟體開發場景中的可靠性與效率。
可擴展的強化學習框架
透過採用穩健的強化學習協議並擴展訓練後計算，DeepSeek-V3.2 達到了與 GPT-5 相當的效能。值得注意的是，高運算版本 DeepSeek-V3.2-Speciale 持續超越 GPT-5，並展現出與 Gemini-3.0-Pro 相當的推理能力。
| 基準測試 | 指標 | 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 | 評分 | 2701 | 2386 | 2537 | 1480 | 2708 |
| SWE Verified | 解決率 (%) | – | 73.1 | 74.9 | 77.2 | 76.2 |
| Terminal Bench 2.0 | 準確率 (%) | – | 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：為了更好地與開發者協作做了哪些改進？
為了更好地將推理整合到工具使用場景中，DeepSeek 在 V3.2 的訓練後階段引入了一個 大規模代理任務合成管線。核心概念是系統性地大規模生成代理訓練資料，而非依賴於手工編寫的提示或有限的人類示範。
此管線以程式化方式建構任務，要求模型進行推理、決策、呼叫工具、觀察中間結果，並相應調整其行為。透過讓模型接觸各種結構化互動，DeepSeek 實現了可擴展的代理訓練後階段，顯著提升了在複雜、多步驟互動環境（如搜尋、編碼和工具增強工作流程）中的行為合規性和泛化能力。
兩個最重要的更新是：
一個 修訂後的工具呼叫格式，設計得更明確且在多步驟互動中更穩定
原生支援 「使用工具思考」，其中推理和工具使用在結構上整合，而非鬆散交錯
為了幫助社群理解和採用這個新模板，DeepSeek 提供了一個專用的 encoding 資料夾。該資料夾包含 Python 腳本和測試案例，展示：如何將 OpenAI 相容訊息編碼為 DeepSeek-V3.2 預期的單一輸入字串，以及如何將模型的文字輸出解析回結構化訊息。
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，本次發布不包含基於 Jinja 的聊天模板。提供的 Python 實作是權威參考。此外，輸出解析函數假設模型輸出格式良好，僅供示範和實驗使用，未經額外錯誤處理不建議直接用於生產環境。
為什麼需要開發者角色
在真實的代理場景中，模型通常需要同時處理三種不同類型的資訊：
- 使用者的實際意圖或任務目標
- 模型自身的推理與決策過程
- 系統或開發者提供的搜尋策略、工具限制與執行規則
在早期版本中，這些訊號通常混合在使用者或系統提示中。隨著時間推移，這導致了兩個主要問題。首先，模型可能難以區分使用者意圖與強制行為限制。其次，隨著工具鏈變得更加複雜，工具呼叫的穩定性和可靠性明顯下降。
DeepSeek-V3.2 引入的 developer 角色本質上扮演了 搜尋代理和工具導向代理 的專用 控制通道。它旨在承載與代理行為嚴格相關的指令，例如搜尋範圍、工具使用順序或政策限制，而不參與一般對話語義。這種明確的分離實現了更清晰的上下文理解，並為更可擴展和更穩健的代理訓練奠定了結構基礎。
如何在 Claude Code 中存取 DeepSeek V3.2？
Novita AI 目前提供最具成本效益的全上下文 Deepseek V3.2 API。
*Novita AI 提供 **65K 上下文 ** 的 API，成本為 *$0.269/輸入 ** 和 $0.4/輸出，支援結構化輸出和函數呼叫，為充分發揮 Deepseek V3.2 的程式碼代理潛力提供了強力支援。
快取讀取：$0.1345 / M Token 表示快取命中時讀取快取 token 的成本。這些 token 先前已被計算並儲存，因此無需額外模型推理。在許多請求共享相同提示前綴、重複使用對話歷史、工具指令或固定規則文字的系統中，或者 RAG 檢索結果高度重複的情況下，可以實現高快取命中率，從而顯著降低整體推理成本。
第一步：取得 API 金鑰
步驟 1：登入您的帳戶，然後點選「模型庫」按鈕。
步驟 2：選擇您的模型
瀏覽可用選項，選擇適合您需求的模型。
步驟 3：開始免費試用
開始免費試用，探索所選模型的能力。
步驟 4：取得您的 API 金鑰
為了向 API 進行身份驗證，我們將為您提供一個新的 API 金鑰。進入「設定」頁面，您可以複製如圖所示的 API 金鑰。
步驟 5：安裝 API
使用適合您程式語言的套件管理器安裝 API。
安裝後，將必要的函式庫匯入您的開發環境。使用您的 API 金鑰初始化 API 以開始與 Novita AI LLM 互動。這是使用 Python 使用者使用聊天補全 API 的範例。
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)
與 Claude Code 一起使用 DeepSeek V3.2
步驟 1：安裝 Claude Code
在安裝 Claude Code 之前，請確保您的系統符合最低要求。您的本地環境必須安裝 Node.js 18 或更高版本。您可以在終端機中執行 node --version 來驗證您的 Node.js 版本。
Windows 使用者
開啟命令提示字元，執行以下命令：
npm install -g @anthropic-ai/claude-code
npx win-claude-code@latest
全域安裝確保 Claude Code 可從系統的任何目錄存取。npx win-claude-code@latest 命令會下載並執行最新的 Windows 特定版本。
Mac 和 Linux 使用者
開啟終端機，執行：
npm install -g @anthropic-ai/claude-code
Mac 使用者可以直接進行全域安裝，無需額外的平台特定命令。安裝過程會自動配置必要的依賴項和 PATH 變數。
步驟 2：設定環境變數
環境變數可設定 Claude Code 透過 Novita AI 的 API 端點使用 Deepseek v3.2。這些變數告訴 Claude Code 將請求發送到何處以及如何進行身份驗證。
Windows 使用者
開啟命令提示字元，設定以下環境變數：
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"
將 <Novita API Key> 替換為您從 Novita AI 平台取得的實際 API 金鑰。這些變數在當前工作階段保持活動狀態，如果關閉命令提示字元則必須重新設定。
Mac 和 Linux 使用者
開啟終端機，匯出以下環境變數：
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"
步驟 3：啟動 Claude Code
安裝和配置完成後，您現在可以在專案目錄中啟動 Claude Code。使用 cd 命令導航到您的目標專案位置：
cd <your-project-directory>
claude .
點 (.) 參數指示 Claude Code 在目前目錄中操作。啟動後，您將在互動式工作階段中看到 Claude Code 提示。
這表示該工具已準備好接收您的指示。該介面為自然語言編程互動提供了一個乾淨、直觀的環境。
步驟 4：在 VSCode 或 Cursor 中使用 Claude Code
Claude Code 與流行的開發環境無縫整合。它增強了您現有的工作流程，而不是取代它。
您可以在 VSCode 或 Cursor 的終端機中直接使用 Claude Code。這可以在利用 AI 輔助的同時，保持對您熟悉的開發工具的存取。
此外，VSCode 和 Cursor 都有可用的 Claude Code 外掛程式。
如何在 Claude Code 中使用外部模型？
如果您想在開發工作流程中動態切換不同的大型語言模型（例如 Anthropic 的 Claude、智譜的 GLM 和月之暗面的 Kimi），有一些策略可以在不進行大量程式碼更改的情況下實現。本節說明如何使用統一的 API 和配置切換來快速交換模型。
使用環境變數（Claude Code 方法）：
如果您正在使用 Claude Code 等工具或綁定到特定 API 的 SDK，您只需調整環境配置即可切換模型。Novita AI 提供了多種模型選項，您可以嘗試以找到最合適的模型。
DeepSeek V3.2 引入了 DSA 作為針對性的架構升級，大幅降低了運算成本，提升了長上下文效果，並提高了以程式碼為中心的準確性，同時保持了具有競爭力的推理效能。該模型支援對大型程式碼庫和複雜技術文件進行可擴展分析，與 DeepSeek V3.1-Terminus 和專有替代方案相比，在效率和能力之間展現出有利的平衡。這些進步使 DeepSeek V3.2 成為持續開發工作流程和長上下文 AI 應用程式的經濟高效解決方案。
常見問題
DeepSeek V3.2 中的 DeepSeek 稀疏注意力（DSA）的主要優勢是什麼？
DeepSeek V3.2 使用 DSA 選擇性地啟動注意力連接，降低二次方注意力成本，同時在長上下文中保持準確的程式碼理解。
DeepSeek V3.2 與 DeepSeek V3.1-Terminus 在實際編碼工作流程中有何不同？
與 DeepSeek V3.1-Terminus 相比，DeepSeek V3.2 提供了更低的營運成本、128K 上下文視窗和更快的推理穩定性，從而實現更高效的倉儲級別程式碼分析。
DeepSeek V3.2 是否改善了長上下文技術文件的處理？
是的。DeepSeek V3.2 支援同時分析複雜文件和跨文件關係，在多文件推理任務中表現優於 DeepSeek V3.1-Terminus。
Novita AI 是一個一站式雲端平台，支援您的 AI 抱負。整合 API、無伺服器、GPU 實例 — 您需要的經濟高效工具。消除基礎設施，免費開始，讓您的 AI 願景成為現實。
推薦閱讀
如何使用 Novita AI 在 Claude Code 中使用 Kimi K2.7 Code
